5 курс / ОЗИЗО Общественное здоровье и здравоохранение / Проектирование_мультимодальных_интерфейсов_мозг_компьютер

Фильтрация сигнала

тивной составляющей сигнала [47]. Тем не менее правильно примененная фильтрация позволит выявить важные признаки за счет повышения эффективности использования ряда методов. Так, например, эффективность применения метода главных компонент повышается при использовании фильтра высоких частот 1 Гц за счет удаления тренда и низкочастотного дрифта сигнала [48; 49].

Рассмотрим на простом примере применение фильтра высоких частот. За основу возьмем данные и исходные коды проекта MNE. Проведем загрузку сигнала длительность 60 с для последующего анализа.

Используемые данные были получены с помощью системы Neuromag Vectorview в центре биомедицинской визуализации MGH/ HMS/MIT Athinoula A. Martinos. Данные ЭЭГ с 60 канальной электродной шапочки регистрировались одновременно с МЭГ. Исходный набор данных МРТ был получен с помощью сканера Siemens 1,5 T Sonata с использованием последовательности MPRAGE.

В данном эксперименте испытуемому демонстрировались в левом и правом поле зрения шахматные узоры, перемежающиеся тонами для левого или правого уха. Интервал между стимулами составлял 750 мс. Иногда в центре поля зрения появлялся смайлик. Испытуемому предлагалось нажать правым указательным пальцем клавишу как можно быстрее после появления смайлика.

import os

import numpy as np import mne

sample_data_folder = mne.datasets.sample.data_path() sample_data_raw_file = os.path.join(sample_data_folder,

'MEG', 'sample', 'sample_audvis_raw.fif')

raw = mne.io.read_raw_fif(sample_data_raw_file) raw.crop(0, 60).load_data()

На рис. 11 представлен исходный сигнал для двух каналов ЭЭГ. Для получения изображения использовался следующий код:

eeg_channels = mne.pick_channels(raw.info['ch_names'], include=['EEG 001', 'EEG 002'])

raw.plot(duration=60, order=eeg_channels, n_ channels=len(eeg_channels), remove_dc=False)

На рис. 11 для канала EEG 1 можно заметить низкочастотный дрифт сигнала с периодом около 10 с. Для канала EEG 2 заметно наличие линейного тренда.

39

Рекомендовано к покупке и изучению сайтом МедУнивер - https://meduniver.com/

Глава 3. Обработка сигналов ЭЭГ для ИМК

Рис. 11. Фрагмент загруженного сигнала для двух каналов

Проект MNE использует фильтры с конечной импульсной характеристикой. В русскоязычной литературе для обозначения таких фильтров используется аббревиатура КИХ, в англоязычной — FIR. Для устранения низкочастотного дрифта сигнала и линейного тренда рекомендуется использовать фильтр высокой частоты 1 Гц. Используем следующий код для подавления в сигнале составляющих менее 1 Гц:

raw_highpass = raw.copy().filter(l_freq=1., h_freq=None, picks=['eeg'])

eeg_channels = mne.pick_channels(raw_highpass.info['ch_ names'], include=['EEG 001', 'EEG 2'])

fig = raw_highpass.plot(duration=60, order=eeg_channels, n_channels=len(eeg_channels), remove_dc=False)

На рис. 12 заметно отсутствие низкочастотного дрифта для канала EEG 1 и отсутствие линейного тренда для канала EEG 2.

Рис. 12. Изображение сигналов после применения фильтра высокой частоты 1 Гц

40

Артефакты

Представленный пример демонстрирует высокую эффективность фильтрации. Однако следует понимать, что применение фильтров не только подавляет нежелательные составляющие сигнала, но и вносит изменения в информативную часть сигнала. Если вы решаете, применять ли фильтрацию сигнала на начальном этапе обработки, то следует выполнить следующие действия:

‒провести визуальный анализ исходных сигналов и составить перечень возможных источников шума, оценить их интенсивность;

‒определить, каковы информативная и шумовая составляющая сигнала с точки зрения их частотных составляющих, насколько они пересекаются;

‒понять влияние фильтрации на полезные характеристики сигнала, например, на амплитуду вызванного потенциала, временные параметры вызванного потенциала, [47];

‒уточнить влияние шума в сигнале на применяемые методы ана-

лиза.

Если принято решение применять фильтрацию на начальном этапе обработки, то следует прибегнуть к следующим мерам, чтобы снизить отрицательное влияние фильтрации на полезный сигнал:

‒регулярно оценивать влияние частотных составляющих полезного сигнала и шума на анализ данных,

‒оценить влияние применяемых фильтров на тестовый сигнал,

‒систематически проверять результативность методов анализа данных на фильтрованном и оригинальном сигнале.

Артефакты

Сигналы, которые регистрируются на поверхности головы и по своей природе не связаны с сигналами головного мозга или связаны с сигналами, которые нас не интересуют, называются артефактами.

Можно выделить следующие типы артефактов:

‒связанные с внешней средой (помехи электрической сети, электромагнитные помехи от сотовых телефонов, бытовых приборов, вибрации в помещении, где происходит регистрация ЭЭГ);

‒связанные со средствами измерения (дрифт усилителя, проблемы с контактом между кожей и датчиком);

41

Рекомендовано к покупке и изучению сайтом МедУнивер - https://meduniver.com/

Глава 3. Обработка сигналов ЭЭГ для ИМК

‒электрические сигналы тела человека (кардиосигналы, электрическая активность мышц, движение глаз).

Для онлайн- и офлайн-режима цели работы с артефактами несколько отличаются:

‒в офлайн-режиме важно исключить влияние артефактов на процесс извлечения признаков и последующего обучения модели;

‒для работы с артефактами применяются как автоматические методы, так и методы с участием исследователя и визуальной оценкой данных;

‒вонлайн-режимеважноисключитьвлияниеартефактовна управляющие воздействие и оценку функционального состояния человека;

вэтом режиме применяются, как правило, автоматические методы, которые анализируют уровень зашумленности сигналов и переводят систему ИМК в режим ожидания качественного сигнала.

Далее рассмотрим примеры работы с артефактами в офлайнрежиме с использованием библиотеки MNE-Python. Библиотека позволяет применять к данным следующие стратегии:

‒игнорирование, анализ на основе сырых данных;

‒исключение, выделение искаженных данных в отдельные эпохи;

‒восстановление, внесение изменений в данные поврежденных блоков.

Артефакт ЭКГ

Сократительная активность сердца является источником тока, который достаточно легко регистрируется с помощью поверхностных электродов, помещенных на конечностях или груди. Незначительные потенциалы регистрируются и на поверхности головы человека. На сигнал МЭГ электрическая активность сердца оказывает заметно большее влияние, чем на сигнал ЭЭГ. Ниже мы увидим это на примере анализа сигналов МЭГ и ЭЭГ.

На рис. 13 представлен пример регистрации артефакта ЭКГ [50]. Потенциал регистрируется у человека в зависимости от его телосложения и активности симпатической нервной системы.

Рис. 13. Пример ЭКГ-артефакта

42

Артефакты

Величина потенциала определяется по расположению референтного и рассматриваемого электрода на различных эквипотенциальных поверхностях диполя сердца (рис. 14).

Рис. 14. Эквипотенциальные поверхности сердечного электрического диполя

Артефакт ЭКГ может быть выявлен при анализе данных каналов ЭЭГ. Например, можно отметить, что при общем среднем монтаже, сигналы на электродах, близких к ушным, будут иметь противоположные знаки, что может быть использовано для поиска моментов времени, когда возникает искомый артефакт. В то же время при проведении исследований рекомендуется проводить регистрацию ЭКГ в отдельном канале для выявления эпох, связанных с кардиоктивностью.

Проанализируем артефакт ЭКГ на примере мультимодального набора данных MNE. Набор данных включает сигналы МЭГ, ЭЭГ и ЭКГ. К ранее загруженным данным применим код

ecg_epochs = mne.preprocessing.create_ecg_epochs(raw) ecg_epochs.plot_image(combine='mean')

Результаты выполнения кода приведены на рис. 15 и 16. На рис. 15, а и 16,а приведенызначенияэпохвременныхрядовв окрестностипикаартефакта соответственно в фемтотеслах (10–15 Тл) и микровольтах (10–6 В). Рис. 15, б и 16, б — графики усреднения амплитуды временных рядов для рассматриваемых эпох. Как ранее отмечалось, влияние данного артефакта в наибольшей степени выражено для МЭГ-сигнала. Следует

43

Рекомендовано к покупке и изучению сайтом МедУнивер - https://meduniver.com/

Глава 3. Обработка сигналов ЭЭГ для ИМК

отметить, что артефакт ЭКГ может быть обнаружен непосредственно в МЭГ-сигнале. На рис. 15, а заметно выражена горизонтальная полоса — результат низкочастотного дрифта. Сам артефакт — вертикальная полосаграфикана рис.15,а, соответствующаяпикуграфикана рис.15,б. На рис. 16 представлены аналогичные графики для сигнала ЭЭГ.

а

б

Рис. 15. Тепловая карта — диаграмма связанных с событиями потенциалов либо полей (ERP/F) для эпох ЭКГ (а) и усредненное значение по всем эпохам (б) для сигнала МЭГ

а

б

Рис. 16. Тепловая карта — диаграмма связанных с событиями потенциалов либо полей (ERP/F) для эпох ЭКГ (а) и усредненное значение по всем эпохам (б) для сигнала ЭЭГ

44

Артефакты

Для анализа пространственного распределения влияния артефакта ЭКГ на сигналы МЭГ и ЭЭГ может быть использован следующий код:

avg_ecg_epochs = ecg_epochs.average().apply_ baseline((–0.5, –0.2))

avg_ecg_epochs.plot_joint(times=[–0.25, –0.025, 0, 0.025, 0.25])

Врезультате выполнения кода мы получим графики (рис. 17).

Вверхней части графиков расположены топограммы для различных положений датчиков, в нижней части— графики амплитуды сигналов для каждого датчика, цвет линии определяется цветовой картой расположения датчиков (вверху у оси ординат).

а

б

Рис. 17. Топограмма для сигнала МЭГ-артефакта ЭКГ (а) и ЭЭГ-артефакта ЭКГ (б)

45

Рекомендовано к покупке и изучению сайтом МедУнивер - https://meduniver.com/

Глава 3. Обработка сигналов ЭЭГ для ИМК

Артефакт движения глазами

Глаз человека в нормальном состоянии представляет собой электрический диполь, в котором роговица имеет положительный заряд, а сетчатка—отрицательный. При вертикальном, горизонтальном движении глазного яблока, над лобными долями регистрируется электрический сигнал, связанный с движением. На рис. 18 показан пример вертикального вращения глаза [42]. Регистрация изменений электрического потенциала называется электроокулографией (ЭОГ), поэтому говорят об артефакте ЭОГ.

При вертикальном вращении глазного яблока, сигнал ЭОГ регистрируется как отрицательные отклонения на электродах Fp1, Fp2 и ослабевает на отведениях по направлению от лба к затылку. Вертикальные движения глазного яблока возникают также при моргании — так называемый нормальный феномен Белла — рефлекс поднятия роговицы вверх при закрытии век.

Закрыты

Открыты

Рис. 18. Электрический диполь глазного яблока

При боковом (латеральном) движении глаз будет наблюдаться синхронное изменение сигнала на отведениях F7/F8 с противоположным знаком.

Описанные характеристики, используя только данные каналов ЭЭГ, позволяют выделять сигнал ЭОГ на фоне электрической активности мозга. Между тем рекомендуется при проведении исследований ЭЭГ одновременно регистрировать сигнал ЭОГ и исполь-

46

Артефакты

зовать эти данные при разбиении сигнала на эпохи и при обработке данных.

На практике при работе с артефактом достаточно часто используют свойство­ медленноволновых колебаний сигнала ЭОГ с частотой 3–20 Гц, и данный артефакт может быть исключен с применением фильтра высоких частот 2 Гц, например, при избавлении от тренда.

Вновь обратимся к библиотеке MNE-Python и рассмотрим особенности артефакта ЭОГ на примере экспериментов, в которых производилась одновременная регистрация сигнала ЭОГ и в данных присутствует соответствующая разметка моментов времени, когда данный сигнал регистрировался.

eog_epochs = mne.preprocessing.create_eog_epochs(raw, baseline=(–0.5, –0.2))

eog_epochs.plot_image(combine='std') eog_epochs.average().plot_joint()

В результате выполнения кода получаются графики рис. 19. Обратим внимание на параметр baseline в коде, с параметрами он используется для указания интервала до события (–0.5;–0.2) для вычисления и исключения среднего. В отличие от артефакта ЭКГ, использовался параметр combine='std', который сообщает методу, как объединить в рамках одной эпохи данные разных каналов. Указанный параметр вычисляет стандартное отклонение значений каналов для каждого момента времени.

На графиках эпох видно, что артефакт ЭОГ более выражен для ЭЭГ сигнала (рис. 19–21). Вычисление стандартного отклонения при объединении данных каналов в рамках одной эпохи связано с тем, что усреднение по данным каналов МЭГ не показало бы увеличение сигнала. В этом можно убедиться, указав метод суммы, как в операциях с данными ЭКГ,

eog_epochs.plot_image(combine='sum')

При рассмотрение пространственного распределения сигналов можно выделить характерные черты артефакта ЭОГ:

‒наблюдается максимальная амплитуда сигнала в лобной части головы,

‒явно выражено уменьшение сигнала при движении от глаз к за-

тылку.

47

Рекомендовано к покупке и изучению сайтом МедУнивер - https://meduniver.com/

Глава 3. Обработка сигналов ЭЭГ для ИМК

а

б

Рис. 19. Топограмма ЭЭГ (а) и МЭГ (б) для артефакта ЭОГ

а

б

Рис. 20. Тепловая карта (диаграмма связанных с событиями потенциалов либо полей (ERP/F)) для эпох ЭОГ (а) и усредненное значение по всем эпохам (б) для сигнала ЭЭГ

48