Метод ортогональной декомпозиции Карунена–Лоэва для задач оценок ЭЭГ пациентов с мигренью

Обложка

Цитировать

Полный текст

Аннотация

Цель данной работы — выявление закономерностей в записях электроэнцефалограмм пациентов с мигренью с помощью метода ортогональной декомпозиции по Карунену–Лоэву. В работе исследуются основные закономерности в динамике электроэнцефалографических реализаций, а также влияние на эти закономерности характера протекания мигрени. Методы. Для сбора экспериментальных данных использовался метод регистрации электроэнцефалограмм в ходе модифицированного теста множественной латентности сна. В ходе эксперимента проводились исследования реакции испытуемых на предъявляемый визуальный стимул. Полученные данные обрабатывались с помощью преобразования Карунена–Лоэва, которое позволяет интерпретировать сложную динамику системы с точки зрения сосуществования и взаимодействия в ней когерентных ортогональных пространственно-временных структур. Результаты. Исследования показали, что распределение мод по энергиям в состоянии активности испытуемых и в состоянии сна может существенно различаться. Характер этого распределения зависит от зоны мозга, в которой снимался сигнал, от длительности эксперимента и от того, в какой момент эксперимента были зарегистрированы те или иные стадии реакции испытуемого. Показано, что наибольший отклик в виде вызванных потенциалов у людей с мигренью локализуется чаще всего в затылочной доле мозга, при этом существует корреляция этого эффекта с частотой приступов мигрени. Для некоторых групп пациентов прослеживается связь между выраженностью вызванных потенциалов в мозгу и энергией первой, обладающей максимальной энергией, моды Карунена–Лоэва. Заключение. Показано, что существует взаимосвязь количества значимых мод с мощностью альфа-ритма в сигналах электроэнцефалографии, а также прослеживается пространственная локализация этого эффекта в затылочном отделе мозга. Для лобной доли мозга продемонстрировано существование достоверных различий в распределении первой моды, оцениваемых для групп пациентов с редкими и частыми приступами мигрени.  

Об авторах

Евгений Николаевич Егоров

Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского (СГУ)

ORCID iD: 0000-0002-8581-1077
SPIN-код: 6982-4356
Scopus Author ID: 7103143750
410012, Россия, Саратов, ул. Астраханская, 83

Максим Олегович Журавлев

Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского (СГУ)

Scopus Author ID: 36116363000
ResearcherId: B-2068-2015
410012, Россия, Саратов, ул. Астраханская, 83

Анастасия Евгеньевна Руннова

Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского (СГУ) ; Саратовский государственный медицинский университет имени В.И. Разумовского (СГМУ)

ORCID iD: 0000-0002-2102-164X
Scopus Author ID: 55758753300
ResearcherId: М-2363-2016
410012, Россия, Саратов, ул. Астраханская, 83

Максим Аркадьевич Евстропов

Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского (СГУ)

410012, Россия, Саратов, ул. Астраханская, 83

Алена Садуллаевна Реджепова

Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского (СГУ)

410012, Россия, Саратов, ул. Астраханская, 83

Список литературы

  1. Feyissa A. M., Tatum W. O. Adult EEG // Handbook of clinical neurology. 2019. Vol. 160. P. 103–124. doi: 10.1016/B978-0-444-64032-1.00007-2.
  2. Lin Z., Zhang Ch., Wu W., Gao X. Frequency recognition based on canonical correlation analysis for SSVEP-based BCIs // IEEE transactions on biomedical engineering. 2006. Vol. 53, iss. 12. P. 2610–2614. doi: 10.1109/TBME.2006.886577.
  3. Adeli H., Zhou Z., Dadmehr N. Analysis of EEG records in an epileptic patient using wavelet transform // Journal of neuroscience methods. 2003. Vol. 123, iss. 1. P. 69–87. doi: 10.1016/S0165-0270(02)00340-0.
  4. Hansen S. T., Hemakom A., Safeldt M. G., Krohne L. K., Madsen K. H., Siebner H. R., Mandic D. P., Hansen L. K. Unmixing oscillatory brain activity by eeg source localization and empirical mode decomposition // Computational intelligence and neuroscience. 2019. Vol. 2019, iss. 4. P. 1-15. doi: 10.1155/2019/5618303.
  5. Karhunen K. Uber lineare Methoden in der Wahrscheinlichkeitsrechnung. Helsinki: Universitat Helsinki, 1947. 79 p.
  6. Loeve M. Functions Aleatories de Seconde Ordre. Paris: Hermann, 1948.
  7. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. 414 с.
  8. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Москва: Техносфера, 2012. 1104 с.
  9. Hotelling H. Analysis of a Complex of Statistical Variables into Principal Components // J. Educ. Psychol. 1933. Vol. 24. P. 498–520.
  10. Kramer H. P., Mathews M. V. A Linear coding for transmitting a set of correlated signals // IRE Trans. Info. Theory. 1956. Vol. 2, no. 3. P. 41–46. doi: 10.1109/TIT.1956.1056808.
  11. Прэтт У. Цифровая обработка изображений. В 2-х т. М.: Мир, 1982.
  12. Duda R. O., Hart P. E. Use of the Hough Transformation to Detect Lines and Curves in Pictures // Comm. ACM. 1972. Vol. 15, no. 1. P. 11–15.
  13. Duda R. O, Hart P. E., Stork D. G. Pattern Classification. New York: John Wiley and Sons, 2001. 654 p. doi: 10.1007/s00357-007-0015-9.
  14. Jonak K., Syta A., Karakula-Juchnowicz H., Krukow P. The clinical application of EEGsignals recurrence analysis as a measure of functional connectivity: Comparative case study of patients with various neuropsychiatric disorders // Brain sciences. 2020. Vol. 10, no. 6. P. 380. doi: 10.3390/brainsci10060380.
  15. Onton J., Westerfield M., Makeig S., Townsend J. Imaging human EEG dynamics using independent component analysis // Neuroscience and biobehavioral reviews. 2006. Vol. 30, no. 6. P. 808–822. doi: 10.1016/j.neubiorev.2006.06.007.
  16. Ramakrishnan A. G., Satyanarayana J. V. Reconstruction of EEG from limited channel acquisition using estimated signal correlation // Biomedical Signal Processing and Control. 2016. Vol. 27. P. 164–173. DOI: doi.org/10.1016/j.bspc.2016.02.004.
  17. Wongsawat Y., Oraintara S., Rao K. R. Integer sub-optimal Karhunen-Loeve transform for multichannel lossless EEG compression // 2006 14th European Signal Processing Conference, Florence, Italy, 2006. P. 1–5.
  18. Wongsawat Y. Oraintara S., Tanaka T., Rao K. R. Lossless multi-channel EEG compression // IEEE International Symposium on Circuits and Systems. IEEE, 2006. doi: 10.1109/ISCAS.2006.1692909.
  19. Babadi B., McKinney S. M., Tarokh V., Ellenbogen J. M. DiBa: A Data-Driven Bayesian Algorithm for Sleep Spindle Detection // IEEE Transactions on Biomedical Engineering. 2012. Vol. 59, no. 2, P. 483–493. doi: 10.1109/TBME.2011.2175225.
  20. Kuriakose S., Titus G. Karhunen-loeve transform for sleep spindle detection // 2016 3rd International Conference on Devices, Circuits and Systems (ICDCS), Coimbatore, India, 2016. P. 249–253. doi: 10.1109/ICDCSyst.2016.7570602.
  21. Vural C., Murat Y. Determination of sleep stage separation ability of features extracted from EEG signals using principle component analysis // Journal of medical systems. 2010. Vol. 34, no. 1. P. 83. doi: 10.1007/s10916-008-9218-9.
  22. Klonowski W., Jernajczyk W., Niedzielska K., Ritz A. Quantitative measure of complexity of EEG signal dynamics // Acta neurobiologiae experimentalis. 1999. Vol. 59, no. 4. P. 315–321. doi: 10.55782/ane-1999-1316.
  23. Fuchs A., Kelso S., Haken H. Phase transitions in the human brain: Spatial mode dynamics // International Journal of Bifurcation and Chaos - IJBC. 1992. Vol. 2, no. 4. P. 917–939. doi: 10.1142/S0218127492000537.
  24. Jirsa V. K., Friedrich R., Haken H. Reconstruction of the spatio-temporal dynamics of a human magnetoencephalogram // Physica D: Nonlinear Phenomena. 1995. Vol. 89, iss. 1–2. P. 100–122. doi: 10.1016/0167-2789(95)00226-x.
  25. Anderson C. W., Devulapalli S. V., Stolz E. Determining Mental State from EEG Signals Using Parallel Implementations of Neural Networks // Sci. Program. 1995. Vol. 4, no. 3. P. 171–183. doi: 10.1155/1995/603414.
  26. Lamothe R. Stroink G. Orthogonal expansions: Their applicability to signal extraction in electrophysiological mapping data // Medical and biological engineering and computing. 1991. Vol. 29. P. 522–528. doi: 10.1007/BF02442325.
  27. Broomhead D. S., King G. P. Extracting qualitative dynamics from experimental data // Physica D Nonlinear Phenomena. 1986. Vol. 20, no. 2–3. P. 217–236. doi: 10.1016/0167-2789(86)90031-X.
  28. Rahman M. A., Haque M. M., Anjum A., Mollah M. N., Ahmad M. Classification of motor imagery events from prefrontal hemodynamics for BCI application // In: Uddin M. S., Bansal J. C. (eds) Proceedings of International Joint Conference on Computational Intelligence. Algorithms for Intelligent Systems. Singapore: Springer, 2020. P. 11–23. doi: 10.1007/978-981-13-7564-4_2.
  29. Littner M. R., Kushida C., Wise M., Davila D. G., Morgenthaler T., Lee-Chiong T., Hirshkowitz M., Loube D. L., Bailey D., Berry R. B., Kapen S., Kramer M. Practice parameters for clinical use of the multiple sleep latency test and the maintenance of wakefulness test // Sleep. 2005. Vol. 28, no. 1. P. 113–121. doi: 10.1093/sleep/28.1.113.
  30. Schubring D., Kraus M., Stolz C., Weiler N., Keim D. A., Schupp H. Virtual reality potentiates emotion and task effects of Alpha/Beta brain oscillations // Brain Sciences. 2020. Vol. 10, no. 8. P. 537. doi: 10.3390/brainsci10080537.
  31. Iscan Z., Nikulin V. V. Steady state visual evoked potential (SSVEP) based brain-computer interface (BCI) performance under different perturbations // PloS one. 2018. Vol. 13, no. 1. e0191673. doi: 10.1371/journal.pone.0191673.
  32. Парсамян Р. Р., Посненкова О. М., Журавлев М. О., Сельский А. О., Киселев А. Р., Фисун А. В., Руннова А. Е. Хронизация головной боли: анализ вызванных потенциалов на стимул // Российский журнал боли. 2024. Vol. 22, no. 1. P. 18–26. doi: 10.17116/pain20242201118.
  33. Ватанабе С. Разложение Карунена–Лоэва и факторный анализ. Теория и приложения / Под ред. Бравермана Э. М. Автоматический анализ сложных изображений. М.: Мир, 1969. C. 310.
  34. Trubetskov D. I., Hramov A. E., Egorov E. N., Filatov R. A., Kalinin Y. A., Koronovskii A. A. Experimental and Theoretical Study of Chaotic Microwave Oscillations and Pattern Formation in Non-relativistic Electron Beam with Virtual Cathode // 2006 IEEE International Vacuum Electronics Conference held Jointly with 2006 IEEE International Vacuum Electron Sources. Monterey: IEEE, 2006. P. 527–528. doi: 10.1109/IVELEC.2006.1666415.
  35. Egorov E. N., Makarov V. V., Hramov A. E. Analyzing the formation of coherent structures in a helical electron flow with a virtual cathode // Bull. Russ. Acad. Sci. Phys. 2014. Vol. 78. P. 1246–1249. doi: 10.3103/S1062873814120041.
  36. Egorov E. N., Hramov A. E. Formation of coherent structures in helical electron beam with a virtual cathode // 24th International Crimean Conference Microwave and Telecommunication Technology, Sevastopol, Russia, 2014. P. 845–846.
  37. Runnova A, Zhuravlev M, Shamionov R et al. Spatial patterns in EEG activity during monotonous sound perception test // Eur. Phys. J. Plus. 2021. Vol. 136. P. 735. doi: 10.1140/epjp/s13360-021-01716-1
  38. Bazanova O. M., Vernon D. Interpreting EEG alpha activity // Neuroscience and Biobehavioral Reviews. 2014. Vol. 44. P. 94–110. doi: 10.1016/j.neubiorev.2013.05.007.
  39. Симонян М. С., Новиков М. Ю. Изменение пространственной структуры активности головного мозга при длительной монотонной зрительной нагрузке // Труды VII Всероссийской конференции. Нелинейная динамика в когнитивных исследованиях - 2021. С. 144–146.
  40. Zhuravlev M., Novikov M., Parsamyan R., Selskii A., Runnova A. The Objective Assessment of Event-Related Potentials: An Influence of Chronic Pain on ERP Parameters // Neuroscience bulletin. 2023. Vol. 39, no. 7. P. 1105–1116. doi: 10.1007/s12264-023-01035-8.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».