ELEKTROTEHNIČKI FAKULTET

UNIVERZITET U BEOGRADU

Master teza

Inteligentna detekcija tremora iz

voljnog pokreta

Kandidat: Mentor:

dipl. inž. Andrej Savić Prof. Dr Mirjana Popović

Beograd, Februar 2010.

2

Sadržaj 1 Uvod......................................................................................................................................................7 2 Tremor ..................................................................................................................................................8 2.1 Tipovi tremora...............................................................................................................................9

3 Elektroencefalografija .........................................................................................................................10 3.1 Generisanje EEG‐a (neurološka osnova) .....................................................................................10 3.2 EEG ritmovi..................................................................................................................................13 3.3 Akvizicija EEG signala ..................................................................................................................15 3.3.1 Elektrode .............................................................................................................................17 3.3.2 Konvencionalno pozicioniranje elektroda...........................................................................18 3.3.3 EEG montaže (konfiguracije)...............................................................................................19

3.4 Otklanjanje artefakata ................................................................................................................20 3.4.1 Regresiona Analiza ..............................................................................................................21

4 Cilj rada ...............................................................................................................................................22 5 Detekcija voljnog pokreta iz EEG signala ............................................................................................23 5.1 Potencijali vezani za pokret (movement‐related potentials – MRP) ..........................................23 5.1.1 Odlike MRP kod single‐trial EEG‐a ......................................................................................24

5.2 Oscilacije moždane aktivnosti vezane za događaj (event‐related synchronization/desynchronization) ......................................................................................................24 5.2.1 Kvantifikacija ERD/ERS ........................................................................................................25 5.2.2 Brain‐Computer Interface (BCI)...........................................................................................27

6 Podaci..................................................................................................................................................28 6.1 Opis eksperimentalnog protokola – ispitanici sa tremorom ......................................................28 6.2 Opis eksperimentalnog protokola – zdrav ispitanik ...................................................................29 6.3 Opis podataka .............................................................................................................................30

7 Obrada podataka ................................................................................................................................32 7.1 Opis softvera ...............................................................................................................................32 7.2 Pseudo‐online detekcija voljnih pokreta iz EEG‐a.......................................................................35 7.2.1 Short‐Term Fourier Transform (STFT) .................................................................................35 7.2.2 Parametarske metode spektralne estimacije – modeli ......................................................37 7.2.3 Opis algoritma za pseudo‐online detekciju voljnih pokreta iz EEG signala.........................38

8 Rezultati ..............................................................................................................................................41 8.1 Inspekcija obrazaca vezanih za pokret........................................................................................41 8.2 Movement‐related potentials (MRP)..........................................................................................43 8.3 ERD/ERS single‐trial mape ..........................................................................................................45 8.4 Pouzdanost detekcije ERD na single‐trial bazi ............................................................................49 8.5 Rezultati pseudo‐online detekcije voljnih pokreta .....................................................................54 8.6 Diskusija ......................................................................................................................................60

9 Zaključak .............................................................................................................................................61 10 Literatura.........................................................................................................................................62

3

Lista slika

Slika 1 ‐ Ilustracija izvora tremora.................................................................................................. 9

Slika 2 ‐ Skica piramidalne ćelije ljudskog motornog korteksa..................................................... 12

Slika 3 ‐ Skica sinapse i postsinaptičkog potencijala..................................................................... 13

Slika 4 – Motorne i senzorne oblasti kore velikog mozga kod čoveka ......................................... 13

Slika 5 – Karakteristični EEG ritmovi. ............................................................................................ 14

Slika 6 – Blok dijagram snimanja na jednom EEG kanalu. ............................................................ 16

Slika 7 – Tri glavna sloja oko mozga, uključujući aproksimativne vrednosti njihove otpornosti i debljine (preuzeto iz [3])............................................................................................................... 18

Slika 8 – Konvencionalno pozicioniranje 21 EEG elektrode prema 10‐20 sistemu ...................... 19

Slika 9 – Prikaz veza za A) bipolarna merenja, B) unipolarna merenja u odnosu na srednju vrednost, i C) unipolarna merenja u odnosu na referentnu tačku............................................... 20

Slika 10 – Princip detekcije tremora na bazi BCI........................................................................... 22

Slika 11 – Prikaz tipičnog oblika MRP‐a ........................................................................................ 24

Slika 12 – Tipičan primer ERD/ERS prezentacija ........................................................................... 26

Slika 13 – Prikaz postavke senzora u eksperimentalnj sesiji za pacijente sa tremorom. ............. 29

Slika 14 – Šema kape korišćene za EEG snimanja kod pacijenata sa tremorom. ......................... 29

Slika 15 – EEG konfiguracija za snimanje na zdravom subjektu i šema elektrodne montaže korišćene za EEG snimanja ........................................................................................................... 30

Slika 16 – Prikaz menija razvijenog softvera................................................................................. 32

Slika 17 – Prikaz band‐pass filtriranog EEG signala (kanal Cz), PSD prikazi dobijeni pomoću FFT algoritma i Welch metodom i procentualni udeli snaga EEG ritmova.…………..........................….37

Slika 18 – Otkalnjanje EOG artefakata regresionom analizom………………..……...….................…….37

Slika 19 – Postupak izdvajanja dela signala primenom prozorske funkcije…………………………………37

Slika 20 – Šematski prikaz parametraskih metoda spektralne estimacije.................................... 38

Slika 21 – Slike prozora na raspolaganju za pseudo‐online analizu. ............................................. 39

Slika 22 – (A) Pristup analizi EEG podataka, (B) Nacrt inspekcije EEG podataka u cilju određivanja izraženih obrazaca vezanih za pokret. .......................................................................................... 42

Slika 23 – MRP kod petog subjekta .............................................................................................. 44

Slika 24 – Alfa1 ERD/ERS mape petog subjekta............................................................................ 46

Slika 25 – Alfa1 ERD/ERS zdravog ispitanika................................................................................. 47

4

Slika 26 – Beta ERD/ERS mape zdravog ispitanika........................................................................ 48

Slika 27 – Pouzdanost detekcije alfa1 ERD kod subjekta sa tremorom........................................ 50

Slika 28 – Pouzdanost detekcije beta ERD kod subjekta sa tremorom ........................................ 51

Slika 29 – Pouzdanost detekcije alfa1 ERD kod zdravog subjekta ................................................ 52

Slika 30 – Pouzdanost detekcije beta ERD kod zdravog subjekta................................................. 53

Slika 31 – Vremensko frekvencijska prezentacija na bazi STFT (spektrogram) EEG signala drugog subjekta tokom prst‐nos pokreta. ................................................................................................ 55

Slika 32 – Rezultati algoritma za detekciju pokreta na bazi STFT, za drugog subjekta i prst‐nos pokret............................................................................................................................................ 56

Slika 33 – Rezultati algoritma za detekciju pokreta na bazi STFT, za petog subjekta i voda u čašu zadatak. ......................................................................................................................................... 57

Slika 34 – Vremensko‐frekvencijska prezentacija na bazi AR modela, EEG signala petog subjekta u toku prst‐nos pokreta. ............................................................................................................... 58

Slika 35 – Rezultati algoritma za detekciju pokreta na bazi AR modela, za petog subjekta i prst‐nos pokret. .................................................................................................................................... 59

5

Lista skraćenica

Ag .................................................................................................................................................. srebro Ag‐Cl ................................................................................................................................... srebro hlorid AR......................................................................................................................................autoregressive BCI .................................................................................................................Brain Computer Interaction BP.......................................................................................................................... Bereitschaft Potential Ca.................................................................................................................................................kalcijum Cl.........................................................................................................................................................hlor CMRR.......................................................................................................Common‐Mode Rejection Ratio dB...................................................................................................................................................decibel DBI ......................................................................................................................... Direct Brain Interface ECoG...........................................................................................................................elektrokortikogram EEG.......................................................................................................................... elektroencefalogram EMG ............................................................................................................................... elektromiogram EKG..............................................................................................................................elektrokardiogram EOG...............................................................................................................................elektrookulogram ERD.......................................................................................................Event‐Related Desynchronization ERP......................................................................................................................Event‐Related Potential ERS............................................................................................................Event‐Related Synchronization FES......................................................................................................... Functional Electrical Stimulation FT................................................................................................................................. Fourier Transform FFT........................................................................................................................ Fast Fourier Transform fMRI..........................................................................................functional Magnetic Resonance Imaging Hz ..................................................................................................................................................... Herc IMU.............................................................................................................................Inertial Motor Unit K....................................................................................................................................................kalijum MEG......................................................................................................................magnetoencefalogram MRP............................................................................................................Movement‐Related Potential Na .............................................................................................................................................. natrijum PSD.......................................................................................................................power spectral density s ................................................................................................................................................. sekunda sEMG................................................................................................................ surface electromyogram STFT..........................................................................................................Short‐Term Fourier Transform V ....................................................................................................................................................... Volt Ω ........................................................................................................................................................Om

6

Zahvalnica

Zahvaljujem se svom mentoru prof. Mirjani Popović na svim korisnim savetima, konsultacijama i ukupnom angažovanju tokom izrade ove master teze, kao i prof. Dejanu Popoviću na pruženoj mogućnosti rada i usavršavanja u laboratoriji za Biomedicinsku instrumentaciju i tehnologije. Zahvaljujem se i svim kolegama iz laboratorije na idejama, sugestijama i prijatnoj radnoj atmosferi.

7

1 Uvod Tremor je najčešći poremećaj pokreta i njegovo dejstvo kao i učestalost javljanja se značajno

povećavaju u procesu starenja. Više od 65% populacije sa tremorom gornjih udova imaju ozbiljne poteškoće u obavljanju svakodnevnih aktivnosti. Tremor nije životno ugrožavajuće oboljenje, ali može biti odgovorno za funkcionalni invaliditet i biti izvor socijalne neprijatnosti. Tremor se najčešće tretira lekovima, hirurški (talamotomija) ili dubinskom moždanom stimulacijom, međutim nijedan od tretmana nije efikasan u oko 25% slučajeva.

Jedan od potencijalnih načina supresije tremora je funkcionalna električna stimulacija (FES) i to je pristup koji se proučava u Evropskom projektu TREMOR (FP7‐ICT‐2007‐224051) [1]. Osnovni cilj ovog projekta je da proveri (tehnički, funkcionalno i klinički) koncept mehaničke supresije tremora primenom selektivne funkcionalne električne stimulacije, upravljane algoritmom za detekciju tremora na bazi mozak‐računar interakcije (Brain Computer Interaction – BCI).

Glavni zadatak ovog master rada je razvoj metode za automatsko detektovanje voljne komponente tremuloznog pokreta, direktno iz električne aktivnosti mozga. To je prvi korak algoritma inteligentne detekcije tremora iz voljnog pokreta, koji se razvija za potrebe multimodalnog BCI sistema. Uloga BCI‐a je upravljanje neuralnom protezom koja ima zadatak da primenom FES‐a smanji tremor.

Predmet analize su podaci snimljeni za potrebe TREMOR projekta. Podaci sa pet subjekata sa tremorom i jednog zdravog subjekta su analizirani radi detekcije obrazaca vezanih za voljne pokrete iz moždane aktivnosti ispitanika. U analizi su korišćeni sledeći signali: elektroencefalogram (EEG), elektromiogram (EMG) i biomehanički (inercijalni) signali.

Doprinos rada je u tome što ova analiza može omogućiti ekspertima u oblasti rehabilitacije da testiraju potencijalni sistem za supresiju tremora primenom FES‐a. To bi omogućilo projektovanje uređaja koji bi bio u stanju da korisnicima olakša svakodnevne aktivnosti, čije je izvođenje otežano ili potpuno onemogućeno usled tremora gornjih ekstremiteta, i time značajno poboljša njihov kvalitet života.

Rad je organizovan u deset poglavlja. U prvom poglavlju dat je kratak uvod. Osnovne informacije o tremoru i tipovima tremora date su u drugom poglavlju.

U trećem poglavlju predstavljene su osnove elektroencefalogarfije. Opisane su neurološke osnove EEG‐a, karakteristike EEG signala, kao i sistema za njihovu akviziciju.

U četvrtom poglavlju opisan je cilj rada. U petom poglavlju dat je opis EEG fenomena vezanih za voljne motorne radnje i pregled poznatih metoda za detekciju voljnih pokreta iz EEG signala.

Šesto poglavlje se bavi podacima analiziranim u okviru rada. Tu je dat opis ekperimentalnih protokola za ispitanike sa tremorom i za zdravog subjekta, kao i forme snimljenih podataka.

8

Obrada snimljenih podataka opisana je u sedmom poglavlju. Dat je prikaz razvijenog softvera kao i detaljan opis funkcionisanja algoritma za pseudo‐online detekciju voljnih pokreta iz EEG‐a. Rezultati analize i diskusija dobijenih rezultata prikazani su u osmom poglavlju.

Pregled literature u ovoj oblasti je distribuiran kroz rad, a lista odgovarajućih referenci je data na kraju teze (deseto poglavlje).

Dva rada bazirana na metodama i rezultatima dobijenim u fazama izrade ove master teze, publikovana su na IX kongresu kliničke neurofiziologije sa međunarodnim učešćem (Beograd, oktobar 2009) [22], i TOBI Workshop‐u 2010 (Grac, februar 2010) [23].

2 Tremor Tremor je nevoljni, donekle ritmični mišićni pokret (oscilacija) jednog ili više delova tela. Javlja se u

vidu fiziološkog tremora, kod zdravih osoba ili kao simptom poremećaja, najčešće neurološkog porekla. To je najčešći od svih nevoljnih pokreta i može zahvatiti razne delove tela: šake, podlaktice, glavu/vrat, mišiće lica, jezik, trup i noge. Ruke su najčešće zahvaćene tremorom. Najteži oblici tremora su esencijalni tremor, Parkinsonov tremor mirovanja i cereberalni tremor („tremor namere“). Esencijalni tremor se javlja kod približno 4% populacije iznad 65 godina i predstavlja najčešći poremećaj pokreta u starijem dobu. Parkinsonov tremor se javlja kod oko 1% populacije iznad 50 godina. Cerebelarni tremor je tipično kinetički (pri svrsishodnim pokretima) i javlja se kod 0.1% globalne populacije. Konačni pokretači tremora su motorne jedinice, sa motoneuronima u kičmenoj moždini koji svojom aktivacijom dovode do oscilacija ekstremiteta oko zglobova. Mišićna aktivacija se tipično prati putem elektromiografskih (EMG) snimanja.

Izvori tremora se mogu grupisati u 3 kategorije, kao što je prikazano na slici 1:

• Mehanički indukovane oscilacije: kretanje zglobova i mišića je u skladu sa zakonima fizike i tetiva‐mišić‐zglob kompleksi mogu se analizirati kao sistem masa i opruga. Dakle, oscilacije se mogu interpretirati kao pokreti ovih masa i opruga. Fiziološki tremor je tipični primer ove vrste oscilacija, uglavnom utičući na distalne delove gornjih ekstremiteta.

• Centralni generatori: moždana kora (korteks), bazalna ganglija, moždano stablo i mali mozak svi su uključeni u genezu tremora.

• Refleksi i povratne petlje: periferne petlje od mišića do kičmene moždine i nazad (kičmeni nivo), i centralne petlje od periferije do kičmene moždine i segmenata u nad‐kičmenom nivou uključujući moždano stablo, mali mozak, bazalne ganglije i korteks.

9

Slika 2 ‐ Ilustracija izvora tremora (preuzeto iz [1]).

2.1 Tipovi tremora Postoji više vrsta tremora i nekoliko načina na koji se vrši njihova klasifikacija. Najčešća je

klasifikacija prema kontekstu ponašanja ili poziciji. Postoji pet kategorija tremora u okviru ove klasifikacije: tremor mirovanja, posturalni (tremor položaja), kinetički, specifični za zadatak (task‐specific) i histerični. Tremor u mirovanju ili statički tremor javlja se kada mišić miruje, na primer, sedeći položaj sa rukama u krilu. Ovaj tip tremora se često viđa kod pacijenta sa Parkinsonovom bolešću. Tremor položaja (stava) se javlja kada pacijent pokuša da zadrži položaj, kao na primer, da drži ruke ispruženim ispred tela. Tremor položaja uključuje fiziološki tremor, esencijalni tremor, bolest bazalnih ganglija, cerebelarni temor položaja, tremor sa perifernom neuropatijom, post‐traumatski tremor i alkoholičarski tremor. Kinetički ili tremor akcije (namere) javlja se u toku svrsishodnih pokreta, na primer, tokom prst‐nos testiranja. Tremor specifičan za radnju (zadatak) javlja se prilikom izvršenja zadataka orjentisanih na cilj kao što su pisanje, govor (vokalni tremor) ili stajanje (ortostatički tremor). Histerični tremor (takođe poznat kao psihogeni), javlja se kako kod starijih tako i kod mlađih pacijenata. Glavna karakteristika ovog tremora je njegovo dramatično povećanje ili smanjenje kada je pacijent rastrojen.

10

3 Elektroencefalografija Akvizicija signala i slika sa ljudskog tela su najznačajniji deo rane dijagnostike kod mnogih bolesti.

Prikupljeni signali mogu oslikavati morfološke karakteristike organizma, organa ili tkiva (što je pre svega domen medicinskog slikanja: CT, MRI), ali mogu pružiti i značajan uvid u fiziološke procese odnosno funkcionalne promene u organizmu tokom snimanja.

Elektroencefalografija (EEG) je neinvazivna tehnika snimanja osetljiva na promene električnih polja generisanih tokom neuralne aktivnosti. Reč elektroencefalogram potiče od grčkih reči enkephalo (mozak) i graphein (pisati). Prvi encefalogram sa površine skalpa čoveka snimljen je od strane Hansa Bergera 1929. Ubrzo je otkriveno da EEG signali mogu biti odraz fizioloških stanja kao što su budnost i spavanje. EEG snimljen u odsustvu spoljnih stimulusa naziva se spontani EEG, dok se, ukoliko je generisan kao odgovor na spoljni ili unutrašnji stimulus naziva event‐related potential (ERP), ili potencijal vezan za događaj. Novija istraživanja su otvorila dalje mogućnosti: usrednjavanjem stotina kratkih sekvenci EEG signala, dobijenih ponavljanjem istog zadatka, postalo je moguće ispitivanje reakcija na različite nadražaje. Amplituda normalnog EEG‐a, kada je ispitanik u budnom stanju, je 10‐100 μV. EEG se može meriti i elektrodama postavljenim direktno na korteks (invazivnim metodama) i u tom slučaju se često naziva elektrokortikogram (ECoG). Električna polja izmerena intrakortikalno nazivaju se local field potentials (LFP), ili potencijali lokalnih polja, a amplitude ovako izmerenih signala su u opsegu 500‐1500 μV.

Aktivnosti nervnih ćelija (neurona) i njihovih spojeva (sinpasi) dovode do generisanja električne struje. Ove struje generišu magnetno polje merljivo putem magenetoencefalografije (MEG) i sekundarno električno polje preko skalpa merljivo EEG sistemima. Funkcionalne i fiziološke promene u mozgu mogu se registrovati putem EEG, MEG snimanja ili funkcionalne magnetne rezonance (fMRI). Primena fMRI u odnosu na EEG i MEG ograničena je zbog niske vremenske rezolucije (npr. dva frejma u sekundi), visoke cene i nemogućnosti registrovanja određenih mentalnih aktivnosti, moždanih poremećaja i disfunkcija usled njihove zanemarljive povezanosti sa prokrvljenošću i oksigenacijom moždanih struktura (dok su EEG i MEG posledica istih neurofizioloških procesa i direktna su mera električne aktivnosti mozga). Međutim, kod EEG i MEG snimanja postoje ograničenja prostorne rezolucije usled ograničenog broja elektroda za snimanje (EEG) ili senzora (SQUID – Superconducting Quantum Interference Devices, kod MEG) pa se neke od ovih metoda koriste istovremeno radi prevazilaženja problema prostorno‐vremenske rezolucije.

3.1 Generisanje EEG­a (neurološka osnova) Dve osnovne klase moždanih ćelija su: neuroni (slika 2) i glija ćelije. Kod oba tipa ćelija, potencijal

mirovanja je približno ‐80 mV, sa negativnom vrednošću unutrašnjosti ćelije u odnosu na njenu spoljašnjist. Razlika potencijala duž ćelijske membrane proizvod je razlike u koncentraciji katjona: K+, Na+, anjona Cl‐ i krupnih organskih anjona. Ca++ joni su manje prisutni ali imaju važnu regulatornu ulogu. Potencijalna razlika se održava aktivnim transportom katjona K+ u unutrašnjost ćelije i Na+ u spoljašnjost (Na‐K pumpa) i drugim mehanizmima, koristeći energiju dobijenu iz metaboličkih procesa.

11

Električna aktivnost neurona manifestuje se generisanjem akcionih potencijala i postsinaptičkih potencijala. Akcioni potencijali se javljaju kada električna ekscitacija membrane prelazi prag. Generisanje akcionih potencijala je povezano sa naglim povećanjem propustljivosti membrane za jone Na+. Njihov priliv u ćeliju izaziva nagli porast potencijala unutar ćelije i promenu polariteta unutrašnjosti neurona u odnosu na spoljašnjost iz negativnog u pozitivni (oko +30 mV). Naknadno povećanje propustljivosti membrane za K+ jone i pad propustljivosti za Na+ jone čini unutrašnjost ćelije ponovo negativnom u odnosu na okolni medijum (dolazi do povratka ćelije u ravnotežno stanje). Akcioni potencijal je karakterističnog šiljatog oblika (trajanja oko 1 ms) i generiše se po pravilu „sve ili ništa“ tj. za stimuluse iznad vrednosti praga nastaje impuls konstantne amplitude, dok se za vrednosti ispod praga ekscitacije neuron ne aktivira.

Postsinaptički potencijali su vezani za fenomene koji se javljaju na postsinaptičkoj membrani. Kada akcioni potencijal stigne do sinapse (slika 3), dolazi do stvaranja hemijske supstance zvane transmiter koja izaziva promenu u propustljivosti postsinaptičke membrane sledećeg neurona. Kao rezultat, joni prolaze kroz membranu i stvara se razlika potencijala duž membrane. Kada se negativni naboj unutar neurona smanjuje (npr. ulaskom Na+ jona), mogućnost aktivacije se povećava i generiše se ekscitatorni postsinaptički potencijal. Inhibitorni postsinaptički potencijal se javlja kada se negativni naboj unutar neurona povećava i neuron postaje hiperpolarizovan. Za razliku od akciononog potencijala, postsinaptički potencijali su graduisani i njihove amplitude su proporcionalne količini izlučenog transmitera koja zavisi od ekscitacije ulaznog neurona sinapse. Tipične amplitude postsinaptičkih potencijala su 5‐10 mV a vreme trajanja 10‐50 ms. U cilju postizanja ekscitacije iznad praga, amplitude velikog broja postsinaptičkih potencijala moraju se superponirati u somi neurona. Neuron može imati vrlo razgranatu strukturu, praveći do 10000 sinaptičkih spojeva sa ostalim neuronima (u ljudskom mozgu ima oko 1011 neurona).

Električna aktivnost neurona generiše struje duž ćelijske membrane u unutar‐ i izvanćeliskom prostoru, stvarajući električno polje slično onom od električnog dipola. Makroskopsko posmatranje ovog električnog polja zahteva sinhronizaciju električne aktivnosti velikog broja dipola orjentisanih paralelno. Zaista, piramidalne ćelije moždane kore su u velikoj meri paralelne i štaviše sinhronizovane su svojstvom zajedničkog napajanja iz talamo‐kortikalnih veza. Uslov sinhronizacije se ispunjava putem postsinaptičkih potencijala koji su relativno dugog trajanja. Doprinos akcionih potencijala ekstra‐kranijalno merenom električnom polju je zanemarljiv. EEG je posledica sumiranja sinhrono generisanih postsinaptičkih potencijala. Doprinos električnom polju od strane neurona sa sinhronom aktivacijom je približno srazmeran njihovom broju, a od onih koji deluju asinhrono kvadratnom korenu njihovog broja.

Problemu porekla ritmične aktivnosti EEG‐a se pristupa putem elektrofizioloških studija na nervnim ćelijama i modeliranjem električne aktivnosti neuronskih populacija. Pri tome se javlja pitanje da li su ritmovi izazvani od strane pojedinačnih ćelija, koje imaju svojstvo davaoca ritma, ili oscilovanjem neuralnih mreža. Generalno je prihvaćeno mišljenje da kooperativna (združena) svojstva mreža koje se sastoje od ekscitatornih i inhibitornih neurona povezanih povratnim petljama igraju glavnu ulogu u uspostavljanju EEG ritmova. Frekvencija oscilovanja zavisi od unutrašnjih svojstava membrane, membranskog potencijala individualnih neurona i od snage sinaptičkih interakcija.

12

U prošlosti, uloga EEG‐a u obradi informacija nije bila u potpunosti prepoznata. Međutim, postoje jaki dokazi da koherentne oscilacije populacije neurona u određenim frekvencijskim opsezima mogu biti osnovni mehanizam za „povezivanje odlika“ u vizuelnom sistemu (tzv. feature binding – način na koji mozak kombinuje sve specifične odlike objekta i daje njegovu uniformnu sliku). Ovo zapažanje nije ograničeno samo za vizuelni sistem i čini se da sinhronizovana oscilatorna aktivnost pruža efikasan način prelaska moždanog sistema u različita stanja i da uzrokuje kvalitativni prelaz između različitih režima obrade informacija. Na ovaj način grupe neurona sa sličnim dinamičkim funkcionalnim stanjem se mogu formirati pomažući perceptivne procese. Takođe je postulirano da uloga sinhronizovane oscilatorne EEG aktivnosti u alfa i teta opsegu služi kao mehanizam propuštanja protoka informacija kroz mrežu. Naleti oscilatorne aktivnosti (oscillatory bursts) mogu predstavljati mehanizam na koji mozak reguliše promene stanja u određenim neuralnim mrežama i menja puteve informacija [2].

Slika 3 ‐ Skica piramidalne ćelije ljudskog motornog korteksa.

13

Slika 4 ‐ Skica sinapse i postsinaptičkog potencijala.

3.2 EEG ritmovi Električni signal koji potiče od spontane aktivnosti mozga, u mirovanju je promenljiv i neregularan, i

svrstava se u kontinualne stohastičke signale. Istovremeno, postoje karakteristični ritmovi u signalu koji su uslovljeni stanjem ispitanika za vreme snimanja kortikalne aktivnosti (npr. mirovanje i zatvorene oči, mirovanje i otvorene oči, dremljivost, spavanje itd.) i ova pravilnost se koristi kako u dijagnostici tako i u različitim EEG studijama [2].

Slika 5 – Motorne i senzorne oblasti kore velikog mozga kod čoveka, pogled sa leve strane. Radi bolje preglednosti leva i desna hemisfera su iscrtane sa malim razmakom.

14

Slika 6 – Karakteristični EEG ritmovi, odozgo na dole: δ (0.5‐4 Hz), θ (4‐8 Hz), α (8‐13 Hz), β (13‐30 Hz). Donji grafik: EEG u toku epileptičkog napada, primetiti da je amplitudska skala veća za red veličine.

Pod EEG ritmovima podrazumevaju se karakteristični frekvencijski opsezi u spektru EEG signala, čije se pojavljivanje (dominacija) pridružuje određenim psihofizičkim stanjima pacijenta i to su (slika 5):

• Delta ritam (0.5‐4 Hz) je najdominantnija karakteristika EEG‐a snimljenog u toku spavanja. U tom stanju, delta talasi obično imaju velike vrednosti amplituda (75‐200 μV) i pokazuju jaku povezanost po celoj površini skalpa.

• Teta ritmovi (4‐8 Hz) se retko javljaju kod odraslih ljudi. Ovi talasi su karakteristični za merenje iznad parijetalnog i temporalnog režnja korteksa kod dece a kod odraslih ljudi, aktivnost u teta opsegu može se javiti u određenim emotivnim (stres, frustracije razočarenje) ili kognitivnim stanjima a može se još povezati i sa usporenjem alfa ritmova usled patologije.

• Alfa ritam (8‐13 Hz) dominira u budnom stanju, u mirovanju i najizraženiji je u zadnjim regionima glave. Najprimetniji je kada je ispitanik u opuštenom stanju, sa zatvorenim očima. Alfa aktivnost se blokira ili prigušuje povećanom pažnjom (posebno vizuelnom) i pri mentalnim naporima. Frekvencijski opseg alfa talasa u cilju određenih analiza možemo podeliti na niži alfa (8‐11 Hz) i

15

viši alfa (11‐13 Hz) opseg. Mi ritam (9‐11 Hz) spada u frekvencijski opseg alfa talasa ali njegova topografija i fiziološki značaj se razlikuju u odnosu na alfa ritam. Ovi talasi se vezuju za funkcije motornog korteksa (slika 4) i preovlađuju u centralnom delu glave. Mi ritam se blokira pri izvršenju motornih radnji.

• Beta ritam (13‐30 Hz) je karakterističan za stanja fokusiranosti i povišene pažnje što je pokazano u nekoliko studija sa životinjama i ljudima. Beta opseg se takođe često deli na beta I i beta II. Beta I talasi imaju učestanost koja je približno dva puta veća od alfa talsa i javljaju se pri mentalnim aktivnostima. Beta II talasi pojačavaju se pri mentalnim aktivnostima ili u stanju napetosti (stresa).

• Gama ritmovi (> 30 Hz) se vezuje za obradu informacija (npr. prepoznavanje senzornog stimulusa) i inicijaciju voljnih pokreta. Uopšteno, može se izvesti zaključak da su spori kortikalni ritmovi vezani za stanja mirovanja, a najbrži za procesiranje informacija.

3.3 Akvizicija EEG signala EEG signali se prikupljaju kapacitivno, malim elektrodama oblika diska pričvršćenim na skalp

pomoću kontaktnog gela (paste). Elektrode se nakon snimanja mogu lako skinuti a gel ukloniti pranjem. EEG signal se uobičajeno snima na više lokacija istovremeno, sa po jednom elektrodom na svakoj od lokacija (izraz “kanal” se često upotrebljava, i odnosi se na poziciju elektrode pri snimanju). Analogni EEG sistemi sastoje se iz elektroda za snimanje, seta diferencijalnih pojačavača (po jedan na svaka 2 kanala) praćenih filtrima i iglama za iscrtavanje. Na ovaj način se višekanalni EEG može iscrtati na papiru. Ubrzo, nakon izlaska analognih sistema na tržište, istraživanja su krenula u pravcu pronalaska kompjuterizovanog sistema koji bi mogao da digitalizuje i čuva podatke, a to zahteva odabiranje (diskretizaciju), kvantizaciju i enkodiranje signala. Sa brojem elektroda raste i obim podataka (u pogledu broja bita). Kompjuterizovani sistemi u tom smislu dozvoljavaju promenljiva podešenja parametara akvizicije, a neki su opremljeni i softverskim alatima za procesiranje EEG signala. Na slici 6 dat je blok dijagram snimanja jednog EEG kanala.

16

Slika 7 – Blok dijagram snimanja na jednom EEG kanalu. Diferencijalni pojačavač meri potencijalnu razliku između dve elektrode (jedna od njih se proglašava referentnom). Analogni filtri i podesivi pojačavač pripremaju signal za analogno‐digitalnu konverziju i skladištenje (donja putanja). Pre proboja digitalnih medijuma, EEG se skladištio na papiru (gornja putanja) (preuzeto iz [2]).

Konverzija iz analognog u digitalni EEG se izvodi pomoću višekanalnog analogno‐digitalnog konvertora. Povoljna okolnost je ta da je efektivni propusni opseg (bandwidth) za EEG signale ograničen na otprilike 100Hz. Za mnoge primene, ovaj opseg se može smanjiti čak na polovinu ove vrednosti. Stoga, minimalna frekvencija od 200 odbiraka/s (radi zadovoljenja Nikvistovog kriterijuma) je dovoljna za odabiranje EEG signala [3]. Međutim, u određenim primenama, posebno za analizu u frekvencijskom domenu, potrebne su frekvencije odabiranja od 2000 odbiraka/s i više.

U cilju očuvanja dijagnostičkih informacija, kvantizacija EEG signala je uobičajeno vrlo fina. Reprezentacija svakog odbirka signala sa do 16 bita je najčešće korišćena u sistemima za EEG snimanja [3]. To uslovljava veliki memorijski prostor za arhiviranje podataka, posebno u slučaju ispitivanja spavanja i monitoringa epileptičkih napada. Međutim, uopšteno gledajući, količina memorije potrebna za arhiviranje radioloških i drugih medicinskih slika je često mnogo veća nego ona korišćena za čuvanje EEG signala. Jednostavan proračun pokazuje da za jedan sat snimanja 128‐kanalnog EEG‐a, sa frekvencijom odabiranja od 500 odbiraka/s, potreban je memorijski prostor od 128 (elektroda) x 1 (sat) x 60 (minuta/sat) x 60 (sekundi/minutu) x 500 (odbiraka/sekundi) x 16 (bita) ≈ 3.68 Gbita ≈ 0.45 Gbajta. Zbog toga, za duža snimanja velikog broja pacijenata, trebalo bi obezbediti dovoljno jedinica za skladištenje u vidu prenosivih hard diskova, DVD‐jeva itd.

Pri merenjima je neophodno da predpojačavač ima veliki faktor potiskivanja zajedničkog signala

(CMRR > 120 dB), i veliku ulaznu impedansu (Z > 10 MΩ za diferencijalni signal i Z > 100 MΩ za zajednički signal). Pri snimanju je pogodno eliminisati smetnje koje potiču od okruženja, pa se može meriti u prostoru koji sprečava dejstvo okoline (Faradejev kavez). Današnja tehnologija i primena pojačavača koji su na bazi CMOS tehnologije smanjuju potrebu za snimanjem u posebnim prostorijama [4].

17

3.3.1 Elektrode Elektrode za snimanje EEG‐a i njihovo ispravno funkcionisanje su od krucijalnog značaja za kvalitetnu

akviziciju podataka. Različiti tipovi elektroda se često koriste u sistemima za EEG snimanja kao što su:

• elektrode za jednokratnu upotrebu (sa i bez gela)

• disk elektrode za višekratnu upotrebu (zlatne, srebrne, od nerđajućeg čelika ili limene)

• trake za glavu ili kape sa elektrodama

• elektrode na bazi rastvora soli

• iglene elektrode

Za primenu većeg broja elektroda za višekanalna snimanja, korišćenje EEG kapa je od velike pomoći. Često korišćene elektrode na skalpu sastoje se iz Ag‐AgCl diskova, manjih od 3 mm u prečniku, sa dugim fleksibilnim provodnicima koji se mogu priključiti na pojačavač. Rastojanje između susednih elektroda je obično u rasponu od jednog do nekoliko centimetara a dostupne EEG kape mogu snimati na 128 kanala i više. Vreme potrebno medicinskom tehničaru da pripremi ispitanika za snimanje je od 10 do 60 minuta i zavisi od broja elektroda koji se primenjuje.

EEG snimanja imaju jako visoku vremensku rezoluciju ali i nedostatke usled postojanja slojeva između kože skalpa i korteksa (kost lobanje, moždana opna i intra‐kortikalna tečnost – slika 7). Ovi slojevi se ponašaju kao filter propusnik niskih učestanosti za električna polja koja se snimaju, što dovodi do odsecanja frekvenciskog sadržaja na oko 100 Hz. Osim toga, ovi slojevi se ponašaju i kao prostorni nisko propusni filter. Prostorna rezolucija stoga nije isključivo ograničena rastojanjem između elektroda već i dodatno usled efekta “razmazivanja”. Zbog činjenice da velika vrednost impedanse između korteksa i elektroda kao i da elektrode visoke impedanse mogu dovesti do distorzije signala, komercijalni EEG sistemi često su opremljeni sa monitorima impedanse. Radi postizanja zadovoljavajućih uslova, impedanse elektroda moraju biti ispod 5 kΩ i biti izbalansirane na do 1kΩ međusobno [3]. Za pouzdanija merenja, impedanse se proveravaju nakon svakog ponavljanja eksperimenta.

18

Slika 8 – Tri glavna sloja oko mozga, uključujući aproksimativne vrednosti njihove otpornosti i debljine (preuzeto iz [3]).

3.3.2 Konvencionalno pozicioniranje elektroda Međunarodna federacija društava za encefalografiju i kliničku neurofiziologiju je predložila

konvencionalnu postavku elektroda (koja se još naziva 10‐20 sistem), za 21 elektrodu (isključujući elektrode na ušnim školjkama) što je prikazano na slici 8 [3]. Često se elektrode na ušnim školjkama nazivaju A1 i A2, za levo i desno uvo, respektivno, i koriste se kao referentne elektrode. 10‐20 sistem izbegava postavljanje oko oba oka i razmatra određena konstantna rastojanja korišćenjem specifičnih anatomskih obeležja od kojih bi se merenja vršila, a zatim koristi 10 ili 20% tog specifičnog rastojanja za udaljenost pojedinačnih elektroda. Neparne elektrode su sa leve a parne sa desne strane. Slova F, C, T, P i O u nazivima elektroda (slika 8) označavaju početna slova zona korteksa iznad kojih se one nalaze: frontalna, centralna, temporalna, parijetalna i ocipitalna, respektivno. Za korišćenje većeg broja elektroda u okviru konvencionalnog sistema, ostatak elektroda se umeće između, na prethodno opisani način postavljenih elektroda, tako da su dodatne elektrode jednako udaljene jedne od drugih. Dodatne elektrode se nekad koriste i za merenje elektrookulograma (EOG), elektrokardiograma (EKG) i EMG‐a mišića lica, čela i očnih jabučica. Kod određenih specifičnih primena kao što je BCI, može se koristiti samo nekoliko kanala. Kod ovakvih primena, međutim, pozicija odgovarajućih elektroda mora biti dobro determinisana. Na primer, C3 i C4 se mogu koristiti za detekciju pokreta prstiju desne i leve ruke, dok se P3 i P4 mogu koristiti pri snimanju P300 signala (vizuelni evocirani potencijali) [3].

19

Slika 9 – Konvencionalno pozicioniranje 21 EEG elektrode prema 10‐20 sistemu (preuzeto iz [3]).

3.3.3 EEG montaže (konfiguracije) EEG signal je mera potencijalne razlike između elektroda i može biti meren unipolarno (u odnosu na

referentnu elektrodu) i bipolarno (između pojedinih elektroda), (slika 9). Za unipolarno merenje treba odabrati lokaciju na koju se postavlja referentna elektroda. To su najčešće sledeće lokacije: ušna školjka, nos, mastoid, brada, vrat, ili centar skalpa. Ne postoji univerzalna saglasnost po pitanju najbolje pozicije referentne elektrode jer struje koje potiču od bioelektrične aktivnosti mišića, srca ili mozga propagiraju širom ljudskog tela. Kod bipolarne konfiguracije, svaki kanal registruje potencijalnu razliku između dve određene elektrode na skalpu. Koja god da se konfiguracija primenjuje na kožu ispitanika se postavlja i elektroda za uzemljenje (ground) kojom se on dovodi na uzemljenje samog EEG uređaja. Podaci snimljeni unipolarno mogu se lako transformisati u bipolarne, oduzimanjem signala sa željenih kanala, radi prikazivanja ili daljeg procesiranja. Montaža „u odnosu srednju vrednost“ može se dobiti oduzimanjem od svakog kanala srednju vrednost svih preostalih kanala. Takođe, može se odrediti razlika pojedinačnog kanala i težinske sume četiri njemu susedne elektrode, što predstavlja aproksimaciju Laplasove transformacije. Laplasova transformacija se računa kao drugi prostorni izvod signala, dajući informaciju o vertikalnoj gustini struje. Za najbolji učinak, zahteva se adekvatno prostorno odabiranje – rastojanje između elektroda oko 20 mm (npr. 128 elektroda na skalpu). U procenama na bazi Laplasove transformacije ivične elektrode na periferiji skalpa moraju biti zanemarene.

20

_+

A1 A2

T4

T6

O2

F8

Fp2

_+

_+

_+

_+

T4

T6

O2

F8

Fp2

_+

_+

_+

_+

_+

T4

T6

O2

F8

Fp2

_+

_+

_+

_+

F8Fp2

T4F8

T4 T6

T6 O2

Fp2

F8

T4

T6

O2

Fp2

F8

T4

T6

O2

A

B

C

Slika 10 – Prikaz veza za A) bipolarna merenja, B) unipolarna merenja u odnosu na srednju vrednost, i C) unipolarna merenja u odnosu na referentnu tačku (preuzeto iz [4]).

3.4 Otklanjanje artefakata Artefakti kod EEG‐a se uobičajeno (u kliničkoj praksi) obrađuju odbacivanjem zahvaćenih

segmenata signala. Najjednostavniji pristup je da se odbaci (izbriše) segment fiksne dužine (npr. jedna sekunda) od trenutka detekcije artefakta. Prepoznavanje artefakata treptanja i pokreta očnih jabučica (elektrookulogram – EOG) se obično ostvaruje detektovanjem porasta napona EOG kanala iznad određenog praga, (uobičajeno 100 μV). Ostali artefakti se uglavnom ignorišu ili manuelno obeležavaju od strane tehničara i odbacuju pri analizi. Odbacivanje segmenata signala može značajno smanjiti količinu podataka za analizu, pogotovo ukoliko se raspolaže ograničenom količinom podataka. Takođe, kod on‐line primene, otklanjanje segmenata inspekcijom signala nije moguće i proces otklanjanja se mora automatizovati (pri čemu je i dalje moguće primeniti najjednostavniji pristup detekcije iznad

21

praga). Jedno od potencijalnih rešenja za otklanjanje artefakata je analiziranje njihovih frekvencijskih karakteristika i filtriranje EEG signala radi njihovog uklanjanja. Međutim, frekvencijski sadržaj većine artefakata se poklapa sa nekim od EEG ritmova pa bi filtriranje dovelo do značajnih gubitaka informacija u signalu.

3.4.1 Regresiona Analiza Jedan od pristupa koji se koristi za otklanjanje očnih artefakata iz EEG signala je regresiona analiza u

vremenskom i frekevencijskom domenu. Otklanjanje artefakata ovom metodom sprovodi se oduzimanjem snimljenog EOG signala od signala sa svake EEG elektrode. Ovaj proces je poboljšan uvođenjem faktora propagacije koji skalira EOG pre oduzimanja. Postupak se može opisati sledećim jednačinama:

)()()( iEOGiEEGoiEEGr γ+= i=1,2,...,N

Signali su dužine N tačaka, gde je su EEGr i EEGo snimljeni signal i originalni EEG (bez prisustva šuma), a γ faktor propagacije.

Korelacija R, sa nultim razmakom od EOG i snimljenog EEG‐a data je u jednačini:

)()(R1

iEOGiEEGN

ir ⋅= ∑

=

Kombinovanjem 2 prethodne jednačine dobijamo novi izraz za korelaciju:

)()()(R1

2

1iEOGiEOGiEEG

N

i

N

io ∑∑

==

+⋅= γ

Izjednačavanjem 2 poslednja izraza za R, uz uslov da je 01

=⋅∑=

EOGEEGN

io , možemo odrediti faktor γ,

što je dato u jednačini:

)(

)()(

1

2

1

iEOG

iEOGiEEG

N

i

N

ir

∑

∑

=

=

⋅=γ

Ovaj koncept je jednostavan za implementaciju ali je baziran na pretpostavkama koje ne moraju

nužno biti ispravne. Jedna od njih je da su EEG i EOG nekorelisani i da je izmereni EEG samo linearna kombinacija stvarnog EEG‐a i očnih artefakata. Međutim, EOG elektrode snimaju i moždanu aktivnost pre svega frontalnog režnja, što ukazuje na to da oduzimanjem dolazi do neželjenog efekta distorzije EEG‐a, uklanjanjem relevantnih podataka. Međutim, u okviru ove studije relevantni su podaci sa ograničenog skupa elektroda iznad motornog korteksa (pre svega C3, C4, Cz) dok se signali sa ostalih elektroda, pa tako i oni sa frontalnog režnja, ne koriste u analizi, tako da prethodna činjenica ne bi trebalo da ima značajne posledice u vidu uklanjanja bitnih informacija iz EEG signala.

22

4 Cilj rada U uvodu je napomenuto da je cilj ovog rada razvoj metode za detekciju voljnih pokreta iz EEG

signala pacijenata sa tremorom. Detekcija voljnog pokreta predstavlja prvi korak algoritma za inteligentnu detekciju tremora na bazi BCI. Pod detekcijom tremora podrazumeva se određivanje amplitude i frekvencije nevoljnih ritmičnih oscilacija posmatranih delova tela, u ovom slučaju ruku. Nacrt algoritma za detekciju tremora na bazi BCI prikazan je na slici 10.

Slika 11 – Princip detekcije tremora na bazi BCI.

Potencijalna primena algoritma za automatsku detekciju tremora na bazi BCI, je u okviru sistema za supresiju tremora putem FES. Glavni razlog za uvođenje BCI u proces detekcije tremora je potreba da se reši pitanje trigera stimulacije.

Dugotrajna funkcionalna električna stimulacija, koja je neizbežna kod primena ovakvog tipa, može imati negativne efekte u vidu neprijatnog osećaja, bola i zamora mišića. Zbog toga se nameće se pitanje optimizacije FES u pogledu vremena korišćena. Dakle, potreban je metod inteligentne procene situacija u kojima je stimulacija neophodna.

Iako je u okviru projekta planirana mogućnost supresije više tipova tremora kao što su tremor u mirovanju ili tremor pri svrsishodnim pokretima (poglavlje 2.1), sa promenom svakodnevnih okolnosti menja se i potreba korisnika za supresijom različitih tipova tremora. Na primer, u određenim socijalnim situacijama u kojima pojava tremora može biti izvor socijalne neprijatnosti bila bi poželjna supresija svih tipova tremora dok bi u privatnom okruženju to bilo nepotrebno, već bi se stimulacija mogla vršiti isključivo pri izvođenju voljnih pokreta tj. kao podrška u svakodnevnim aktivnostima korisnika.

Međutim, upravo prisustvo tremora pri svrsishodnim pokretima (pokreti ruku, kao što su uzimanje vode ili hrane, pisanje itd.) predstvalja osnovni funkcionalni invaliditet osoba sa tremorom, za koji je potencijalno rešenje FES. Zbog toga je detekcija voljnih pokreta jedan od bitnih koraka u procesu supresije tremora.

Zadatak algoritma za detekciju tremora na bazi BCI je da automatski detektuje isključivo tremor koji se javlja pri izvršenju voljnih (svrsishodnih) pokreta, a da zanemaruje tremor u mirovanju (ukoliko drugačije nije zadato). To može predstavljati težak zadatak ukoliko se automatska detekcija vrši senzorima koji detektuju pomeranje zglobova ili segmenata ruke (inercijalni senzori) ili primenom elektromiografije. Zbog toga se uvodi BCI kao potencijalno rešenje ovog problema jer je u mnogim

23

studijama pokazano da se inicijacija voljnog pokreta tj. namera da se izvrši pokret može uspešno detektovati u promenama električne aktivnosti mozga [7].

Algoritam za inteligentnu detekciju tremora na bazi BCI predviđen u okviru TREMOR projekta funkcioniše na sledeći način. Iz EEG signala snimljenih u oblasti motornog korteksa, vrši se automatska detekcija inicijacije voljnog pokreta. U trenutku detekcije voljnog pokreta korisnika, pokreće se deo algoritma za detekciju tremora iz signala sa inercijalnih senzora (akcelermetri i žiroskopi). Na osnovu informacija o karakteristikama tremora (amplituda i frekevencija) koje pružaju ovi senzori, određuju se parametri za FES.

5 Detekcija voljnog pokreta iz EEG signala

5.1 Potencijali vezani za pokret (movement­related potentials – MRP) Još 1960‐tih, Kornhuber i Deecke (1965) i Gilden sa saradnicima (1966) uočili su da kod EEG signala

snimljenim na ljudima postoji spor pomeraj amplitude signala ka negativnim vrednostima potencijala bar 500 ms prethodno voljnom pokretu i taj potencijal je prvo definisan kao bereitschaft potential (BP) ili readiness potential (RP), ili prevedeno: „potencijal spremnosti“. Nešto kasnije, Deecke i saradnici (1976) su zapazili još jedan negativni potencijal u okviru originalnog RP, koji su nazvali motorni potencijal (motor potential – MP). MP se javlja otprilike 150 ms pre početka voljnog pokreta i smatra se da je vezan za njegovo izvršavanje dok se RP (ili rani RP u skladu sa originalnim opisom) povezuje sa procesom planiranja pokreta. Treća komponenta originalnog RP koja je uočena, naziva se potencijal nadgledanja pokreta (movement‐monitoring potential – MMP), i predstavlja kompleksnu promenu potencijala od negativnih ka pozitivnim vrednostima koja se javlja nakon početka voljnog pokreta i smatra se da je vezana za kontrolu preciznosti izvođenja (Kristeva i saradnici 1979.). Movement‐related potential (MRP) je termin koji se koristi za definisanje serije potencijala (RP, MP i MMP) koji se javljaju pri voljnim pokretima (što je isprva definisano samo kao BP odnosno RP).

Na slici 11 prikazana je idealizovana šematska prezentacija tipičnog MRP‐a. EEG signali sa slike snimljeni su u toku pokreta leve ruke, što je praćeno većim pikom na kontralateralnoj strani mozga 100 ms nakon početka pokreta. Vremenska osa je skalirana tako da nula označava događaj tj. početak pokreta (ta konvencija je prihvaćena i u okviru ovog rada). Takođe, obratiti pažnju na suprotan smer y‐ose (na gornjoj strani su negativne a na donjoj pozitivne vrednosti). Kao što je prikazano, tipična maksimalna amplituda MRP‐a je 10 μs i ona odgovara negativnom piku u trenutku početka voljnog pokreta [15].

24

Slika 12 – Prikaz tipičnog oblika MRP‐a. Nula označava početak pokreta (preuzeto iz [19]).

5.1.1 Odlike MRP kod single­trial EEG­a Single‐trial EEG snimak podrazumeva pojedinačni pokušaj izvođenja nekog zadatka. To istovremeno

predstavlja i najadekvatniji primer realne situacije u kojoj bi se neki asistivni uređaj na bazi EEG signala mogao koristiti. Zbog toga je krajnji cilj većine metoda za analizu EEG signala upravo detekcija određenih obrazaca u signalu na single‐trial bazi. Takve metode mogu imati svoju direktnu on‐line primenu. Direktna primena MRP u sistemima baziranim na BCI‐u je ograničena niskim odnosom signal‐šum koji karakteriše elektroencefalografske signale (‐20 dB). Takođe, implementacija BCI sistema zahteva razumno veliku brzinu prenosa informacija, što u slučaju pokreta znači izvršenje komande trenutno ili u kratkom vremenskom intervalu (< 1 s) nakon „želje za pokretom“. Ovaj uslov nameće potrebu za brzom ekstrakcijom smislenih obeležja MRP‐a u okviru samo jednog pokušaja izvršenja zadatka (tj. u realnom vremenu). U mnogim studijama, odlike MRP su statistički ispitivane, metodom usrednjavanja velikog broja pojedinačnih ponavljanja istog zadatka (back averaging metod). Usrednjavanja se vrše na 20 do 100 ili više ponavljanja. Svrha usrednjavanja je povećanje odnosa signal‐šum, ali takva procedura iz očiglednih razloga ne može se primeniti kod BCI sistema kod kojih odziv na pobudu mora biti brz.

5.2 Oscilacije moždane aktivnosti vezane za događaj (event­related synchronization/desynchronization)

Senzorni, motorni, kognitivni i emotivni procesi mogu uticati na tekuću EEG aktivnost smanjenjem ili povećanjem sinhronog delovanja neuronskih struktura (populacija) ispod merne lokacije, pa se moždana aktivnost na taj način može kvantifikovati. Smanjenje/povećanje amplituda kortikalnih ritmova kao posledica unutrašnjih ili spoljnih pobuda se naziva respektivno desinhronizacija /sinhronizacija vezana za događaj (event‐related desynchronization/synchronization – ERD/ERS) [5]. Takođe, postoji veza između voljnih pokreta i promena ritmičke aktivnosti korteksa, i za te promene je dokazano da se javljaju pre, u toku i nakon izvršenja pokreta (ovo važi i za zamišljene pokrete). Ovi fiziološki fenomeni vezani su za pripremanje (planiranje), zamišljanje i nadgledanje voljnih pokreta. Oscilacije moždanih ritmova vezane za motorne radnje se uglavnom karakterišu promenama njihovih spektralnih gustina snage u određenim frekvencijskim opsezima i najizraženije su u motornom korteksu. Prethodne studije [5] pokazuju da izvršenje voljnog pokreta ima za posledicu desinhronizaciju u frekvencijskim ospezima

25

alfa i beta EEG ritmova. U skladu sa prethodno navedenim, npr. alfa/beta ERD predstavlja smanjenje spektralne snage alfa/beta opsega pre i u trenutku početka voljne motorne radnje u odnosu na stanje mirovanja, dok bi alfa/beta ERS bilo ponovno povećanje spektralne snage alfa/beta frekvencijskog opsega nakon izvršene motorne radnje povratkom u mirno stanje.

5.2.1 Kvantifikacija ERD/ERS Klasični pristup kvantifikaciji i vizuelizaciji ERD/ERS je izračunavanje i prikazivanje vremenskih

tokova (fluktuacija) snaga određenih frekvencijskih opsega (Pfurtscheller i Aranibar, 1977; Kalcher i Pfurtscheller, 1995). Tipična ERS/ERD analiza zahteva ispitivanje brojnih kanala i frekvencijskih opsega za svakog ispitanika. Čak i za skroman skup subjekata, kanala i frekevencijskih opsega, broj vremenskih tokova generisanih klasičnim pristupom postaje znatno veliki što detaljnu analizu čini zametnom. Bolja alternativa su vremensko‐frekvencijske prezentacije (prikazi) koji mogu pružiti sveobuhvatan pregled aktivnosti u širokom opsegu frekvencija. Ovaj pristup može značajno olakšati ERD/ERS analizu. Brojne metode na bazi Furijeove transformacije, kontinulane wavelet transformacije ili vremenski promenljivih AR modela se koriste u svrhu kvantifikacije ERD/ERS [5]. Bez obzira koji se metod koristi, mora se sprovesti i odgovarajuća statistička analiza radi provere ispravnosti dobijenih zaključaka jer EEG obrasci izvedeni iz podataka moraju imati statistički značaj.

ERD/ERS analiza takođe zahteva odgovarajuće predprocesiranje moždanih signala radi pojačanja prisutnih obrazaca. To je posebno značajno za EEG merenja, kod kojih je aktivnost na određenim mernim lokacijama rezultat delovanja brojnih izvora na relativno velikoj zapremini mozga. Usled zapreminske provodnosti kroz lobanju, skalp i ostale slojeve, snimljeni EEG se može posmatrati kao “zamućena” kopija kortikalne aktivnosti struktura ispod merne lokacije. Radi prevazilaženja ovog problema, na raspolaganju su jednostavni prostorni filtri na bazi zajedničke referentne tačke (common average reference) ili ortogonalne source derivacije koji se uobičajeno koriste u ERD/ERS analizi (Pfurtscheller, 1988). Sofisticiraniji prostorni filtri izvedeni iz linearnih transformacija kao što su independent component analysis i common spatial patterns su veoma obećavajući u pogledu poboljšanja prostorne rezolucije i odnosa signal‐šum EEG signala. Nacrt uspešne procene ERD/ERS sadrži sledeće korake: odgovarajuće predprocesiranje podataka, robusnu kvantifikaciju i pouzdanu statističku analizu.

Standardni ERS/ERD proračun definisan od strane grupe Pfurtscheller i Aranibar (1979) se zasniva na band‐pass filtriranju svakog trial‐a (u frekvencijskom opsegu od interesa), kvadriranju vrednosti amplituda odbiraka filtriranog signala i zatim kliznom usrednjavanju po odbircima radi dobijanja anvelope signala. Ovako obrađeni signali mogu se dalje usrednjavati i po trial‐ovima, zavisno od tipa analize. ERD/ERS se tada definiše kao proporcionalno smanjenje (ERD) ili povećanje (ERS) snage u odnosu na osnovnu aktivnost (baseline) tokom određenog referentnog intervala koji se obično bira nekoliko sekundi pre početka događaja. Kako evocirani potencijali mogu maskirati indukovane aktivnosti, često može biti od koristi oduzeti od vrednosti svakog odbirka njegovu srednju vrednost po

svim trial‐ovima. Matematički, procedura se može prikazati sledećim izrazima:

;)( 2jijij ssy −= ∑

=−=

N

iijj y

NP

111

26

∑+

+=

kr

rj

o

o

Pk

R1

1

%100⋅−

=R

RPERDS j

j

gde je N ukupni broj trial‐ova, sij je j‐ti odbirak i‐tog trial‐a band‐pass filtriranog signala a sj srednja vrednost j‐tog odbirka usrednjena po svim band‐pass filtriranim trial‐ovima. Pj je snaga ili varijansa između trial‐ova j‐tog odbirka. R je srednja snaga referentnog intervala [r0, r0+k].

Radi povećanja statističke pouzdanosti, ERD/ERS vrednosti moraju se usrednjiti i po vremenskim intervalima. Što je manji broj dostupnih trial‐ova, duži je vremenski interval usrednjavanja. Kod standardne ERD/ERS analize sa tipično 30‐80 trial‐ova, koriste se periodi usrednjavnja od 125 do 250 ms. Ovaj izbor ostaje fiksan za sve ispitivane frekvencijske opsege.

Na slici 12 prikazan je tipičan primer vremenskih tokova relativnih snaga određenih frekvencijskih opsega (levo) i vremensko‐frekvencijska prezentacija ERD/ERS (desno). Grafik levo‐gore predstavlja vremenski tok snage signala u opsegu frekvencija 13‐15 Hz dok grafik levo‐dole predstavlja vremenski tok snage signala u opsegu frekvencija 8‐10 Hz. Na y‐osi dva grafika sa leve strane je procentualno povećanje (pozitivne vrednosti), odnosno smanjenje (negativene vrednosti) snage pomenutih opsega u odnosu na referentni interval. Na y‐osi vremensko‐frekvencijskog grafika (desni deo slike 12) su centralne frekvencije svih frekvencijsih opsega, dok je na x‐osi vreme u sekundama. Rezultati sa slike 12 dobijeni su iz ECoG podataka snimljenih sa frekvencijom odabiranja od 200 Hz tokom voljnog pokreta kažiprsta. Na graficima, nula označava početak pokreta. Za referentni interval je međutim uzeto ukupno vreme trajanja trial‐a.

Slika 13 – Tipičan primer ERD/ERS prezentacija. Vremenski tok relativnih snaga (levo) i vremensko‐frekvencijska prezentacija (desno).

27

5.2.2 Brain­Computer Interface (BCI) Mozak‐računar interfejs (Brain‐Computer Interface – BCI) ili direktni moždani interfejs (Direct Brain

Interface – DBI) kako se nekada naziva, omogućava direktnu komunikaciju između mozga i eksternog uređaja. Asistivni uređaj prihvata komande direktno iz mozga ne zahtevajući fizički pokret. Krajnji cilj ovakvog interfejsa je omogućavanje efikasne komunikacije prihvatanjem komandi, direktno kodiranih u neurofiziološkim signalima. Za ljude sa „zaključanim“ (locked‐in) sindromom, nakon gubljenja celokupne voljne mišićne kontrole u kasnim stadijumima amiotropične lateralne skleroze ili mišiće distrofije, BCI bi mogao biti njihovo jedino sredstvo komunikacije sa okolinom [6]. Očigledno, mozak‐računar komunikacija može biti od suštinskog značaja za poboljšanje kvaliteta života ljudi sa tako ozbiljnim motornim hendikepom. Kod osoba sa „zaključanim“ sindromom i očuvanom sposobnošću voljnih pokreta očiju, ti pokreti se mogu iskoristiti kao dodatna opcija za komunikaciju.

Pri realizaciji BCI‐a mogu se primeniti dve grupe komunikacionih obrazaca. U prvu grupu spadaju potencijali vezane za događaj (ERP), uključujući evocirane potencijale i spore promene kortikalnih potencijala dok se druga grupa odnosi na promene u specifičnim frekevencijskim opsezima koje su vezane za događaj (ERD/ERS). Pretpostavlja se da ERP predstavljaju fazno spregnute („phase‐locked“) odzive stacionarnog sistema na spoljne ili unutrašnje pobude, dok ERD/ERS odražavaju fazno nezavisne (nepovezane sa događajem) promene u funkcionalnoj povezanosti neuralnih mreža odgovornih za kontrolu tekućih frekvencijskih komponenti. Stoga, ERP i ERD/ ERS se mogu interpretirati kao različiti odzivi neuralnih mreža. O razlikama između ERP i ERD/ERS takođe svedoči različito topografsko prostiranje ovih dvaju fenomena u toku voljnog unilateralnog pokreta prsta ruke. DBI baziran na kombinovanoj (simultanoj) detekciji ERP i ERD/ERS trebalo bi da poveća robusnost i pouzdanost detekcije u odnosu na onu zasnovanu samo na jednoj od ovih pojava [6].

Za dizajn BCI‐a od posebnog je značaja činjenica da i samo zamišljanje pokreta aktivira slične kortikalne oblasti kao i izvršenje samog pokreta a signali koji se dobijaju su međusobno sličnih vremenskih karakteristika. Stoga, postojanje obrazaca (uočljivih struktura u vremenskom obliku i prostornoj raspodeli amplituda EEG signala) koji se javljaju pri pokretima mogu se iskoristiti za inicijalno istraživanje u cilju razvijanja DBI, što predstavlja prednost jer se pri pokretima stvaraju dobro definisani triger signali koji se mogu jednostavno meriti na više načina (EMG, inercijalni senzori) i koji mogu biti sredstvo za procenu ispravnosti detekcije. Iz prethodnih zaključaka izvodi se pretpostavka da se metode detekcije razvijene za procenu voljnih pokreta mogu dalje iskoristiti sa manjim modifikacijama i za detekciju zamišljenih pokreta.

28

6 Podaci Algoritam za detekciju voljnih pokreta iz EEG signala predstavljen u ovom radu testiran je na

realnim signalima prikupljenim tokom merne sesije održane u Briselu januara 2009 godine za potrebe (FP7) TREMOR projekta. Pet pacijenata različitih istorija bolesti (Parkinsonova bolest i esencijalni tremor) odabrani su na osnovu sledećih kriterijuma: karakterizacija tremora, neurološka ispitivanja kao i testovi na osnovu kojih se određuje stepen nezavisnosti pacijenta u izvršenju osnovnih dnevnih aktivnosti. Takođe, naknadno su snimljeni i podaci sa jednog zdravog ispitanika, drugom mernom konfiguracijom i redefinisanim eksperimentalnim protokolom.

6.1 Opis eksperimentalnog protokola – ispitanici sa tremorom Eksperimentalni protokol za pacijente sa tremorom se sastojao u izvršenju seta zadataka. Zadaci su

odabrani tako da simuliraju situacije u kojima bi supresija tremora bila potrebna tj. u kojima dolazi do pojave osnovnih tipova tremora. Sedeći na stolici, pacijenti su zamoljeni da ponove po tri puta sledeće zadatke:

• Zadatak mirovanja (rest task): pacijent je opušten sa rukama u krilu.

• Ispružene ruke (arms outstreched): ruke pacijenta su ispružene ispred tela, paralelno podu.

• Prst‐nos zadatak (finger to nose): kažiprst desne/leve ruke dodiruje vrh nosa nekoliko puta (rađeno je u proseku 7 uzastopnih prst‐nos pokreta za levu i desnu ruku posebno).

• Voda u čašu (water to glass): pacijent sipa vodu iz flaše u čašu.

U toku eksperimenta sledeći signali su snimljeni (slika 13):

• Površinski EMG (sEMG), sa sledećih grupa mišića obe ruke: biceps brachii, triceps brachii, ekstenzori i fleksori zgloba. Matrične elektrode sa 6 kanala su korišćene za svaku grupu mišića.

• EEG, standardnom konfiguracijom, korišćenjem 32‐kanalne kape (slika 14) i unipolarne montaže (referentna elektroda na levoj ušnoj školjci i elektroda za uzemljenje na sredini čela).

• IMU (Inertial Motor Unit) signali sa 3‐osnih žiroskopa i akcelerometara lociranih na leđima, zglobu šake, podlaktici i nadlaktici obe ruke.

29

Slika 14 – Prikaz postavke senzora u eksperimentalnj sesiji za pacijente sa tremorom.

Slika 15 – Šema kape korišćene za EEG snimanja kod pacijenata sa tremorom.

6.2 Opis eksperimentalnog protokola – zdrav ispitanik Ispitanik sedi u stolici sa desnom šakom na desnoj butini. Leva ruka je savijena u laktu (ugao 90

stepeni), podlaktica (prednja strana) leži na podlozi (70 cm od zemlje) i fiksirana je za nju trakom. Leva šaka je slobodna da izvršava fleksije i ekstenzije zgloba. Zadatak se sastojao u zamišljanju ekstenzije zgloba leve šake i izvršenju pokreta nakon mentalne imaginacije. Pokret se izvodi brzo, ekstenzija se zadržava jednu do dve sekunde i zatim se subjekt vraća u početni položaj i pokušava da se opusti. Nakon proizvoljnog vremena (7‐15 sekundi), ispitanik ponavlja zadatak. Oči ispitanika su zatvorene tokom trajanja eksperimenta.

Prikupljeni signali tokom eksperimenta:

EEG

sEMG

IMU

30

• EEG – posredstvom dva niza od ukupno 14 elektroda (slika 15) iznad motornog korteksa. Konfiguracija je unipolarna sa referentnom elektrodom na ušnoj školjci. Ovaj raspored elektroda odgovarao bi 80‐kanalnoj montaži ukoliko bi ceo skalp bio pokriven.

• sEMG – 4 kanala na tekstilnoj podlozi fiksiranoj na koži u nivou mišića ekstenzora levog zgloba šake (brachioradialis, extensor digitorum communis, extensor carpi radialis).

Slika 16 – EEG konfiguracija za snimanje na zdravom subjektu (levo) i šema elektrodne montaže korišćene za EEG snimanja (desno).

6.3 Opis podataka Korišćeni podaci mogu se naći na zvaničnom sajtu TREMOR projekta [1]. Fajlovi su tipa MAT a

njihova imena su konstruisana na sistematski način tako da su u njima sadržane informacije o rednom broju subjekta, imenu zadatka (task) i rednom broju pokušaja izvršenja zadatka (trial). Svaki MAT fajl sadrži 3 strukture podataka: sEMG, EEG i IMU. Svi podaci iz MAT datoteke su odbirani sa frekvencijom 1 kHz (signalima iz sEMG je smanjena frekevencija odabiranja sa 2048 Hz na 1 kHz (down‐sampling) dok je IMU signalima povećana sa 50 Hz na 1 kHz (up‐sampling); EEG signali su već snimljeni sa 1 kHz). Sledi objašnjenje glavnih polja svake strukture:

• sEMG sadrži 9 polja čija imena odgovaraju grupama mišića obe (dominantne‐nedominantne) ruke na kojima je vršeno snimanje (BicepsDominant, FlexorDominant, TricepsDominant, BicepsNonDominant, ExtensorNonDomimant, FlexorNonDominant, TricepsNonDominant) kao i dvema pomoćnim promenljivama koje su korišćene za sinhronizaciju podataka, a nalaze se u

31

polju AUX. Svako polje koje odgovara jednoj grupi mišića sadrži signale sa 6 kanala, gde je svaki od kanala band‐pass filtriran između 10 i 500 Hz.

• EEG sadrži 9 polja. Bitne informacije sadržane su u poljima data i ELECTROLOC. U polju data se nalaze EEG signali sa 32 elektrode i elektrookulogram. Polje ELECROLOC sadrži informacije o lokacijama elektroda i povezuje redne brojeve kanale iz polja data sa standardnim oznakama lokacija elektroda kod kapa za merenje EEG‐a. EEG signali mereni su unipolarno sa referentnim elektrodama na ušnim školjkama.

• IMU sadrži 9 polja. U polju position nalazi se objašnjenje o mestu postavljanja svakog IMU senzora (leđa, nadlaktica desne ruke, podlaktica desne ruke, desna šaka, nadlaktica leve ruke, podlaktica leve ruke, leva šaka). IMU.nrX (X=1,2,…,7) sadrži podatke sa akcelerometara i žiroskopa za svako od mernih mesta u obliku matrice sa 3 reda. Prvi red matrice odgovara x‐osi, drugi y‐osi a treći z‐osi senzora. Signali sa IMU senzora nisu prethodno obrađivani.

Sinhronizacija između sEMG‐a, EEG‐a i IMU signala je izvršena softverski kod ispitanika 1 i 2, a hardverski kod ispitanika 3, 4 i 5.

32

7 Obrada podataka

7.1 Opis softvera Radi olakšane manipulacije podacima razvijen je softver u programskom paketu Matlab [20], koji je

realizovan u formi menija (slika 16). Naredbe su grupisane u celine.

Slika 17 – Prikaz menija razvijenog softvera. Na desnoj slici prikazan je glavni meni a na levoj, meni koji se otvara klikom na dugme Ucitavanje u glavnom meniju.

Opis glavnog menija:

• Učitavanje: Odabirom ove opcije otvara se novi meni u kome su ponuđene sledeće opcije:

o Fajl: Izbor fajla za učitavanje. Očekivani format podataka je prilagođen MAT

fajlovima sa zvaničnog sajta TREMOR projekta [1]. Nakon odabira, na osnovu naziva učitanog fajla automatski se ispisuju osnovne informacije sadržane u nazivu (videti poglavlje 6.3).

o Kanal: Izbor referentnog EEG kanala (signal koji se analizira).

o Konfiguracija: Mogućnost izbora različitih mernih konfiguracija izvedenih iz

unipolarne konfiguracije kao što su: bipolarna, source ili common reference konfiguracija.

33

o Usrednjavanje: Referentni signal je srednja vrednost EEG signala sa proizvoljnog broja kanala.

o Selekcija: Mogućnost izdvajanja kraćeg segmenta EEG signala radi analize

pojedinačnih pokreta ili izbegavanja delova signala sa izraženim artefaktima.

o Izlaz: Povratak u Glavni Meni.

• Crtanje: Prikaz EEG signala sa odabranog kanala (default kanal je Cz), spektralne gustine snage (power spectral density ‐ PSD) EEG signala dobijene kako FFT analizom tako i primenom Welch algoritma1, kao i prikaz procentualnih udela snaga pojedinih EEG ritmova u ukupnom spektru snage (slika 17). Takođe vrši se i prikaz signala sa svih akcelerometara, žiroskopa kao i EMG signala sa svih mišića u formi subplot‐ova .

• Otklanjanje EOG: Za otklanjanje očnih artefakata predviđene su dve metode:

o Metod baziran na regresionoj analizi (slika 18), opisanoj u poglavlju 3.4.1, koji se preporučuje u slučaju kada postoji adekvatno snimljen elektrookulogram, što nije slučaj za sve eksperimente u okviru ove studije. Kada ne postoji EOG kanal može se primeniti metod iz sledeće tačke.

o Metod baziran na izdvajanju elektrookulograma usrednjavanjem EEG signala sa proizvoljnog broja susednih elektroda i low‐pass filtriranjem usrednjenog signala sa gornjom cut‐off frekevencijom od 4 Hz. Metod se bazira na pretpostavci da su EEG signali sa različitih kanala nekorelisani dok ono što je tim signalima zajedničko su upravo artefakti koji se usrednjavanjem i filtriranjem izdvajaju. Nakon ovakvog veštačkog generisanja signala koji odgovara artefaktima, primenom regresione

analize mogu se tako dobijeni artefakti eliminisati iz originalnog EEG signala. Na ovaj način se uspešno mogu otkloniti skoro svi očni artefakti ali postoji mogućnost distorzije signala, odnosno uklanjanja bitnih informacija iz originalnog EEG‐a.

• Filtriranje: Filtriranje se vrši Butterworth‐ovim band‐pass filtrom proizvoljnog reda

(najčešće petog) i širine propusnog opsega, odabirom gornje i donje frekvencije odsecanja.

• Analiza: Odabirom ove opcije pokreće se algoritam za detekciju voljnih pokreta iz EEG

signala.

1 Welch algoritam se koristi za dobijanje usrednjenog spektra snage. Signal se deli na segmente jednake dužine sa 50% preklapanjem izmedju susednih segmenata. Za svaki od segmenata izračunava se FT a krajnji spektar snage dobija se usrednjavanjem FT svih segmenata.

34

Slika 18 – Prikaz band‐pass filtriranog EEG signala sa kanala Cz (A), PSD prikazi dobijeni pomoću FFT algoritma (B) i Welch metodom (C), i procentualni udeli snaga EEG ritmova (D). Korišćen je Butterworth‐ov filtar propusnik

opsega: 0.5‐30 Hz, trećeg reda.

(A)

(B)

(C)

(D)

35

Slika 19 – Otkalnjanje EOG artefakata regresionom analizom

7.2 Pseudo­online detekcija voljnih pokreta iz EEG­a Algoritam se zasniva na vremensko‐frekvencijskoj analizi EEG signala. Na raspolaganju su dva

pristupa spektralnoj analizi signala: Furijeov (neparametarski) i parametarski metod na bazi AR modela.

7.2.1 Short­Term Fourier Transform (STFT) Prvi metod vremensko‐frekvencijske analize bazira se na jednostavnom principu sečenja signala od

interesa na više kratkih segmenata i analiziranja svakog od njih, koristeći Furijeovu transformaciju. Naziv short‐term Fourier transform ili kratkotrajna Furijeova transformacija potiče upravo od činjenice da se Furijeova transformacija primenjuje na segmentu podataka koji je obično mnogo kraći od celokupnog signala. Isecanje dela signala se vrši množenjem vremenskog oblika signala sa nekom od prozorskih funkcija. Pod „prozorom“ podrazumeva se funkcija koja se koristi za skraćivanje neke druge funkcije, što se može videti sa slike 17. Jednostavno isecanje dela signala može se postići množenjem njegovog vremenskog oblika sa pravougaonim prozorom, tj. funkcijom čija je vrednost jednaka jedinici u periodu u kojem želimo sačuvati vrednosti signala i nula u ostatku vremena. Uopšteno, svaki realan signal biološkog porekla (EEG, EKG) sačuvan u memoriji računara je samo isečak često mnogo duže sekvence, tako da je samim tim na taj signal već primenjena pravougaona prozorska funkcija širine jednake

36

periodu snimanja. Tokom izvršenja STFT algoritma, prozorska funkcija se pomera (klizi) duž signala i za svaki položaj prozora, tj. isečak signala određuje se njegov spektar snage. Na ovaj način dobijamo spektrogram signala, tj. prikaz promene frekvencijskog sadržaja signala tokom vremena. Svaka tačka vremenske ose spektrograma vezuje se za jedan položaj sredine prozora pri izvršenju STFT algoritma. Osnovna jednačina spektrograma u kontinulanom domenu je:

τττ π detwxftX ftj∫+∞

∞−

−−= )()(),(

Gde je w(t‐τ) prozorska funkcija a τ promenljiva koja pomera prozor duž signala x(t).

Diskretna verzija jednačine (1) je:

])()[(),( /∑+∞

∞−

−−= NjnmeknWnxkmX

Postoje dva osnovna problema vezana za spektrograme:

1. Odabir optimalne širine prozora za signale sa više različitih frekvencijskih obeležja može biti nemoguć.

2. Vremensko‐frekvencijski kompromis koji proizilazi iz činjenice da odabir užih prozora rezultuje boljom vremenskom a smanjenom frekvencijskom rezolucijom i obrnuto.

Prvi problem se ogleda u tome da je nekada potrebno u isto vreme pratiti spore i brze promene u okviru istog signala (što je delimično slučaj i u okviru ovog rada). Pri tome spore promene (niske frekevencije) zahtevaju šire prozore kako bi makar jedna perioda signala mogla biti obuhvaćena prozorom. Ukoliko se u isto vreme prate i kratkotrajne brze promene u okviru istog signala (za čije registrovanje bi bio pogodan uži prozor srazmeran njihovoj periodi i trajanju), dolazi do efekta “razmazivanja”, tj. nemogućnosti da se preciznije odredi početak javljanja tih brzih promena.

Drugi problem proizilazi iz činjenice da je rezolucija vremenske ose spektrograma određena brojem različitih položaja prozora pri kliznom pomeranju duž originalnog signala. Sužavanjem prozora, broj mogućih položaja raste (više užih prozora može da se “naniže” u okviru ograničenog vremena trajanja signala). Frekvencijska rezolucija je sa druge strane direktno srazmerna širini prozora jer spektar signala dobijamo Furijeovom transformacijom dela signala unutar prozora. Mogućnost prevazilaženja ovog problema je poboljšanje vremenske rezolucije smanjivanjem “koraka pomeranja prozora” (odnosno povećanjem mere međusobnog preklapanja dva prozora ‐ overlap), i poboljšanje frekvencijske rezolucije povećanjem frekvencije odbiranja čime se u okviru jednog prozora povećava broj tačaka (odbiraka) u spektru signala. Nedostaci su očigledni: veći broj proračuna (usled većeg koraka prozora) koji su zahtevniji (usled veće frekvencije odabiranja).

37

Slika 20 – Postupak izdvajanja dela signala primenom prozorske funkcije (Hann‐ov prozor). Gornji grafik: signal

x(t) i prozorska funkcija w(t‐τ). Donji grafik: proizvod signala i prozorske funkcije.

7.2.2 Parametarske metode spektralne estimacije – modeli Tehnike za određivanje spektra snage na bazi Furijeove transformacije nazivaju se klasičnim

metodama. One zahtevaju vrlo malo informacija o poreklu i prirodi analiziranih podataka, iako određeno znanje o podacima može biti korisno (npr. radi odabira prozora). U klasičnim pristupima, signal izvan prozora u kom se posmatra smatra se nulom. Budući da je to retko tačno, takva pretpostavka može dovesti do greške u proceni. Takođe, javljaju se distorzije usled različitih prozorskih funkcija.

Savremeni pristupi spektralnoj analizi eliminišu neke od distorzija koje proizvode klasične metode i mogu biti posebno efikasne ukoliko su segmenti podataka kratki. Ove tehnike, u pokušaju da prevaziđu ograničenja tradicionalnih metoda, uzimaju u obzir ono što je poznato, ili što se može pretpostaviti o originalnom signalu. Na primer, ukoliko postoje poznate činjenice o procesu koji generiše signal od interesa, tada metode na bazi modela ili takozvane parametarske metode mogu omogućiti određene pretpostavke i predviđanja o signalu izvan prozora. Shodno tome, ovakvi pristupi a posebno parametarske spektralne metode zahtevaju nešto više odlučivanja pri njihovoj primeni za razliku od klasičnih metoda. Pored toga, ove metode daju samo informacije u formi amplitudskog spektra.

Parametarske metode služe se linearnim procesom, obično zvanim model, radi estimacije spektra snage. Osnovna strategija ovog pristupa prikazana je na slici 19. Pretpostavka je da je linearni proces ili model upravljan belim šumom koji se dovodi na ulaz modela. Beli šum sadrži jednaku energiju na svim frekvencijama; njegov spektar snage je konstantan kroz sve frekvencije. Izlaz modela se poredi sa ulaznim signalom i parametri modela se prilagođavaju radi dobijanja najboljeg poklapanja između izlaza modela i ulaznog signala. Kada se postigne najbolje poklapanje, frekvencijske karakteristike modela pružaju najbolju procenu spektra signala u skladu sa ograničenjima modela. Objašnjenje je sledeće; Zbog činjenice da je ulaz u model spektralno ravan, spektar na izlazu modela je direktan odraz amplitudske prenosne funkcije modela koja sa druge strane oslikava spektar ulaznog signala (kroz proces poređenja i prilagođavanja parametara modela). Ovaj metod se može činiti posrednim, ali on omogućava dobro definisanje ograničenja kao što su tip i red modela u zavisnosti od očekivanog tipa spektra ulaznog signala.

38

Slika 21 – Šematski prikaz parametraskih metoda spektralne estimacije (preuzeto iz [8]).

Nekoliko različitih modela se koristi u ovom pristupu, razvrstanih po prirodi njihove prenosne funkcije. Tri najpopularnija tipa modela su: autoregresivni (autoregressive – AR), sa kliznim usrednjavanjem (moving average – MA), autoregresivni sa kliznim usrednjavanjem (autoregressive moving average – ARMA). Odabir najadekvatnijeg modela zahteva određeno znanje o potencijalnom obliku spektra. AR model koji se koristi u okviru ovog rada je posebno koristan za estimaciju spektra u kome su dominantni oštri pikovi ali bez prisustva izraženih minimuma što se može primeniti na EEG signale čija je dominantna spektralna karakteristika pojava pikova u određenim frekvencijskim opsezima. AR model ima prenosnu funkciju sa konstantom u brojiocu i polinomom u imeniocu, stoga se ovaj model nekada naziva i all‐pole model (jer prenosna funkcija AR modela ima samo polove). To dovodi do jednačine u vremenskom domenu sa samo jednim koeficijentom u brojiocu za koji se pretpostavlja da je jednak jedinici:

∑=

+−−=p

k

nvknykany1

)()()()(

gde je v(n) ulazni šum, a(1),...,a(p) parametri modela, a p red modela.

7.2.3 Opis algoritma za pseudo­online detekciju voljnih pokreta iz EEG signala

Nakon izbora metoda spektralne estimacije (neparametraski – STFT ili parametarski – AR model), pokreće se algoritam za detekciju voljnih pokreta iz EEG signala na bazi vremensko‐frekvencijske analize.

Ovakva analiza na bazi klizećih prozorskih funkcija na već snimljenim signalima predstavlja pseudo on‐line pristup, odnosno, simulaciju primene algoritma u realnom vremenu, jer imitira način na koji digitalizovani podaci pristižu u memoriju računara u toku snimanja.

Prvi korak je izbor oblika, širine i koraka prozorske funkcije. Na raspolaganju su četiri oblika prozora: pravougaoni, Hamming‐ov, Hann‐ov i normalizovan Hann‐ov prozor (slika 20). Širina i korak kliznog

39

pomeranja prozora se mogu proizvoljno odabrati unošenjem vrednosti manuelno. Predložene vrednosti ovih parametara za potrebe ovakve analize su za širinu prozora od bar 2000 odbiraka tj. 2 sekunde (pri frekvenciji odbiranja fs=1000 odbirak/sekund) a za korak prozorske funkcije od 100 do 500 odbiraka.

Slika 22 – Slike prozora na raspolaganju za pseudo‐online analizu.

Za svaki od segmenata, isečen pomoću prozorske funkcije iz ulaznog signala, određuje se spektar snage koristeći odabrani metod spektralne estimacije. Na ovaj način dobijaju se vremensko‐frekvencijski prikazi signala na bazi STFT (spektrogram) ili AR modela, na kojima se može izvršiti vizuelna inspekcija podataka u potrazi za ERD/ERS u određenim frekvencijskim opsezima u trenutku inicijacije voljnog pokreta. Međutim, kako je krajnji cilj automatska detekcija voljnog pokreta iz EEG signala, bilo je potrebno razviti i algoritam za praćenje fluktuacija relativnih spektralnih gustina snaga određenih frekvencijskih opsega u toku vremena, kako bi se izvršila automatska detekcija ERS/ERD.

Relativna snaga svakog od EEG opsega (delta, teta, niži alfa, viši alfa i beta) može se računati na više načina:

1. Prvi i najjednostavniji način za primenu i analizu je da se suma svih vrednosti amplituda (PSD) u određenom frekvencijskom opsegu spektra snage signala unutar jednog prozora podeli sa sumom amplituda na svim frekevencijama (celog frekvencijskog opsega) istog signala. Na ovaj način dobijaju se normalizovani (0‐1) udeli snaga određenih opsega u celokupnom spektru snage, za svaki pojedinačni položaj prozora. To se može opisati sledećim jednačinama:

∑=

=2

1

2),(),(f

ff

o ftXftP

40

∑=

=2/

0

2),(),(fs

fEEG ftXftP

EEGor PPP /1001 ⋅= [%]

gde je: X ‐ amplitudski spektar dela signala za položaj prozora u trenutku t (videti jednačinu spektrograma, str. 34), Po ‐ snaga frekvencijskog opsega oє[f1,f2], PEEG – ukupna spektralna gustina snage dela signala unutar prozora u trenutku t i Pr relativna snaga opsega oє[f1,f2].

Prednost primene ovog metoda ogleda se u činjenici da je ovaj način najjednostavniji za on‐line aplikaciju jer se svi proračuni obavljaju u okviru jednog (trenutnog) prozora. Nedostatak ove metode je velika osetljivost na nestacionarnost signala. Na primer, veći porast snage jednog opsega uslovljava pad snaga u ostalim opsezima iako je njihova snaga mogla ostati ista. To je posebno izraženo pri pojavi kratkotrajnih smetnji biološkog porekla, kao što su očni artefakti pri kojima dolazi do velikog porasta relativne snage delta i teta opsega a pada relativne snage u svim ostalim opsezima. Rezultat toga je pogrešno tumačenje ispunjenog uslova detekcije voljnog pokreta. Ukoliko je srednja spektralna snaga unutar svih prozora približno konstantna ovaj metod se može efikasno primeniti.

2. Drugi način za praćenje fluktuacija relativnih snaga frekvencijskih opsega EEG‐a koristi dva vremenska prozora: referentni prozor i test‐prozor. Referentni prozor obuhvata deo signala u nekom referentnom periodu. U slučaju algoritma detekcije pokreta, referentni period bio bi period mirovanja tj. period u kome ne postoji nikakva motorna aktivnost i ispitanik se nalazi u opuštenom stanju. Referentni prozor je konstantne širine i položaja, i definiše se pre pokretanja algoritma za analizu. Sa druge strane, test‐prozor je pokretan i klizi na već opisan način duž signala i za svaki položaj test‐prozora statističke osobine signala unutar njega upoređuju se sa istim unutar referentnog prozora. U ovom slučaju, sume svih vrednosti amplituda (ukupna snaga) unutar svakog od definisanih frekvencijskih opsega spektra snage signala iz test‐prozora dele se sa sumom svih amplituda (ukupna snaga) spektra snage referentnog prozora. To se može opisati sledećim jednačinama:

∑=

=2

1

2),(),(f

ffo ftXftP

∑=

=2/

0

211 ),(),(

fs

frefref ftXftP

refrefor PPPP /)(1002 −⋅= [%]

gde je: X amplitudski spektar dela signala za položaj prozora u trenutku t, Xref amplitudski spektar dela signala za položaj referentnog prozora u fiksnom trenutku t1, Po snaga frekvencijskog opsega oє[f1,f2], Pref spektralna gustina snage opsega oє[f1,f2] referentnog signala i Pr2 relativna snaga opsega oє[f1,f2].

41

Kada se dobiju krive promene relativnih snaga EEG ritmova u toku vremena, potrebno je definisati adekvatan kriterijum za detekciju voljnog pokreta. Relativne snage svih EEG opsega pokazuju izraženu promenljivost u toku vremena i kao što je u prethodnim poglavljima objašnjeno, donošenje odluke zavisi od već postojećih znanja i očekivanja u pogledu specifičnih obrazaca signala vezanih za pokret. Ovi obrasci pokazuju velika varijabilnost između subjekata pa čak i u okviru istog subjekta zavisno od njegovog psihofizičkog stanja (nivoa stresa, opuštenosti, napetosti, umora) ili određenih spoljašnjih faktora (terapija lekovima koji mogu uticati na promene u određenim tipičnim EEG odlikama subjekta). Zbog toga bi se pitanje postavljanja kriterijuma detekcije (praga) moralo razmatrati za svakog subjekta pojedinačno i prilagoditi njegovim specifičnim EEG obrascima.

Predloženi metod detekcije voljnog pokreta u okviru ovog rada je simultana detekcija dva EEG fenomena vezana za voljne pokrete, MRP i ERD/ERS. Detekcija MRP vrši se u frekvencijskom domenu, kao sinhronizacija (porast snage) u delta frekvencijskom opsegu (budući da MRP predstavljaju spore promene kortikalnih potencijala koje potpadaju pod opseg delta aktivnosti). Na osnovu ranijih studija [5], očekivani EEG obrasci kod kojih se može izvršiti detekcija inicijacije voljnih motornih radnji su alfa ili beta ERD, kao i delta ERS usled MRP. Dakle, istovremeno registrovanje pada spektralne snage alfa ili beta opsega (ili njihovih pod‐opsega) i porasta snage delta opsega može se smatrati uslovom detekcije voljnog pokreta. Detekcija pada odnosno porasta spektralnih snaga opsega od interesa se može izvršiti postavljenjem praga za svaki opseg (donji prag za delta ERS i gornji prag alfa ERD) čiju je vrednost najjednostavnije odrediti empirijski. Vrednosti ova dva praga umnogome će zavisiti od pozicije referentnog prozora, i u okviru ove studije vrednosti praga su varirale od 20% do 50% (delta ERS) i ‐20% do ‐50% (alfa ERD)

Kako svaki ispitanik može pokazati varijabilost po pitanju frekvencijskih opsega od interesa ili elektroda sa izraženim EEG fenomenima vezanim za pokret, potrebno je izvršiti preliminarnu analizu na osnovu koje se vrši odabir frekvencijskih opsega (pod‐opsega) i elektroda najpogodnijih za detekciju pokreta što je opisano u okviru rezultata.

8 Rezultati

8.1 Inspekcija obrazaca vezanih za pokret Krajnji cilj ovog rada je razvoj pseudo‐online algoritma za detekciju voljnih pokreta iz EEG signala

(opisan u poglavlju 7.2.3). U cilju razvijanja takvog algoritma bilo je potrebno steći uvid u snimljene podatke. Za postojeći broj ispitanika, kanala i frekvencijskih opsega (pod‐opsega) na rasplaganju je velika količina podataka za analizu. Zbog toga se javila potreba za definisanjem određene strategije u pristupu analizi podataka sa jednim preliminarnim ciljem, a to je određivanje subjekata, kanala (za svakog subjekta) i frekvencijskih opsega (za svakog subjekta/kanal) sa izraženim obrascima vezanim za pokret koji bi bili pogodni za prepoznavanje (klasifikaciju) – slika 20 (B). U tu svrhu iskorišćena su dva osnovna EEG fenomena vezana za voljne pokrete, koji su opisani u poglavlju 5, a to su potencijali vezani za pokret (MRP) i desinhronizacija/sinhronizacija vezana za događaj (ERD/ERS).

42

Slika 23 – (A) Pristup analizi EEG podataka, (B) Nacrt inspekcije EEG podataka u cilju određivanja izraženih

obrazaca vezanih za pokret.

43

Prvi korak u inspekciji je segmentacija podataka na pojedinačna ponavljanja istog zadatka (takozvani single‐trials). Imajući u vidu podatke kojima se raspolaže, prst‐nos pokret (subjekata sa tremorom) je jedini zadatak koji je izvršen sa dovoljnim brojem ponavljanja za ovakvu vrstu analize (jer analiza MRP zahteva usrednjavanje na više trial‐ova). Takođe, jednostavnost prst‐nos zadatka rezultuje dobrom ponovljivošću u izvršenju pokreta, kako u okvirima testiranja istog subjekta tako i između različitih subjekata, što ne važi za zadatak voda‐u‐čašu gde inter‐ i intraponovljivost nije izražena. Zbog toga je prst‐nos zadatak izabran za ovu preliminarnu analizu podataka u cilju potvrđivanja verodostojnosti snimaka i utvrđivanja obrazaca vezanih za pokret koji se mogu iskoristiti u procesu detekcije. U svrhu preliminarne analize razvijen je algoritam za segmentaciju podataka i sortiranje dobijenih segmenata u matricu koja se dalje prosleđuje delu koda odgovornom za analizu na bazi MRP i ERD/ERS single‐trial mapa. Segmentacija EEG signala na pojedinačne prst‐nos trial‐ove se u ovom slučaju vršila manuelno, a biomehanička referenca bio je signal sa x‐ose akcelerometra postavljenog na šaku subjekata sa tremorom. Segmentacija se vršila na takav način da sredina vremenske ose svakog trial‐a bude centrirana na početak pokreta (vidljiv sa akcelerometarskih signala sinhronizovanih sa EEG‐om). Na ovaj način formira se matrica dimenzija MxN gde je M broj pojedinačnih trial‐ova a N dužina svakog trial‐a. Ova forma podataka je pogodna za dalju analizu i predstavljanje (iscrtavanje) rezultata. Isti postupak je primenjen i u segmentaciji podataka sa zdravog ispitanika.

8.2 Movement­related potentials (MRP) Kao što je već ranije napomenuto, EEG signale karakteriše vrlo nizak odnos signal‐šum (oko ‐20 dB)

što često potpuno onemogućava vizuelnu inspekciju vremenskog oblika signala i mogućnost da se na jednostavan način, bez velikog kliničkog iskustva, utvrdi verodostojnost snimljenih podataka. Veliki broj elektroda/kanala dodatno otežava praćenje signala u toku snimanja i iskusnim kliničarima. Stoga se nameće potreba da se pre početka bilo kakve analize snimljenih EEG signala na određeni način potvrdi verodostojnost podataka sa kojima se raspolaže, odnosno, da se utvrdi da li je na snimcima osim šuma zaista zabeležena i električna aktivnost korteksa. To se donekle može postići posmatranjem amplitudskih spektara EEG signala i njihovih dominantnih frekvencijskih opsega. Međutim, kako je zadatak ove studije procena voljnih pokreta, kao pogodan metod za utvrđivanje verodostojnosti snimaka nameće se detekcija MRP usrednjavanjem većeg broja pojedinačnih EEG trial‐ova snimljenih tokom višestrukog ponavljanja (obično 20‐100 puta) istog zadatka (task‐a), kao što je opisano u poglavlju 5.1. Pretpostavka je da ukoliko se usrednjavanjem segmenata EEG signala, centriranih oko početka pokreta (back‐averaging metod), dobije signal koji odgovara već poznatom obliku MRP (slika 11), može se reći da je snimljeni signal zaista EEG i zatim se može pristupiti daljoj analizi za pojedinačne trial‐ove. Back‐averaging postupak se primenjuje na EEG signalima sa svih kanala u oblasti iznad motornog korteksa i na taj način može se utvrditi na kojim je kanalima EEG signal adekvatno snimljen jer MRP imaju osobinu prostiranja širom motornog korteksa sa manjim razlikama u amplitudama negativnog pika na pojedinačnim kanalima [6]. Ukoliko se utvrdi da kod određenih subjekata postoje izraženi MRP, to se može iskoristiti u procesu on‐line detekcije jer se ove spore promene mogu registrovati i u okviru delta frekvencijskog opsega. Kada se utvrdi verodostojnost snimaka na kanalima od interesa (ovaj postupak se ponavlja za svakog subjekta) pristupa se daljoj analizi na bazi ERD/ERS single‐trial mapa.

44

Slika 24 – MRP kod subjekta 5. Grafici sa crvenom senkom odgovaraju prst‐nos pokretu leve ruke a grafici sa zelenom senkom prst‐nos pokretu desne ruke. Nula vremenske ose označava početak pokreta. MRP dobijeni su usrednjavanjem EEG signala u toku 21‐og ponavljanja pokreta leve ruke i 19 ponavljanja pokreta desne ruke.

45

Analizom MRP u vremenskom domenu, usrednjavanjem EEG sekvenci tokom svih prst‐nos trial‐ova, samo kod drugog i petog ispitanika sa tremorom dobija se oblik signala karakterističan za MRP:

• Za drugog ispitanika usrednjavanjem 18 prst‐nos pokreta desne ruke dobija se izražen pad potencijala ka negativnim vrednostima oko početka voljnog pokreta na svim kanalima od interesa (kanali iznad motornog korteksa: C3, C4, Cz, CP3, CP4, CPz). Usrednjavanjem 22 prst‐nos pokreta leve ruke ne dobija se tako izražen MRP. Razlog tome može biti činjenica da su prst‐nos pokreti levom rukom previše vremenski bliski t.j. period mirovanja između pokreta (baseline) je prekratak.

• Za petog ispitanika usrednjavanjem 19 prst‐nos pokreta desne kao i 21 pokreta leve ruke dobijaju se vremenski oblici signala koji podsećaju na MRP (slika 21).

8.3 ERD/ERS single­trial mape ERD/ERS single‐trial mape su prikazi na kojima se može videti pad snage (ERD) ili porast snage (ERS)

EEG signala u predefinisanim frekvencijskim opsezima. Signali snaga pojedinačnih (band‐pass filtriranih) trial‐ova, centriranih oko početka pokreta, složeni su jedan ispod drugog tako da formiraju matricu. Ova matrica se može prikazati u vidu slike, pri čemu je svakoj nijansi boje pridužen amplitudski nivo snage, ili u vidu 3D površine. Ovakvi prikazi su pogodne za vizuelnu inspekciju i kvantifikaciju desinhronizacije/ sinhronizacije vezane za događaj. Radi izbegavanja zabune treba napomenuti da se ERD/ERS mapama često nazivaju i prikazi dobijeni usrednjavanjem vremensko‐frekvencijskih slika (back‐averaging metodom) većeg broja trial‐ova, ali one za razliku od ERD/ERS single‐trial mapa predstavljaju vremensko‐frekvencijske prezentacije.

ERD/ERS single‐trial mape prikazane u okviru ovog poglavlja dobijene su primenom klasičnog metoda opisanog u poglavlju 5.2. Na EEG signale sa svih elektroda za svaki single‐trial (prst‐nos pokret) je primenjen Butterworth‐ov filtar propusnik opsega petog reda, sa sledećim širinama propusnog opsega: 0.5‐4 Hz (delta), 4‐8 Hz (teta), 8‐11 Hz (alfa1), 11‐13 Hz (alfa2) i 13‐25 Hz (beta). Za svaki od filtriranih signala nađena je kvadratna vrednost svakog odbirka. Zatim je primenjeno i klizno usrednjavanje (glačanje – smoothing) radi dobijanja anvelope signala. Glačanje je vršeno sa vremenskim periodom od 250 ms. Dobijeni signali predstavljaju vremenske fluktuacije snaga prethodno navedenih frekvencijskih opsega. Signali su normalizovani ukupnom snagom svakog od opsega.

Ukoliko se signali koji odgovaraju vremenskim promenama relativne snage sortiraju u matricu tako da svaki red matrice odgovara relativnoj snazi jednog trial‐a (trial‐ovi su centrirani oko početka pokreta), iscrtavanjem takve matrice dobijaju se ERD/ERS single‐trial mape (u daljem tekstu, ERD/ERS mape) za određeni frekvencijski opseg EEG signala. Vizuelnom inspekcijom ERD/ERS mapa mogu se utvrditi kanali i frekvencijski opsezi sa najizraženijom ERD/ERS kao i tačan vremenski trenutak promene oscilatorne aktivnosti vezane za početak/kraj pokreta. Vizuelnom inspekcijom ERD/ERS mapa, uočena je najizraženija ERD u alfa1 i beta frekvencijskim opsezima, kod zdravog ispitanika i petog subjekta sa tremorom, dok kod drugog subjekta sa tremorom iako postoje izraženi MRP, ERD nije jasno vidljiva. Kod petog subjekta ERD je vidljiva na svim elektrodama od interesa (slike 22).

46

Slika 25 – Alfa1 ERD/ERS mape. Grafici sa crvenom senkom predstavljaju prst‐nos pokrete leve ruke dok grafici sa zelenom senkom predstavljaju prst‐nos pokrete desne ruke subjekta 5 (pacijent sa tremorom). Desinhronizacija (tamnije nijanse plave) može se uočiti na svim elektrodama od početka do kraja izvršenja pokreta.

47

Slika 26 – Alfa1 ERD/ERS mape za zdravog ispitanika (pokret – ekstenzija levog zgloba, 0 označava početak pokreta). Desinhronizacija (tamnije nijanse plave) se može uočiti na svim elektrodama od početka do kraja izvršenja pokreta.

48

Slika 27 – Beta ERD/ERS mape za zdravog ispitanika (pokret – ekstenzija levog zgloba, 0 označava početak pokreta). Desinhronizacija (tamnije nijanse plave) se može uočiti na svim elektrodama od početka do kraja izvršenja pokreta.

49

8.4 Pouzdanost detekcije ERD na single­trial bazi Iz matrica čijim se iscrtavanjem dobijaju ERD/ERS mape (koje u svakom redu imaju po jedan

vremenski tok relativne snage frekvencijskog opsega za svaki single‐trial), može se takođe dobiti i informacija o pouzdanosti detekcije ERD za svaki od frekvencijskih opsega od interesa. To se postiže tako što se za svaki single‐trial primeni algoritam detekcije na osnovu unapred definisanog praga. U trenucima u kojima je amplituda snage single‐trial‐a ispod praga, smatra se da je ERD detektovana. Vrednost praga definiše se kao:

SDPTH ⋅−= 5.1

gde je: P srednja snaga single‐trial‐a, SD standardna devijacija od P.

Signal (Di) koji opisuje detekciju ERD za i‐ti trial ima vrednost 0 u trenucima kada je relativna snaga iznad praga i vrednost 1 kada je ona ispod praga TH, što je opisano sledećim izrazom:

⎭⎬⎫

⎩⎨⎧

<≥

=THnPTHnP

nDi ][,1][,0

][ n=1,...,N, i=1,..,M

gde je: P snaga single‐trial‐a, N broj odbiraka single‐trial‐a, a M ukupni broj single‐trial‐ova.

Ukoliko se back‐average metod primeni na sve Di za iє[1,M], dobija se signal koji predstavlja pouzdanost (%) detekcije ERD u toku vremena. Očekuje se da vremenski oblik ovog signala ima porast u procentima detekcije ERD u vremenskom periodu oko početka pokreta i nakon toga, ukoliko zaista postoji korelacija između ERD i voljnih pokreta. To se pokazalo kao ispravna pretpostavka i sa slika 25, 26, 27 i 28 može se videti videti da se procentualni porast detekcija ERD u alfa1 i beta opsezima poklapa sa izvršenjem voljnih prst‐nos pokreta kod pacijenta sa tremorom i pokreta zgloba kod zdravog ispitanika.

50

Slika 28 – Pouzdanost detekcije alfa1 ERD za prst‐nos pokret leve (crvena senka) i desne (zelena senka) ruke subjekta 5 (pacijent sa tremorom). Na apscisi se nalazi vreme (2 sekunde pre početka pokreta i 2 sekunde nakon početka pokreta, 0 označava početak pokreta). Na ordinati se nalazi procenat detekcija alfa1 ERD. Sa slike se vidi da na svim kanalima i za pokret leve i desne ruke postoji porast u detekciji ERD pre u toku i nakon izvršenja pokreta.

51

Slika 29 – Pouzdanost detekcije beta ERD za prst‐nos pokret leve (crvena senka) i desne (zelena senka) ruke subjekta 5 (pacijent sa tremorom).

52

Slika 30 – Pouzdanost detekcije alfa1 ERD za pokret ekstenzije zgloba leve ruke zdravog subjekta. Sa slike se vidi da na svim kanalima postoji porast u detekciji alfa1 ERD u toku i nakon izvršenja pokreta.

53

Slika 31 – Pouzdanost detekcije beta ERD za pokret ekstenzije zgloba leve ruke zdravog subjekta. Sa slike se vidi da na svim kanalima postoji porast u detekciji beta ERD u toku i nakon izvršenja pokreta.

54

8.5 Rezultati pseudo­online detekcije voljnih pokreta Na osnovu analize na bazi MRP i ERD/ERS mapa dolazi se do sledećih informacija:

• Iako je ERD detektovana u alfa 1 i u beta frekvencijskim opsezima, alfa 1 opseg se pokazao kao adekvatniji za ovu vrstu analize jer je procenat lažnih detekcija pre početka pokreta kod petog subjekta manji (slike 25 i 26)

• MRP i ERD je detektovana na svim kanalima od interesa (6 elektroda iznad motornog korteksa) tako da izbor elektrode nije od presudnog značaja. Za onlajn analizu izabrana je elektroda Cz jer je kod signala sa ove elektrode podjednako dobro detektovana ERD pri pokretima leve i desne ruke.

Na slikama 29 i 32 prikazane su vremensko frekvencijske prezentacije EEG signala dobijene korišćenjem razvijenog sofvera. Ove slike mogu poslužiti za vizuelnu inspekciju realnih signala. Na slici 29 (C) prikazan je spektrogram EEG signala sa Cz elektrode drugog subjekta u toku izvršenja pet ponavljanja prst‐nos zadatka. Na slici 32 (C) je prikazana vremensko‐frekvencijska prezentacija, dobijena metodom spektralne estimacije na bazi AR modela reda 30. Estimacija AR parametara se vrši Burg‐ovim metodom, korišćenjem Matlab [20] funkcije pburg.

Na slikama 30, 31 i 33 prikazani su rezultati pseudo‐online detetekcije pokreta. Oznake na ovim slikama su:

(A) EEG signal sa Cz elektrode

• Slika 30: signali sa drugog subjekta sa tremorom, tokom izvođenja pet prst‐nos ponavljanja.

• Slika 31: signali sa petog subjekta sa tremorom, tokom izvođenja „voda u čašu“ zadatka

• Slika 33: signali sa petog subjekta sa tremorom tokom izvođenja četiri prst‐nos ponavljanja.

(B) Normalizovani signal sa x‐ose akcelerometra postavljenog na desnoj šaci subjekta.

(C) Vremenski tokovi (fluktuacije) relativne snage delta EEG frekvencijskog opsega (0.5‐4 Hz) Relativna snaga dobijena je korišnjem formule za Pr2 iz poglavlja 7.2.3.

(D) Vremenski tokovi (fluktuacije) relativne snage nižeg alfa (alfa1) EEG frekvencijskog opsega (8‐11 Hz). Relativna snaga dobijena je korišnjem formule za Pr2 iz poglavlja 7.2.3.

(E) Detektor pokreta. Na mestima gde signal ima vrednost 1 – pokret je detektovan, a na mestima gde je 0 – nema detekcije.

55

Slika 32 – Vremensko frekvencijska prezentacija na bazi STFT (spektrogram) EEG signala drugog subjekta tokom prst‐nos pokreta. (A) EEG signal sa Cz elektrode, (B) Normalizovani signal sa akcelerometra desne šake (x‐osa), (C) Spektrogram EEG signala iz (A).

56

Slika 33 – Rezultati algoritma za detekciju pokreta na bazi STFT, za drugog subjekta i prst‐nos pokret. Žutom senkom označena su pojedinačna ponavljanja pokreta. (A) EEG signal sa Cz elektrode, (B) Normalizovani signal sa akcelerometra desne šake (x‐osa), (C) Delta ERD/ERS u procentima, (D) Alfa 1 ERD/ERS u procentima, (E) Detektovani pokreti: (0) nema pokreta, (1) detektovan pokret.

57

Slika 34 – Rezultati algoritma za detekciju pokreta na bazi STFT, za petog subjekta i voda u čašu zadatak. Žutom senkom su označene faze složenog pokreta. (A) EEG signal sa Cz elektrode, (B) Normalizovani signal sa akcelerometra desne šake (x‐osa), (C) Delta ERD/ERS u procentima, (D) Alfa 1 ERD/ERS u procentima, (E) Detektovani pokreti: (0) nema pokreta, (1) detektovan pokret.

58

Slika 35 – Vremensko‐frekvencijska prezentacija na bazi AR modela, EEG signala petog subjekta u toku prst‐nos pokreta. (A) EEG signal sa Cz elektrode, (B) Normalizovani signal sa akcelerometra desne šake (x‐osa), (C) Spektrogram EEG signala iz (A).

59

Slika 36 – Rezultati algoritma za detekciju pokreta na bazi AR modela, za petog subjekta i prst‐nos pokret. Žutom senkom označena su pojedinačna ponavljanja pokreta. (A) EEG signal sa Cz elektrode, (B) Normalizovani signal sa akcelerometra desne šake (x‐osa), (C) Delta ERD/ERS u procentima, (D) Alfa 1 ERD/ERS u procentima, (E) Detektovani pokreti: (0) nema pokreta, (1) detektovan pokret.

60

8.6 Diskusija Na osnovu prethodno izloženih rezultata zaključuje se da jedino peti ispitanik iz grupe pacijenata sa

tremorom pokazuje izražene obrasce vezane za voljne pokrete koji bi se sa većom pouzdanošću mogli detektovati pseudo‐online algoritmom. Kod subjekta 1 i 2 postoji i problem sinhronizacije između EEG snimaka i signala sa akcelerometara, jer je ona urađena naknadno (softverski). Takođe, eksperimentalni protokol nije izvršen u skladu sa ovom vrstom analize jer jedino prst‐nos pokret može poslužiti kao kriterijum određivanja stepena pouzdanosti detekcije ali ni za taj pokret nije bilo dovoljno ponavljanja (prosečno 20 po subjektu) da bi ti rezultati bili statistički relevantni. Dodatno, vreme mirovanja između dva susedna prst‐nos pokreta nije bilo dovoljno dugo (kod subjekata 1,2,3 i 4 prosečno manje od 1.5 sekunde) što je možda uzrok nekih lažnih detekcija između pokreta. Za subjekta 5 kod koga su dobijeni najbolji rezultati, ovaj period (baseline) je duži (1.5 – 2 sekunde).

Kod mnogih subjekata/zadataka zapažen je izražen šum koji nije bilo moguće otkloniti nijednom metodom filtriranja/otklanjanja artefakata jer je šum u opsegu frekvencija korisnih za analizu (posebno kod subjekata 3 i 4). Šumovi koji nastaju pri treptanju, pomeranju očnih jabučica ili mišića lica mogu maskirati MRP a mogu biti i uzrok lažnih detekcija pokreta jer su ovi artefakti najizraženiji u domenu niskih frekvencija (delta i teta frekvencijski opseg EEG signala).

U toku testiranja softvera nisu zapažene bitne razlike izmedju algoritma u kome se spektralna etimacija bazira na Furijeovoj transformaciji i onog na bazi AR modela. Isti pokreti su uspešno detektovani obema metodama.

Neke od lažnih detekcija pre početka pojedinačnih pokreta mogu biti posledica zamišljanja pokreta pre njegovog izvršenja, što je od subjekata zahtevano u toku eksperimentalnog postupka. Takođe, nijedan od subjekata nije bio prethodno pripremljen za BCI testiranja. Uspešnost primene BCI‐a često zavisi od obučenosti ispitanika prethodnim BCI treninzima sa feedback‐om (najčešće vizuelnim) [9].

Dobijeni rezultati za petog subjekta pokazuju da se pri adekvatnim merenjima može postići pouzdanost detekcije ERD/ERS kod pacijenata sa tremorom koja odgovara onoj sa zdravih pacijenata, što ukazuje na to da je korišćenjem opisane metode na bazi MRP i ERD/ERS moguće razlikovati voljne od nevoljnih pokreta (tremora).

61

9 Zaključak Osnovni cilj ovog rada bilo je ispitivanje mogućnosti detekcije voljnih pokreta kod pacijenata sa

tremorom na bazi EEG snimaka. Za tu svrhu razvijen je softver (priložen uz master tezu), za analizu EEG signala koji obuhvata kako algoritam za detekciju voljnih pokreta tako i deo za preprocesiranje, filtriranje i otklanjanje artefakata. Pored toga u okviru programa se mogu vršiti i osnovne manipulacije signalima kao što su segmentacija, iscrtavanje, odabir kanala i usrednjavanje po kanalima. Uz minimalne modifikacije ovaj softver se može prilagoditi detekciji različitih obrazaca vezanih za pokret, specifičnih za subjekte. To se pre svega odnosi na odabir frekvencijskih opsega (pod‐opsega) ili kanala od interesa. Budući rad u ovoj oblasti može obuhvatiti testiranje algoritma na novim podacima snimljenim za potrebe TREMOR projekta (eksperimentalna sesija u Briselu, februara 2010.), uvođenje novih metoda spektralne estimacije na bazi Wavelet transformacije, kao i adaptiranje algoritma za potrebe online analize.

62

10 Literatura [1] http://www.iai.csic.es/tremor/documents

[2] Akay M. (Ed.), Wiley Encyclopedia of Biomedical Engineering, Wiley‐Interscience, USA, 2006.

[3] Sanei S, Chambers J.A, EEG Signal Processing, John Wiley & Sons, UK, 2007.

[4] Popovic D.B, Popovic M.B, Jankovic M, Biomedicinska merenja i instrumentacija, 1. ed. Akademska misao, 2009.

[5] Graimann B, Pfurtscheller G, Quantification and visualization of event‐related changes in oscillatory brain activity in the time‐frequency domain. Progress in brain research (2006), 159():79‐97.

[6] Graimann B, Huggins J.E, Levine S.P, and Pfurtscheller G, Toward a direct brain interface based on human subdural recordings and wavelet‐ packet analysis, IEEE Trans. Biomed. Eng., vol. 51, no. 6, pp. 954–962, 2004.

[7] Pfurtscheller, G. and Lopes da Silva, F.H, Event‐Related Desynchronization, Electroenceph. and Clin. Neurophysiol. Revised Edition Vol. 6. Elsevier, Amsterdam, 1999.

[8] Sörnmo L, Laguna P, Bioelectrical Signal Processing in. Cardiac and Neurological Applications, Elsevier Academic. Press, 2005.

[9] Neuper C, Klimesch W. (Eds.), Event‐Related Dynamics of Brain Oscillations. Progress in Brain Research vol. 159, Elsevier, Amsterdam, 2006.

[10] Pfurtscheller G, Graimann B, Quantification and visualization of event‐related changes in oscillatory brain activity in the time–frequency domain, Progress in Brain Research (2006), Vol. 159.

[11] Graimann B, Huggins J.E, Levine S.P, Pfurtscheller G, Toward a Direct Brain Interface Nased on Human Subdural Recordings and Wavelet‐Packet Analysis, IEEE Transactions on Biomedical Engeneering, Vol.51, No.6, June 2004.

[12] Deecke L, Grozinger B, Kornhuber H.H, Voluntary finger movement in man: cerebral potentials theory, Biol. Cybern. (1976), 23: 99‐119.

[13] Gilden L, Vaughan H.G. Jr., Costa L.D, Summated human EEG potentials with voluntary movement.,Electroencephalogr. and Clin. Neurophysiol. (1966), 20: 433‐438.

[14] Kristeva R, Keller E, Deecke L, Kornhuber H.H, Cerebral potentials preceding unilateral and simultaneous bilateral finger movements, Electroencephalogr. Clin. Neurophysiol. (1979), 47: 229‐238.

63

[15] Kornhuber H.H, & Deecke, L, Hirnpotentialänderungen bei Willkurbewegungen und passiven Bewegungen des Menschen: Bereitschaftspotential und reafferente Potentiale, Pflügers Archive (1965), 284, 1‐17.

[16] Pfurtscheller G, and Aranibar A, Evaluation of eventrelated desynchronization (ERD) preceding and following voluntary self paced movement, Electroencephalogr. Clin. Neurophysiol. (1979), 46: 138–146. [17] Pfurtscheller, G. and Aranibar, A, Event‐related cortical desynchronization detected by power measurements of scalp EEG, Electroencephalogr. Clin. Neurophysiol. (1977), 42: 817–826. [18] Kalcher, J. and Pfurtscheller, G, Discrimination between phase‐locked and non‐phase‐locked event‐related EEG activity, Electroencephalogr. Clin. Neurophysiol. (1995), 94: 381–384. [19] Rugg M.D, Coles M.G.(Ed.), Electrophysiology of Mind: Event‐Related Potentials and Cognition, Oxford Psychology Series. Oxford University Press, Walton Street, Oxford OX2 6DP, 1996. [20] The MathWorks, "Matlab R2008b," The MathWorks, Inc., 2009.

[21] Teplan M, Fundamentals of EEG measurements, Measmt Sci. Rev., 2(2), 2002.

[22] Savic A, Popovic M.B, Popovic D.B, Detection of the “will to move” for an ambulatory system for tremor suppression based on functional electrical stimulation, 9th Congress of Clinical Neurophysiology with International Participation, Military Medical Academy, Belgrade, Oct. 2009.

[23] Savic A, Popovic M.B, Popovic D.B, Method for Voluntary Movement Detection in Tremor Patients Based on Single‐Trial EEG, TOBI Workshop 2010, Graz, Austria, Feb. 2010.