А. С. МИГАЛЁВ
Научный руководитель – Ю. Г. ДРЕВС, д. т.н.
Московский инженерно-физический институт (государственный университет)
РАЗРАБОТКА МЕТОДА КЛАССИФИКАЦИИ ЭЭГ
В работе представлены различные подходы к классификации электроэнцефалограмм с применением непрерывного вейвлет-преобразования и преобразования Фурье. Произведена оценка эффективности каждого метода.
Исходные данные представляют собой 40 электроэнцефалограмм (ЭЭГ), снимаемых в статическом режиме (без предъявления стимула) и разделённых на две группы – здоровых людей («Н») и больных алкоголизмом («А»). Каждая запись содержит показания 24 каналов, расположенных в соответствии со стандартной схемой.
Необходимо определить характерные свойства каждой группы и, пользуясь полученными данными, классифицировать тестовый набор неразделённых ЭЭГ.
На первом этапе анализировались спектры всех 24-х каналов в отдельности. Была выявлена крайне низкая спектральная плотность в диапазоне 30-45 Гц, соответствующему гамма-ритму. При анализе спектров первой и второй производной сигналов отличие между группами увеличивалось, что сократило число ошибок.
Так как средние значения в исследуемом диапазоне отличны, можно задать определённую границу, разделяющую их на две группы. Данную границу необходимо установить в таком положении, в котором ошибка классификации минимальна. Для каждого канала была вычислена минимальная ошибка для этого метода классификации. На каналах 17-24 (затылочная область) ошибка была заметно меньше. После анализа и оценки с использованием второй производной сигналов датчиков по времени число ошибок не превышало четырёх по всем каналам.
На втором этапе при анализе ЭЭГ использовалось непрерывное вейвлет-преобразование:
, (*)
– масштабирующий коэффициент, обратный частоте, 
– сдвиг, 
– исходный сигнал, 
– смещённый и масштабируемый вейвлет (в работе использовался тип вейвлета MORLET) [1,2].
С помощью формулы (*) для всех каналов вычислялись вейвлет-коэффициенты. Далее для каждого масштаба определялась матрица взаимной корреляции каналов. По результатам вычислений на различных частотах было выявлено, что у группы «А» взаимная корреляция в среднем выше по сравнению с «Н», при этом наибольшее отличие наблюдалось на частотах 65, 0.4-20.8 Гц (масштаб 1,5-10).
На третьем этапе исследовались кратковременное увеличение амплитуды отдельных каналов ЭЭГ с применением вейвлет-спектрограмм.
Те всплески амплитуды, которые превышали установленные значения, не влияя на показания соседних каналов, суммировались. В итоге для заданного масштаба (частоты) определялось среднее количество одиночных превышений амплитуды заданного значения (0.3mV) для каждого канала. Результаты обрабатывались экспертной системой – многослойной однонаправленной нейронной сетью сигмоидального типа с одним выходом, определяющим принадлежность входных данных к одной из двух групп. Нейронная сеть обучалась на заранее классифицированных 40 ЭЭГ и испытывалась на тестовой группе из 48 ЭЭГ. Наилучший результат был достигнут на частоте 12Гц (масштаб 8), процент ошибки составлял 20%.
В результате исследования различных методов классификации ЭЭГ с помощью анализа спектров каналов и их взаимосвязи были выявлены отличительные признаки, связанные с проявлением болезни. В частности можно выделить кране низкий уровень гамма-ритма и высокий (>0.7) уровень среднего значения взаимной корреляции каналов на частотах 0.4—20.8 Гц. Использование этих особенностей позволит с достаточно высокой точностью выявлять последствия болезни.
Список литературы
1. А. Graps. An Introduction to Wavelets //IEEE Computer Society 1995.
2. М., , Нечитайло и их использование //Физический институт РАН 2000.
