УДК 004.93.1

АНАЛИЗ МЕТОДОВ ИДЕНТИФИКАЦИИ ФИЗИОЛОГИЧЕСКОГО СОСТОЯНИЯ СНА ПО ЭЭГ ОПЕРАТОРА ОПАСНОГО ПРОИЗВОДСТВЕННОГО ОБЪЕКТА

Нигрей A. A.

аспирант кафедры «Автоматизированные и информационные системы управления» Омского государственного университета путей сообщения, г. Омск

Аннотация. В настоящей статье представлен анализ методов автоматизированного обнаружения сна и его стадий по электроэнцефалограмме (ЭЭГ). Вводятся критерии оценки точности данных методов. Описываются использованные исследователями маркеры и признаки, характерные для определенной стадии сна. Приводятся алгоритмы и основные

СибАДИэкономический ущерб. Данная задача актуальна и в рамках национальной технологической инициативы (НТИ – государственная программа мер по созданию инновационных рынков и развитию перспективных отраслей, которые в течение 20 лет должны стать основой мировой экономики), где выделяют осо ый сегмент нейро-компьютерных интерфейсов NeuroNet (Нейронет). В контексте Нейронет присутствует понятие ресурсного состояния субъекта, определяющее благоприятную для решения производственных задач совокупность физического и душевного состояний.

результаты х работы, оцен вается точность этих алгоритмов по заранее обозначенным критериям. Анал з руются выделяются перспективные методы.

Ключевые слова: г пнограмма, ЭЭГ, стадии сна, нечеткая логика, пространство

признаков, вейвлет-анал з, показатель Хёрста, биспектр, преобразование Фурье.

Введен е
Проблема	операт вного	своевременного обнаружения состояния сна водителя,
машиниста поезда, оператора опасного производственного объекта является одной из
важнейших	направлен й	сследований. На предприятиях, где нужна постоянная
концентрац я	вн мательность, уснувший сотрудник представляет критическую опасность,
которая может повлечь за со ой аварию, причинение ущерба жизни или здоровью, а также

Одно из перспективных направлений исследований в этой области – использование электроэнцефалограммы (ЭЭГ) – автоматической записи электрической активности головного мозга, выполняемой электроэнцефалографом с помощью электродов, крепящихся к различным участкам головы.

Цель данной работы – провести анализ методов определения состояний сна, основанных на анализе ЭЭГ, а также рассмотреть используемые для этого маркеры и признаки.

Общая информация

Период естественного сна здорового человека занимает 7-8 часов связан со сменой дня и ночи. Существует также понятие «искусственный сон», который по ряду причин может быть вызван введением в организм снотворных (медикаментозный сон) или наркотических веществ (наркотический сон).

Ученые, исследуя сон человека, установили, что он состоит из двух различных состояний. Так в работе [1] Лаберж выделяет два базовых состояния сна: медленный и быстрый, а совершающиеся в течение сна психофизические процессы разделяют его на фазы, в течение которых по ЭЭГ установлена разная активность работы головного мозга.

Натаниель Клейтман с соавтарами в 1953 году впервые описали состояние сна, сопровождающегося десинхронизацией ЭЭГ и быстрыми движениями глаз (RЕМ – сон от англ. rapid eye movements – быстрое движение глаз) [2].

В результате проведенных экспериментов американский исследователь Демент установил 5 стадий сна: первые четыре относятся к медленной фазе (дельта-сон), а пятая – к быстрой (бета – сон, RЕМ–сон). Перед погружением в первую стадию у испытуемых возникает

94

состояние расслабленного бодрствования, затем наступает вторая стадия сна, а после нее – дельта-сон. Приблизительно через час происходит обратный переход во вторую стадию, а затем приходит период быстрого сна [3]. Время между засыпанием и окончанием быстрого сна называют циклом сна. За ночь у человека их бывает около пяти, с продолжительностью

90–100 минут [4].

Для обнаружения состояния сна и определения его стадий используется метод электроэнцефалографии (ЭЭГ), результатом является измеренное напряжение на

Склиническойсоставляющиенейроф з олог . Схема расположения электродов на голове испытуемого представлена на р с. 1.

определенных зонах коры головного мозга.

амая распространенная схема расположения электродов в электроэнцефалографе – схема «10-20», предложенная нейрофизиологом Гербертом Джаспером. На сегодняшний день это действующ й подход, пр меняемый в прикладных клинических и фундаментальных научных исследован ях [5]. Данная система размещения электродов широко используется на

практике рекомендована Международной федерацией электроэнцефалографии и

Данная схема предполагает подключение 21 электрода, в том числе референтный и электрод заземлен я. Электроэнцефалограф регистрирует и измеряет электрические

колебания, отл чающ еся по частоте, продолжительности, амплитуде и форме. На ЭЭГ выделяют следующбетае : альфа-, -, тета- и дельта-ритмы (частота колебаний соответственно 8-13 Гц, 14-30 Гц, 4-7 Гц и 0.5-3 Гц, а амплитуда – 30-150 мкВ, до 30 мкВ,

100-150 мкВ 200 мкВ) [6].

А Д

Рисунок 1 – Схема расположения электродов «10-20»,Игде A1 и A2 – референтные

электроды, О (occipitalis) – электроды на затылочном отведении, P (parietalis) – на теменном, C (centralis) –центральном, F (frontalis) –лобном, T (temporalis) –височном

В 1935 году в работе [7] Лумисом с соавторами при обнаружении различных стадий сна по ЭЭГ впервые был выделен сигма-ритм или сонные веретена (рис. 2), появляющийся на ЭЭГ в начальной стадии медленного сна и при переходе к быстрому сну, но в развитой фазе быстрого сна полностью блокируется. Отличительный признак сигма-ритма – нарастание амплитуды в начале и убывание в конце вспышки. Частота такого ритма 10-16 Гц, но в основном 12-14 Гц. Амплитуда различная, но у взрослого она не меньше 50 мкВ.

95

СибАДИ
	Рисунок 2 – Сигма-ритм
Анализ с гнала ЭЭГ позволяет с разной точностью обнаружить состояние сна, что может
быть применено для практ	ческ х задач о еспечения безопасности.
В 1968 году Рехчаффен	Кейлс [8] для классификации стадий сна разработали систему,
суть которой в том, что эксперт, вручную анализирует восьмичасовые записи ЭЭГ, разбитые
на тридцат секундные	участки, строит графическое распределение стадий сна

(гипнограммы) относ т каждый участок к той или иной стадии. Следовательно, точность автоматиз рованных методов определения стадии сна, можно оценивать путём сравнения результата работы алгор тма с выводом эксперта, а также вероятностью ошибок 1 (α) и 2 рода (β).

Анализ методов обнаружения сна

На сегодня проблемой автоматизации процесса обнаружения сна и определения его стадий с различными результатами занимаются многие исследователи [9, 18-22]. Так, В.В. Грубов и его коллеги для о наружения сна на ЭЭГ в своем исследовании [9] решили опереться на распознавание сигма-ритма (см. рисунок 2). анная задача имеет ряд технических сложностей из-за отсутствия строгих критериев оценки сонных веретен, а также из-за большого многообразия их форм (резкое увеличение амплитуды колебания, «дрейф» частоты и т.д.). Для обнаружения сонных веретен в работе [9] ученые использовали непрерывное вейвлет-преобразование, позволяющее анализировать нестационарные сигналы, имеющие локальные особенности [10-12]. У данного метода есть ряд преимуществ

на сегодняшний день он широко используется для анализа не только биомедицинских данных [13,14], но и сигналов.

Непрерывное вейвлет-преобразование может быть выражено следующим уравнением:

где x(t) – экспериментальный сигнал, где φ – материнский вейвлет, s – временной масштаб,

– временной сдвиг вейвлет-преобразования [15].

Для обнаружения резкого изменения частоты сигнала ЭЭГ в конкретный момент времени ученые использовали «мгновенные» амплитуды сигнала по вейвлетному спектру, характеризующие амплитуду колебания с указанной частотой, на определенном коротком промежутке времени. Наиболее выраженные сигма-ритмы удалось обнаружить на ЭЭГ лобной коры (канал Fr). Далее исследователи анализировали сигнал именно этой области головного мозга. В качестве материнского вейвлета использовался вейвлет Морле.

В ранних исследованиях [16, 17] сигнал электроэнцефалограммы подвергался вейвлетпреобразованию, затем вычислялась мгновенная энергия преобразования ω(t) в характерном частотном диапазоне:

96

ω(t) Ws,t ds.

	FS
Авторы учитывали частотные особенности сигма-ритма и		использовали	два
диапазона:
φS1 [5…9] Гц и	φS2 [10…16] Гц, это позволило обнаружить «нестандартные» сонные
С		ω1(t) и ω2(t).	Если
веретена. Затем,	в каждом из диапазонов анализировалась энергия

величины ω1(t) и ω2(t) превышали некоторые пороговые значения (для первого и второго диапазонов, соответственно), это говорило о наличии сигма-ритма:

ω1(t) > ω1кр ω2(t) > ω2кр.

исследуемомНа основан собранной стат стики по качеству распознавания сонных веретен на ЭЭГ и проведенных сследован й, проанализированы вероятности ошибок первого (α) и второго

Для обнаружен я дл нных сонных веретен использовался следующий критерий:

ω1(t) < ω0 ω2(t) < ω0.

где ω0 – средн й уровень мощности вейвлет-спектра, рассчитанный для фоновой ЭЭГ в

бки В [18] Захаров Е.С. провелАиспытания метода определения стадий сна, основанного на

частотном д апазоне.

рода (β). Результаты показали, что вероятность ошибки первого рода (α) составила около

10%, вероятность ош второго рода β = 27% (таблица 2).

нечеткой логике. На первом этапе сигнал ЭЭГ разбивается на сегменты, затем проводится кластерный анализ статистического распределения значений размаха амплитуд выделенных волн для каждого частотного диапазона. После этого вычисляются вторичные показатели, такие, как сонные веретена, K-комплексы, характеризующиеся резким увеличением

амплитуды и уменьшением частоты (рисунок 3), что типично для 1-4 стадий сна. На следующем этапе происходит определение базовых свойств распределения каждого из вторичных показателей для каждой из пяти стадий сна, после чего оценивается каждый сегмент, насколько его набор вторичных показателей близок к признакам каждой стадии сна.

Для определения степени принадлежности заданного значения нормированного параметра
одному из стадий сна автор ввел нормированную величину, обратную квадрату евклидова
расстояния от точки до каждого из статистических отсчётов для j-го параметра и S-й стадии
сна:		1		Д
Q(t	Sj	)	NS	*	,	(tSj ) Q(tSj ),
			i 1 (tSj	tSj )
где tsj – значение параметра,		для которого оценивается степень принадлежности, tsj* –
эталонное значение параметра, S – номер одной из пяти стадий сна, j – номер параметра из M
– количество параметров, – количество сегментов, классифицированныхИкак стадия сна S
из L – количества стадий сна, μ(tSj) – искомая функция принадлежности для j-го параметра и

S-й стадии сна. Нормированные значения tsj или tsj* соответствуют диапазону [0;1].

Далее для оценки близости очередного сегмента к той или иной стадии сна использовались полученные функции принадлежности:

M

FS (tSj ), j 1

97

где M – количество параметров; μ(tSj) – функция принадлежности, рассчитанная для параметра j и стадии сна S; tsj – значение параметра, относительно которого производится

распознавание.

На основании максимального значения FS определялось, к какой стадии сна необходимо отнести текущий сегмент. Для испытания данного метода был разработан программный модуль, реализующий описанный алгоритм автоматического распознавания стадий сна. В качестве эталонной и тестовой статистической информации автор использовал базу данных клинических полисомнографических исследований с построенными гипнограммами. В результате проведения экспериментов получено около 80% совпадений между гипнограммами, построенными экспертами, и результатами работы программного модуля.

В [21] пр веден сравн тельный анализ различных методов автоматизированного распознаван я стад й сна, напр мер, метод нормированного размаха Хёрста.

Рисунок 3 – К – комплекс

На первом этапе расчета для каждого электрода находится значение математического ожидания амплитуды сигнала в мкВ, далее вычисляется среднеквадратичное отклонение S амплитуды для каждого сегмента и размах отклонений R, как разница между максимальным и минимальным отклонением от математического ожидания.

Согласно выводам Хёрста следует, что для большинства временных рядов нормированный размах R/S описывается эмпирическим соотношением [22]:

R ( N)H ,

S

где H – показатель Хёрста, α – произвольная постоянная.

В работе [23] проведен анализ ЭЭГ при различных фазах сна для каждой вычислены показатели Херста (таблица 1).

Таблица 1 – Показатели Хёрста для различных фаз сна

	№	Состояние (фаза сна)	Показатель Хёрста
	СибАДИ
	1	Бодрствование	0.1743
	2	Быстрый сон	0.169
	3	Медленный сон	0.068

Результат – 52,2% совпадений гипнограмм, полученных специалистами (таблица 2) и полученных методом нормированного размаха Хёрста.

Авторы [24] для автоматизированного определения стадий сна использовали анализ спектров высших порядков (HOS – Higher Order Spectral). Нелинейная обработка сигналов ранее уже эффективно применялась для изучения динамики сигнала ЭЭГ [25-30]. Авторы [24] извлекали биспектр B(, ), являющийся преобразованием Фурье третьего порядка, где

98

и – частоты сигнала. Следующим шагом вычислялись нормализованные биспектральные (Ent1) и квадратные энтропии (Ent2):

Ent1 n pn log(pn );

Ent2 n qn log(qn ),

где

pn

B(f1, f2 )

;

qn

B(f1, f2 )

2

,

B( f1, f

2 )

B(f1, f

2 )

2

где Ω – не збыточная область вычисления биспектра (рисунок 4).

С

и

вычисления биспектра

Р сунок 4 – Не з ыточная

После этого выч слял сь следующие показатели:

-сумма логарифмических амплитуд испектра (H1);

область

А

-сумма логарифмических амплитуд диагональных элементов в биспектре (H2);

- сумма спектральный момент первого порядка амплитуд диагональных элементов в

биспектре (H3).

			Д
						N
H1 log(	B( f1, f2 )	);	H2 log(	B( fk , fk )	);	H3 k log(	B( fk , fk )	).
						k 1

Для определения стадии сна применялся классификатор GMM (Gaussian Mixture Model), который активно используется для автоматической идентификации био-сигналов [31, 32] и

представляет собой статистическую				модель,	содержащую		ряд гауссовских функций. В
						И
качестве признаков выступают ранее вычисленные показатели Ent1, Ent2, H1, H2, H3. После
тестирования данного метода была получена точность определения стадий сна 88,7%
относительно заключения экспертов (таблица2).
В таблице 2 приведен сравнительный анализ методов автоматизированного определения
состояния сна и его стадий
Таблица 2 – Сравнительный анализ методов распознавания сна и его стадий
№	Метод			Описание метода				Результаты
1	Вейвлет-анализ	Для выделения и анализа сигма-ритмов на						α = 10%;
		ЭЭГ используется непрерывное вейвлет-						β = 27%.
		преобразование
2	Нечеткая логика	Для распознания стадий сна используется						Совпадение
		нечеткая	логика,		строится		функция	алгоритма и
		принадлежности, ЭЭГ-сигнал разбивается на						заключения
		сегменты	и	для	каждого		сегмента	экспертов - 80%
		определяется степень принадлежности к той
		или иной фазе сна

99

	3	Метод	Для сегментов ЭЭГ-сигнала рассчитывается					Совпадение
		нормированного	нормированный размах Хёрста и происходит					алгоритма и
		размаха Хёрста	оценка					заключения
								экспертов –
								52,2%
	4	Анализ	Для сегментов ЭЭГ-сигнала вычислялись					Совпадение
		спектров	признаки,	по	которым	с	помощью	алгоритма и
С			классификатора GMM определяли стадии сна					заключения
		высших
		порядков						экспертов –
								88,7%
		Заключен е
		огласно проведенному анал зу различных методов автоматизированного распознавания
		оши
	стадий сна, можно сделать вывод, что классификатор GMM и метод нормированного размаха
	Хёрста показали более точные результаты (88,7% и 80% совпадений с заключением
	экспертов соответственно), чем нечеткая логика (52,2%). Использование вейвлет-анализа
	дало в результате вероятность			ок первого и второго рода 10% и 27% соответственно.

1.Лаберж С.бАОсознанное сновидение // София, 2009. 320 с.

2.Ковров Г.В., Воро ьева О.В. Нарушение сна: от жалобы к диагностике и лечения // Клинические рекомендации и алгоритмы для практикующих врачей. 2006.№ 6.

3.American Thoracic Society. Indications and standards for cardiopulmonary sleep studies // Am. Rev. Respir. Dis. 1989. V. 139 P. 559-568.Д

4.Kovalzon VM. Learning and Sleep // Priroda, 2009;(7):3–11.

5.Weinberg A., Sandre A. Distinct associations between low positive affect, panic, and neural responses to reward and threat during late stages of affective picture processing // Biological Psychiatry: Cognitive Neuroscience and Neuroimaging, 2017.

6.Cohen M.X. Where Does EEG Come From and What Does It Mean? // Trends in Neurosciences, 2017, no. 4, P. 208–218. И

7.Гусельников В. И. Электрофизиология головного мозга // Высшая школа, 1976.

8.Левин Я.И. Сомнология: сон, его cтруктура и функции; инсомния // Российский медицинский журнал. 2007, 15(15):11–30.

9.В.В. Грубов, А.А. Овчинников, Е.Ю. Ситникова, А.А. Короновский, А.Е. Храмов Вейвлетный анализ сонных веретен на ЭЭГ и разработка метода их автоматической диагностики // Нелинейная динамика и нейронаука. 2011, 91-108 с.

10.HolschneiderM. Wavelets: Ananalysistool // OxfordUniversityPress, 1995.

11.AldroubiA., UnserM. Waveletsinmedicineandbiology // CRC-Press, 1996.

12.Daubechies I. Orthonormal bases of compactly supported wavelets // Communications on Pure and Applied Mathematics. 1988.

13.Tass P.A. et al. Detection of n:m phase locking from noisy data: Application to magnetoencephalography // Phys. Rev. Lett. 1998.

14.Tass P.A., Fieseler T., Dammers J. et al. Synchronization tomography: A method for three-

dimensional localization of phase synchronized neuronal populations in the human brain using magnetoencephalography // Phys. Rev. Lett. 2003.Установлено, что пом мо высокой точности и относительно быстрого времени обработки

100

15. Короновский А.А., Храмов А.Е. Непрерывный вейвлетный анализ и его приложения //Физматлит, 2003.

16. Короновский А.А., Минюхин И.М., Тыщенко А.А., Храмов А.Е., Мидзяновская И.С., Ситникова Е.Ю., ван Луйтелаар Ж., ван Рижн С.М. Применение непрерывного вейвлетпреобразования для анализа перемежающегося поведения // Изв. вузов. Прикладная нелинейная динамика. 2007. T. 15, №4, 34 с.

17.	Sitnikova E.Yu., Hramov A.E., Koronovskii A.A., van Luijtelaar G. Sleep spindles and
С
spike–wave discharges in EEG: Their generic features, similarities and distinctions disclosed with
Fourier transform and continuous wavelet analysis // Journal of Neuroscience Methods. 2009. Vol.
180. P. 304.
18.	Е. . Захаров Автомат зированное распознавание стадий сна // Медицинская
диагностика			терап я 2008, 117-120 с.
19.	коморохов А.А., Захаров Е.С. Полисомнографические исследования и задача
Возможности
автоматиз рованного построения гипнограммы // Известия ТРТУ. Темат. выпуск:
Медицинск е			нформац онные системы. 2006. № 11, 135–138 с.
20.	Agarwal R., Gotman J. Computerassisted sleep staging // IEEE Transactions on Biomedical
Engineering. 2001. № 12. P. 1412–1423.
21.	Ант	пов О.И. Захаров А.В. Повереннова И.Е. Неганов В.А. Ерофеев А.Е.
			разл	чных методов автоматического распознавания стадий сна // Саратовский
научно-мед		ц	нск	й журнал. Т. 8, № 2, 2012, 374 – 379 с.
22.	Feder E. Fraktaly // M.: Mir, 1991. P. 254.

23.Кир ченко Л.О. Вы ор математической модели фрактального случайного процесса по временному ряду // Информат ка, математическое моделирование, экономика: сб. науч. статей. - Смоленск, 2014. Т. 1. 66-70с.

24.Rajendra Acharya U, Eric Chern-pin Chua, Kuang Chua, Lim Choo, Toshiyo Tamura Analysis and automatic identification of sleep stages using higher order spectra // International Journal of Neural Systems 20(6), 2010, P. 509-530.

25.H. Adeli, S. Ghosh-Dastidar, N. Dadmehr, Alzheimer’s disease and models of computation: Imaging, classification, and neural models // Journal of Alzheimer’s Disease 7(3), 2005, P. 187– 199.

26.H. Adeli, S. Ghosh-Dastidar and N. Dadmehr, A spatiotemporal wavelet-chaos methodology for EEG-based diagnosis of alzheimer’s disease // Neuro-science Letters 444(2), 2008, P. 190–194.

27.M. Ahmadlou, and H. Adeli, Waveletsynchronization methodology: A new approach for EEG-based diagnosis of ADHD // Clinical EEG and Neuroscience41(1), 2010, P. 1–10.

28.M. Ahmadlou and H. Adeli, Fuzzy synchroniza-tion likelihood for automated EEG-based diagnosis of attention-deficit/hyperactivity disorder // Clinical EEG and Neuroscience 42(1), 2011.

29.N. Chakravarthy, S. Sabesan, K. Tsakalis, L. Iasemidis Controling synchronization in a neural-level population model // International Journal of Neural Systems 17(2), 2007, P. 123–138.

30.M. Chen, C.S. Jiang, Q.X. Wu, W.H. Chen Synchronization in arrays of uncertain delay neural networks by decentralized feedback control // International Journal of Neural Systems 17(2), 2007, P.115–122.

31.O. Faust, U. R. Acharya, C. M. Lim, H. C.Sputh, Automatic identification of epileptic and background EEG signals using frequency domain parameters // International Journal of Neural Systems 20(2), 2010, P. 159–176.

32.M. Frean, M. Lilley and P. Boyle, Implementing Gaussian process inference with neural networks // International Journal of Neural Systems16(5), 2006, P. 321–327.бАИ

101