воскресенье, 6 ноября 2011 г.

Ad astra, per rectum.

Что интересно, всякий раз когда кто-то из моих знакомых узнает, что Я решил связать начать деятельность в области исследования мозга, меня спрашивают о наличии медицинского образования :). При этом если Вы наугад откроете почти любую книгу о работе мозга Вы с изумлением обнаружите что как минимум на треть они исписаны математическими формулами, на треть - химическими, и хорошо если оставшаяся треть содержит медицинские термины и анатомические описания. Хотя может мне только такие книги попадаются?

Ну что я могу ответить на это ... Когда мне было примерно восемь-девять лет, меня охватила страсть к Астрономии, дело было еще во времена старого Империума, когда каждый первый ребенок мечтал стать космонавтом и полететь на Марс, ну на худой конец просто в Космос. И Я помню, как открывал книгу по астрономии (она была красная, в ней почти не было картинок, там была только красная твердая обложка, и тонкие лощеные белые страницы с формулами) и читал ... пытаясь хоть чуть-чуть, но разобраться ... Мама меня потом спрашивала, понимал ли Я хоть что-то в этих книгах, они же были "скучные и не понятные" даже для нее. Я не могу сейчас точно ответить, но помню только одно. Тогда Я понимал, что каждое понятое слово приближает меня к моей МЕЧТЕ, а еще страницы пахли "звездами" :)

Как обстоит вопрос с официальным путем получения образования в области нейронаук:
1) Если Вы являетесь аспирантом одного из институтов (список прилагается внутри ссылки) Вы можете поступить в БИоН.
2) Если Вам "не повезло" с ВУЗ-ом, а желание учиться есть, то можно ознакомиться с учебными материалами в открытом доступе.

Чтобы немного разбавить эти сложные и наукообразные материалы Я решил написать маленький "ненаучный" обзор на тему "что и как можно делать с ЭЭГ". Конечно Я перечислил не все программы - только те, что смог установить и потрогать руками сам.

Кстати если Вы меня спросите, почему Я опять обхожу российские разработки - например WinEEG (ООО "Мицар"). Ну к примеру потому что он слегка платный 2000$ если брать отдельно и 1000$ если брать в комплекте с энцефалографом 6000$. В моем скромном бюджете исследователя-любителя - таких денег пока нет :)

Зачем вообще нужно изучать и развивать эти методы?
На этот вопрос лучше всего ответит это короткое видео (не забываем включать субтитры на русском языке)


На сегодняшний день есть два подхода к решению вопроса анализа ЭЭГ:

1) Вы в течение многих лет изучаете ЭЭГ самых различных больных, через какое-то время Ваш "мозг" обучается "чувствовать" патологии в ЭЭГ очередного пациента. Выглядеть это будет примерно так : Вы смотрите на ЭЭГ , у Вас срабатывает ассоциативная память, вспомнится страница из учебника. А может и не вспомнится. Тут на 100% придется довериться бессознательному.
Очевидный плюс такого метода - не надо разбираться с математикой и методами анализа сигналов. Всё это сделает "квантовый супер компьютер" у Вас на плечах.
Минусы конечно тоже есть: Он работает не всегда, если Вы немного измените начальные условия, например, будете просматривать ЭЭГ от другого прибора, или снятый другим набором датчиков, "компьютер может не сработать" - Вы же не знаете, как его действительно "правильно включать". Или знали, но вспомнили, как забыть?

2) Вы изучаете структуру сигнала, понятия "шума", "спектра", фильтрации и применяете эти методы для анализа.
Минусы: Надо разбираться в их работе, достоинствах и границах применения.
Плюсы: Они могут работать 24 часа в сутки, могут перелопатить гору данных, и не устанут. Конечно, автоматическим методам обработки ЭЭГ пока далеко еще до мозга, но игнорировать их в наш век - просто смешно.


Методов обработки достаточно много, но получивших наибольшее распространение пока только два:

Метод 1 - Цифровая фильтрация сигнала
Наиболее применяемый для обработки метод очистки сигнала от шумов. Т.к. ЭЭГ сигнал почти всегда содержит "шум", от него иногда можно избавиться. Если применить к нему формулу, которая позволит отсечь некоторые составляющие.
Пример на все измеряемые сигналы ЭЭГ обычно наложен шум от электрической сети 50 Hz. Чтобы избавится от него, можно попробовать применить к сигналу фильтр (0-40 Гц).
Есть различные виды фильтров (конечный (FIR), рекурсивный (IIR), Чебышева, Баттерворта) все они имеют свои плюсы и минусы. Но важно помнить одно, ни один из них не делает "чистый срез".
Все они вносят в сигнал некоторое искажение. Это искажение может "смазать" исходную форму сигнала. Чем сильнее в сигнале присутствует высокочастотная составляющая - тем сильнее будет заметно его искажение. Хуже всего "переживают" встречу с фильтрами прямоугольные импульсы (широкополосные сигналы).

Практически все программы из списка умеют её делать.
Хорошо цифровая фильтрация представлена в BioExplorer. На удивление слабовато в EEGLAB, в TestBench-е вообще никакая (представлена просто галочкой High-Pass Filter - c непонятными параметрами)
Самый широкий выбор видов фильтрации данных можно найти в OpenVibe, а после подключения к нему MATLAB, это просто "Army of TWO" (MATLAB - слева, OpenVibe - справа) :)

Метод 2 - Спектральный анализ
Любимый метод всех новичков, т.к. после можно как гуру начинать ругаться словами "альфа-ритм", "бета-волны", "медленно-волновая активности коры". Хотя за этим анализом стоят достаточно простые понятия :) Самое близкое к этому природное явление - радуга. Капля воды раскладывает солнечный свет на 7 компонентов цветов, точно также "свет" от мозга можно разложить на составляющие. Если в нем преобладает какой-то один компонент - это может что-то значить :) Красивее всего на плоскости рисует спектрограммы BioExplorer. Есть вариант с когда спектр проецируется на 3D изображение головы. Выглядит красиво - но для временного анализа мне кажется бесполезным. Исследовать как меняется сигнал во времени удобней на обычном графике. Делать спектральный анализ умеют EEMAGINE, OpenVibe , у Emotiv есть на сайте платные программы. По сути это просто наглядное изображение.


Метод N - Продвинутые методы
вейвлет-анализ, искусственные нейронные сети,корреляционный анализ, BSS, ICA - лихо описываемые в крутых научных журналах, пока широко не "прижились" в программах в отличии от описанных выше методов. Тем не менее лучшим домиком для них на сегодня является OpenVibe - наверно потому как он открыт для всех :) и денег за это не берут. Проблема использования данных методов заключается в том, что они имеют гораздо больше "побочных явлений" от применения, и могут жестко смазать "клиническую картину". Конечно если ими научится правильно пользоваться, то можно "творить чудеса".

Ну как можно заметить в "космос" Я так и не полетел , как по взмаху волшебной палочки мы сначала забыли о "звездах" , потом начали мечтать о безлимитном количестве жвачки "Бабл-гамм", потом о приставке "Денди", ... а сейчас это новенький iPad2 или "BMW X6" в кому как повезло забраться вверх по социальной лестнице ;)
И спроси меня сейчас "где тебе хочется жить?", не задумываясь ответил что там, где были бы "звезды", где была мечта :) , а "Зачем мне зеленый BMW? Таксовать?"

З.Ы. Отдельное спасибо CLOE за изображение утащенное из ее "обыкновенного" блога . Кстати особо примечателен комментарий который шел , к этой картинке
"Had to take a short break from Hitching A Semi to draw this. Don’t ask me why." - Чистая работа бессознательного - понимающего все слова - буквально :)

ССЫЛКИ для дальнейшего чтения:
1) Методичка ТРТУ ФЭП "Методы и средства анализа медикобиологической информации"
2) Школа проекта БиоН "Биоэкономика, основанная на знаниях: политика инновационного пути развития биотехнологии"
3) "А.Меклер список публикаций по теме нелинейного анализа ЭЭГ"
4) Немного подробнее о Downsampling-е

2 комментария:

  1. А в чем продвинутость-то методов N? Вроде как все вполне стандартно. Особенно для тех, кто занимается анализом ЭЭГ. Это ж всего лишь малая часть того, что давно используется.
    Причем в описанном Вами есть странности. Например, в чем продвинутость корреляционного анализа? Да и если человек более и менее знаком со спектральным анализом (в Ваших обозначениях метод 2), то он знает и о корреляции. Все же теорему Хинчина — Колмогорова о связи спектральной плотности с автокорреляционной функцией через преобразование Фурье никто не отменял.
    Так же странно упоминание BSS и ICA как отдельных методов. Все же анализ независимых компонент (independent component analysis, ICA) является одним из методов слепого разделения сигналов (blind source separation, BSS) при условии статистической независимости источников.

    ОтветитьУдалить
  2. Спасибо за конструктивный комментарий.
    Касательно корреляции - видимо Я являюсь тем редким исключением т.к. имею неосторожность быть знакомым и с тем и другим, но совершенно пропустил теорему Хинчина-Колмогорова.

    Пойду перечитаю что это за зверь. :)

    На счет BSS и ICA - подозревал что это из одной оперы, но поленился узнать точно.
    Спасибо за развернутое объяснение связи между ними. :)

    ОтветитьУдалить