1 / 44

Biomedicínské inženýrství - indterdisciplinární obor, nutná spolupráce

lynna
Download Presentation

Biomedicínské inženýrství - indterdisciplinární obor, nutná spolupráce

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Metodypočítačové elektroencefalografie (číslicového zpracování signálu a umělé inteligence) realizované ve spolupráci sFNB, SZÚ, ČVUT FEL, PCP Praha, VŠB-TU Ostravadoc. Ing. Vladimír Krajča, CSc. ČVUT FBMI aoddělení neurologie Fakultní nemocnice Na Bulovcetel. +420-2-66082307e-mailkrajcav@fnb.cz

  2. Biomedicínské inženýrství - indterdisciplinární obor, nutná spolupráce • FNB - Fakultní nemocnice Na Bulovce • FBMI - Fakulta biomedicínského inženýrství ČVUT • SZÚ - Státní zdravotní ústav Praha • ČVUT FEL - Fakulta elektrotechnická, katedra kybernetiky • PCP Praha - Psychiatrické centrum Praha • VŠB - TU - Vysoká škola báňská -Technická universita Ostrava

  3. Cíle počítačové analýzy EEG • Podpora lékařova hodnocení • Rozšíření jeho schopností poskytnutím objektivních dat • Prezentace dat v názorném grafickém tvaru • Rozlišení normální/abnormální aktivity • Klasifikace záznamů • Hodnocení trendů • Redukce a archivace dat • Kvantifikace - zjištění přesné hodnoty dominantní frekvence • Zjištění a extrakce skryté informace nepostižitelné pouhým okem • Usnadnění orientace v dlouhodobých záznamech - soustředění pozornosti na ”zajímavé” úseky a přeskočení ”nezajímavé” aktivity

  4. Dlouhodobé EEG detekce významných událostí hledání významných grafoelementů sledování trendů klasifikace spánkových stavů detekce epileptických hrotů detekce záchvatů Detailní analýza topografické mapování výkonu frekvenčních pásem mapování lokální koherence posuv ve spektru rozklad na zdrojové a šumové složky analýza dipólů fázové spektrum - lokalizace epi ložiska kordance Metody: Dlouhodobé x detailní zpracování

  5. LORETA CORDANCE POWER PCA ARTEFACT Přehled metod realizovaných ve FNB NEONATAL SLEEP ANALYSIS SEGMENT PHASE SPECTRUM ELIMINATION Photic driving ATION MAPPING 3D PROJECTION LOCAL COHERENCE INDEPENDENT PRINCIPAL BRAIN SPIKE WAVE FINDER COMPONENT CSA COMPONENT MAPPING DETECTION ANALYSIS ANALYSIS SPECTRUM ANALYSIS LONG - TERM DETAILED NEURAL NETWORKS ANALYSIS PROCESSING PRE - PROCESSING DIGITAL FILTERING TRENDS REMOVING EEG SIGNAL

  6. Spolupráce Cooperation with Psychiatric Center Prague Cooperation with ČVUT FEL and ÚPMD Cooperation with SZÚ Cooperation with Technical University Ostrava LORETA CORDANCE NEONATAL SLEEP ANALYSIS 3D splines POWER PCA ARTEFACT SEGMENT ICA decomposition SPECTRUM ELIMINATION Photic driving ATION 3D PROJECTION LOCAL COHERENCE Cooperation with Academy of Science INDEPENDENT PRINCIPAL BRAIN SPIKE WAVE FINDER COMPONENT CSA COMPONENT MAPPING DETECTION ANALYSIS ANALYSIS SPECTRUM ANALYSIS LONG - TERM DETAILED NEURAL NETWORKS ANALYSIS PROCESSING PRE - PROCESSING DIGITAL FILTERING TRENDS REMOVING EEG SIGNAL

  7. Spektrální analýza – 3D brain mapping - sférické splajnyGerstnerova laboratoř ČVUT FEL

  8. Analýza/monitorování dlouhodobých EEG záznamů : CSA - spektrální kulisy • CSA – compressed spectral arrays • Seřazení spektrálních křivek z 2 sec úseků jako kulisy v divadle • Visualizace trendů a posuvu ve spektru u dlouhodobých záznamů a monitorování

  9. Analýza dlouhých záznamů CSA: příklad - epileptický záchvat

  10. CSA změna pohledu

  11. Photic driving u pracovníků vystavených rtuťovým parám – spolupráce s Doc. Urbanem, SZÚ • Photic driving – reakce EEG na fotostimulaci pro různé frekvence stroboskopu (vybudí se odezva pro harmonické složky stimulace). • Cílem – zjistit potenciál CSA pro indikaci PD u raných neurotoxických efektů u dělníků vystavených parám rtuti. • Změny u PD ve srovnání s kontrolní skupinou ještě před klinickými obtížemi

  12. CSAs in a person with well expressed photic driving Background activity Driving on thefundamental frequency Driving on the1st harmonic frequency Driving on the2nd harmonicfrequency

  13. CSAs in a person with absent photic driving Background activity

  14. Protokol generovaný počítačem pro zjištění raných neurotoxických efektů Kvantitativní parametry

  15. SZÚdoc. Urban

  16. Analýza dlouhých záznamů: identifikace významných grafoelementů. Aplikace v neonatologii (ÚPMD) • Hierarchický systém automatizovaného zpracovávání EEG • segmentace • extrakce příznaků • automatická klasifikace • visualizace a kvantifikace

  17. Blokové schéma

  18. Automatická klasifikace EEG grafoelementů • Motivace - snaha odhalit strukturu, která může být skryta v datech, identifikovat EEG grafoelementy. • Metoda – shluková analýza • hledá přirozenou strukturu dat • učení bez učitele - žádná a priori informace o datech • data v tomtéž shluku (třídě) jsou si v určitém smyslu ”bližší” než data v různých shlucích • V současnosti - výzkum aplikace učících se klasifikátorů (neuronové sítě - učené genetickými algoritmy, inicializace vah - simulované žíhání)

  19. Příklad barevné identifikace epileptických grafoelementů – klasifikace pomocí adaptivní segmentace a shlukové analýzy

  20. Příklad klasifikace klasické Klasická třída č. 6 obsahující objekty typu třídy 5 (řádek 7). Klasická třída č.5.

  21. Příklad fuzzy eliminace hybridních segmentů • Fuzzy klasifikace a eliminace EMG artefaktů (odstraněné hybridní segmenty s členstvím nižším než mez alfa=0.5 znázorněny světle šedou barvou)

  22. Zhuštěná sumární informace Typické, reprezentativní segmenty (nejblíže těžišti) a jejich procentuální zastoupení - multikanálová sumární informace Časový profil ukazuje členství segmentu ve třídě v průběhu času Třídy seřazeny podle velikosti amplitudy Barva - indikuje třídu segmentu v originálním EEG záznamu

  23. Automatická grafická identifikace signifikantních grafoelementů v EEG Třídy EEG grafoelementů jsou záměrně seřazeny podle velikosti amplitudy segmentů. Každému typu EEG aktivity (třídy) je přiřazena barva - význačné typy EEG grafoelementů jsou automaticky identifikovány barvou přímo v originálním digitalizovaném EEG záznamu. Do obrázku jsou promítnuty hranice segmentů.

  24. Strukturální schématický popis EEG – časový profil záznamu Lékař má k dispozici efektivní nástroj, umožňující pomocí kursoru vybrat příslušnou část originálního záznamu a pokračovat v prohlížení. Buďto v časové oblasti EEG, nebo ve schematickém diagramu. K tomu může zobrazit sumární multikanálovou informaci o typu EEG aktivity

  25. Příklad zpracování dlouhodobých EEG

  26. Analýza spánkového grafu (1.5 hod na stránce, 1 kanál) V systému je možné zadat automatické rolování signálu a zastavit na stránce se segmenty zvolené třídy (barvy)

  27. Srovnání s dalšími metodami - CSA - metoda zhuštěných spektrálních kulis - informace pouze ve frekvenční oblasti-ztrácíme tvar grafoelementů

  28. Výsledkem spolupráce několik společných impaktovaných publikací VÝBĚR

  29. UPMD Podolí: detekce spánkových stavů a detekce mozkové dysfunkce

  30. ČVUT FEL, ÚPMD, FNB

  31. Funkční metody - použití v psychiatrickém výzkumu (PET, SPECT, fMRI) + velmi dobré až výborné prostorové rozlišení - finančně nákladné, špatné časové rozlišení, invazivita, radiace, klaustrofobické… (EEG, MEG) + vynikající časové rozlišení, levné (ne MEG), neinvazivní, možnost opakovaných vyšetření i dlouhodobých záznamů, snadno proveditelné - špatné prostorové rozlišení, značná citlivost k rušení /technické i biologické artefakty/…

  32. Psychiatrické Centrum Praha. Aplikace spektrální analýzy

  33. Kordance (cordance) • Kvantitativní EEG veličina, kterou navrhli Leuchter, Cook v roce 1994 • Představuje integraci informace z absolutního a relativního výkonového spektra. • kombinace informacíz absolutního a relativního spektra korelují s metabolismem/perfuzí (SPECT/PET) lépe než samotné absolutní anebo relativní spektrum samo o sobě • Vytvořena v UCLA QEEG Laboratory pro studium regionální mozkové aktivity - kteréoblasti mozku jsou více či méně za určitých okolností aktivní. • Zvláště dobré výsledky byly při studiu deprese. • Kordance je takésoftwarový algoritmuspatentovaný na University of California; je poskytován bez poplatků akademickým institucím pro výzkumné účely

  34. Psychiatrické Centrum Praha - predikce odezvy na antidepresiva pomocí kordance

  35. LORETA • LOw REsolution Tomography Analysis • autor R. Pascual-Marqui, 1994 • zjišťuje distribuci neuronální elektrické aktivity (proudové hustoty) v 3D prostoru hlavy (analýza dipólů)

  36. LORETA a WF -> integrovaná do systému

  37. LORETA, PCP, změny metabolismu a EEG u schizofreniků

  38. PCP, FBMI, FNB, červenec 2010, IF. 3.661

  39. Kapitola v knize FEL, FNB,VŠB

  40. Učební texty VŠB a FNB, Žilinská universita

  41. Vladimír KrajčaČVUT FBMIa FNB Poděkování za spolupráci • FBMI Kladno : Peter Kneppo, Jiří Hozman • ČVUT FEL : Lenka Lhotská,Václav Gerla,Vladana Djordjevic • ÚPMD Podolí : Karel Paul • VŠB-TU Ostrava : Jitka Mohylová • Ústav informatiky AV : Petr Tichavský • PCP Praha : Martin Brunovský, Martin Bareš, Jiří Horáček, Cyril Höschl, Tomáš Novák,Miloslav Kopeček, Peter Sos, Pavla Stopková, Barbora Tišlerová, Pavel Mohr, Jiří Kožený, Lucie Závěšická

More Related