Синтез электроэнцефалографических информационно-измерительных систем с переменной структурой тема диссертации и автореферата по ВАК РФ 05.11.16, кандидат наук Акулов, Леонид Геннадьевич

• Акулов, Леонид Геннадьевич
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Акулов, Леонид Геннадьевич

СОДЕРЖАНИЕ

Введение

1. Обзор проблематики синтеза электроэнцефалографических информационно-измерительных систем

1.1 Предметная область электроэнцефалографии

1.1.1 Биофизика электрических процессов мозга

1.1.2 Проблема артефактов в электроэнцефалографии

1.1.3 Задачи обработки больших объемов данных

1.2 Сложившаяся ситуация в области построения ЭЭГ ИИС

1.2.1 Анализ методов и средств синтеза ЭЭГ ИИС

1.2.2 Качественная формализация оперативного синтеза ЭЭГ ИИС

1.3 Выводы по главе

2. Разработка объектного метрологического синтеза ЭЭГ ИИС

2.1 Формализация задачи метрологического синтеза ЭЭГ ИИС

2.2 Объектно-ориентированная модель синтеза ИИС

2.3 Детализация межблочного взаимодействия элементов ИИС

2.4 Переход от биотехничекой к биоинструментальной электрофизиологической ИИС

2.5 Объектно-ориентированная модель ЭЭГ ИИС

2.6 Формализация оперативного синтеза ЭЭГ ИИС на основе модельного ядра ЭЭГ ИИС

2.7 Выводы по главе

3. Синтез системы для выбора схемы оптимальной фильтрации в ЭЭГ

ИИС

3.1 Формализация системы для оперативного синтеза фильтра, ускоряющего обработку больших объемов данных

3.2 ООМ информационно-измерительных потоков канала биоинструментальной части ЭЭГ ИИС

3.2.1 Модель формирования стандартных ритмов ЭЭГ

3.2.2 Формирование сигналов вызванных ответов (ERP)

3.2.3 Модель формирования сигнала ЭКГ

3.2.4 Модель источника ЭОГ

3.2.5 Механизм формирования аддитивной Гауссовой помехи

Л; t< f; . N „ " < ' ' ^ *

% \ ,1V ' 1 1 » !» ' ' •

« 1 I I г " I

3.2.6 Механизм формирования сетевой помехи 50 Гц

3.2.7 Модель двигательной активности и контакта кожа-электрод

3.2.8 Температурное воздействие

3.3 Инструментальная часть ИИС

3.4 ООМ реализация отдельных модулей канала ЭЭГ ИИС

3.5 Программный прототип базовой системы взаимодействия модулей электроэнцефалографической ИИС

3.6 Выводы по главе 97 4. Практическая оптимальная параметризация алгоритмов фильтрации электрофизиологических временных рядов и построение ИИС

4.1 Включение системы фильтрации в ЭЭГ ИИС

4.2 Устранение помех промышленных частот и дрейфа изолинии модифицированными вейвлет-фильтрами

4.1 Алгоритмическая схема выбора фильтра для устранения помех методом имитационного моделирования

4.2 Примеры фильтрации ЭКГ

4.3 Примеры фильтрации ЭЭГ

4.4 Оценка качества спроектированных фильтров

4.5 Этап создания опытного образца ЭЭГ ИИС

4.5.1 Аппаратная реализация элементов ядра ЭЭГ ИИС

4.5.2 Программная часть ИИС

4.6 Выводы по главе 132 Заключение 134 Список использованной литературы 135 Приложение А ЦМЬ-структура базовых блоков ЭЭГ ИИС 154 Приложение Б Исходный код прототипа модуля С_81ЖР 159 Приложение В Математические основы физического моделирования каналов ЭЭГ ИИС 165 Приложение Г Построение фильтров на дискретном вейвлет-преобразовании

I I

/4 ! } ' >

Л ,

Введение диссертации (часть автореферата) на тему «Синтез электроэнцефалографических информационно-измерительных систем с переменной структурой»

ВВЕДЕНИЕ

Актуальность темы. В настоящее время в машиностроении, медицине, промышленности, и иных отраслях приходится сталкиваться с возрастающей сложностью объектов оперативного контроля. Возникает задача многоканальной регистрации и обработки колоссального объема данных и принятия оперативного решения по ним. Это ведет к ужесточению требований к информационно-измерительным системам (ИИС). Возникают большие, постоянно возрастающие объемы методов и средств для измерения и анализа сложных объектов. Ориентация в этом массиве затруднена в силу слабой структурированности его элементов; четко не определены законы добавления, корректировки и удаления элементов. Оперативное ужесточение требований к ИИС ведет либо к полной замене ИИС, либо существенной модификации (что требует привлечения временных, финансовых и иных ресурсов).

Примером сложной системы, требующей построения сложной ИИС является головной мозг человека. Требуется большое количество биотехнических моделей мозга и систем измерения его состояний. Синтез ИИС должен проводиться с использованием однозначных и воспроизводимых условий эксперимента (биоэлектрическая активность, состояние пациента технологические условия измерения). Это возможно эффективно провести, используя методы имитационного моделирования для синтеза ИИС.

Задачи при проведении измерительных экспериментов, связанных с анализом сложных объектов (головной мозг) постоянно меняются (особенно в научных исследованиях). Современной тенденцией развития ИИС, в общем, и биомедицинской техники для поддержки электроэнцефалографических (ЭЭГ) -исследований, в частности, является усложнение алгоритмов обработки полученной информации как на этапе сбора, так и на этапе анализа и интерпретации. Скорость изменения структуры ИИС не соответствует запросам изменения качества и количества требуемых на выходе значений.

Актуальна задача выработки единого подхода к процессу синтеза биомедицинских информационно-измерительных систем (ИИС), основанных на методе регистрации и анализа электрических потенциалов мозга. Концептуально решение задачи предлагается основывать на выделении базовой структуры совокупности преобразующих операций, названной модельным ядром электроэн-

3*4

л^/^^У^'^ги'»ил V^пн-ч у! Ч кЧ'"лМ*м 4 «ипчиЧ' ^ч^чЧ* »р« **„|> г' г л '■■¡м I' л »я V

цефалографической системы. При этом осуществляется описание её основных структурных элементов с целью унификации процессов синтеза методов и средств, упрощения использования существующими методами и средствами, как их разработчиками, так и пользователями. Это позволит формализовать и упростить процесс оперативного усовершенствования существующих ЭЭГ

ИИС, являющихся сложными системами (требующими для их синтеза и анали-

t

за предварительной декомпозиции на составляющие).

Разработка системы компьютерной поддержки ЭЭГ-измерений, основанной на единой модели процесса зарождения, трансформации, съема и интерпретации сигналов позволяет оперативно осуществлять гибкую настройку функционала соответствующих систем в зависимости от конкретных задач исследования (в области диагностики, терапии и биоуправления). Построение моделей измерительных уравнений позволяет определять принятые измерительные процедуры, что дает возможность решать задачи метрологического обеспечения БТС в целом, а не только отдельно их чисто инструментальной части.

Степень разработанности темы. Ввиду отсутствия целостности при рассмотрении процесса синтеза технического решения поддержки ЭЭГ-исследований вопросы построения систем для поддержки оперативного синтеза не рассматриваются. Современное решение проблемы системности основывается на понятии биотехнических систем (БТС), то есть особого класса технических систем, представляющих совокупность биологических и технических элементов, связанных между собой в едином контуре управления. БТС рассматривается Ахутиным В.М., Попечителевым Е.П., Кореневским А.Н. и др. Понятие БТС можно расширить, если положить, что часть измерительных преобразований будет выполнять сам биологический объект. При этом осуществляется принцип «навязывания» структуры. Наличие структуры позволяет ставить задачу метрологического синтеза и дает вариант её решения. Описанный подход получил название «биоинструментальный» и в настоящее время эта теория активно развивается на кафедре Вычислительной техники ВолгГТУ под руководством Мухи Ю.П. Этот подход позволяет решать задачи в рамках теории метрологического анализа и синтеза, разрабатываемого, в частности, Цветковым Э.И. Проблема многоканальности биомедицинских ИИС освещена в работах Литовкина Р.В. Кроме того, общие вопросы синтеза ИИС разрабатывались, Но-

воселовым О.Н., Фоминым А.Ф., Заико А.И. и д.р., но без привлечения современного объектно-модульного подхода. В настоящее время большую популярность получили системы компьютерного моделирования, такие как Lab View и MATLAB, позволяющие моделировать сложные модульные ИИС. Однако эти системы являются закрытыми и не поддерживают идеологию метрологического синтеза биоинструментальных ИИС; расширение функционала, в частности, для ЭЭГ ИИС в разных системах лишено универсальности.

Целью работы является разработка системы для поддержки оперативного синтеза электроэнцефалографических ИИС в условиях возрастающего объема измерительной информации.

Задачи работы

1. 1. Систематизировать базовые методы и средства, применяемые при построении ИИС для поддержки электроэнцефалографических исследований с составлением их иерархии на основе формализации процесса формирования биоэлектрической активности головного мозга с использованием достижений современной физиологии и биофизики и выделением проблем при регистрации и интерпретации электроэнцефалографических данных;

2. Формализовать метод оперативного синтеза ЭЭГ ИИС, с разработкой метода формирования его базовой структуры и установлением порядка добавления, изменения и удаления элементов, а также порядка их взаимодействия;

3. Применить метод синтеза ЭЭГ ИИС для формализации преобразователей конкретных информационно-измерительных потоков, возникающих в типовых ЭЭГ ИИС с созданием ее модельного прототипа средствами современных языков программирования высокого уровня;

4. Используя модельный прототип ЭЭГ ИИС, создать программный модуль для поиска метода оперативной фильтрации многоканальных ЭЭГ-сигналов, устраняющую артефакты на электроэнцефалограммах;

5. Применить разработанный метод для создания программного комплекса генерации биоэлектрической активности и модуля постобработки данных в ЭЭГ ИИС с апробацией спроектированных и запрограммированных фильтров.

Объект исследования. Информационно-измерительные системы для исследования биоэлектрических потенциалов мозга человека.

Предмет исследования. Процесс синтеза сложных ИИС для электроэнцефалографических измерений с возможностью их оперативной модификации при возрастающем объеме данных измерений и ужесточения условий их получения.

Методы исследования. Для решения поставленных задач были использованы методы теории функциональных систем в биологии и медицине, методы биомедицинского анализа электроэнцефалографических сигналов, системного анализа, структурные методы проектирования систем, теория множеств, теория категорий и функторов, методы объектно-ориентированного моделирования (ООМ) и программирования (ООП), математические методы анализа временных рядов, методы цифровой обработки сигналов, методы имитационного моделирования, методы оптимизации.

Научная новизна

1. Разработан принцип построения новых образцов ИИС, сокращающий временные затраты на их модификацию за счет сочетания теории метрологического синтеза, как математической формализации процесса создания ИИС, и объектно-ориентированного моделирования с теорией межмодульного взаимодействия.

2. Формализован процесс синтеза ИИС на основе выделения базовой структуры преобразующих операций, применительно для ЭЭГ измерений, обозначенной модельным ядром ИИС, позволяющим совершенствовать существующие и создавать новые образцы ИИС, улучшать их технические и эксплуатационные характеристики быстрее и качественнее чем существующие разрозненные инженерные методики.

3. Создан метод информационного обеспечения процесса синтеза ЭЭГ ИИС на основе формализации биотехнической системы, основанный на иерархическом представлении этапов формирования, трансформации, съема и интерпретации биоэлектрических сигналов мозга, позволяющий моделировать измерительные каналы ЭЭГ ИИС для оперативного выделения диагностических параметров при анализе состояний головного мозга.

4. Осуществлен синтез быстрых методов преобразования больших объемов электроэнцефалографических данных для оперативной диагностики состояний головного мозга, на основе дискретного вейвлет-преобразования,

включенного в состав ЭЭГ ИИС, в отличие от применяющихся методов, не справляющихся с оперативной обработкой.

Практическая значимость

1. При помощи универсального языка моделирования (ЦМЬ) осуществлен синтез прототипа базовых измерительных модулей биотехнической ЭЭГ ИИС. Средствами языка программирования высокого уровня создано программное обеспечение для поддержки метрологического синтеза на основе структурного состава ИИС.

2. Составлено техническое описание системы, реализующей конкретную модель каналов ЭЭГ ИИС с применением операции наследования от базовых измерительных модулей модельного ядра ЭЭГ ИИС: основные функции, порядок их взаимодействия, форматы данных на входах и выходах, что необходимо для реализации ЭЭГ ИИС.

3. Создан программный модуль обработки и анализа биоэлектрических сигналов для оперативной диагностики состояний головного мозга с применением фильтра, основанного на дискретном вейвлет-преобразовании.

4. Создан программный модуль-генератор цифровых данных биоэлектрической активности организма (электроэнцефалограмм, электрокардиограмм, вызванных потенциалов, сигналов кожно-гальванической реакции) с учетом индустриальных и биологических помех, артефактов и различных условий измерений.

5. Осуществлен синтез аппаратного модуля ЭЭГ ИИС на современной элементной электронной базе с применением алгоритмов быстрой обработки сигналов в программном коде.

Достоверность результатов исследования обусловлена корректностью математических выводов, строгой аналитической аргументацией полученных теоретических положений с использованием физических законов, достаточным количеством результатов, коррелирующих с экспериментальными и литературными данными.

Положения, выносимые на защиту:

1. Принцип построения ИИС, базирующийся на математической теории категорий, функторов, принципах объектно-ориентированного моделирования с выделением базовой структуры преобразующих измерительных операций,

ИЛ IV

) * 4 'Ч М

г У

>ЛА /«V а 1 и Ч м » ?

' V (|< Р '

ГЦ

V 1 Ч1 ' V» 'и V УЛ< I

' 'ЙН', л"!*'? 1

( 1 1|Т> » ,

(1"

представленной структурно-иерархической объектной моделью, позволяет формализовать оперативный синтез ИСС в рамках структурно-аналитического подхода с возможностью добавления, изменения и удаления функций в составе ИИС с разработкой модельного и программного прототипа ИИС.

2. Типовые структурные модели измерительных ситуаций электроэнцефалографического исследования, адаптированные для включения в модельное ядро биотехнической ЭЭГ ИИС, формализуют инструментальную часть ИИС и применимы для синтеза ЭЭГ ИИС и испытания ее опытных образцов методом имитационного моделирования.

3. Применение в алгоритмах цифровой обработки электроэнцефалографических данных методов дискретной вейвлет-фильтрации позволяет улучшить показатели диагностики состояний головного мозга в оперативном масштабе времени при наличии помех в регистрируемых данных.

Реализация научно-технических результатов

Результаты работы использованы в госбюджетной НИР в соответствие с темами: № 31-53/429-04 «Разработка методов синтеза сложных измерительных систем на базе нейронных сетей»; № 31-53/145-09; № 31-53/435-12 «Проектирование сложных измерительных комплексов» выполняемых на кафедре «Вычислительная техника» ВолгГТУ по плану Минобрнауки РФ. Отдельные результаты получены при финансовой поддержке Минобрнауки РФ в рамках программы ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009-2013 гг., мероприятие 1.4, соглашение от 14.11.2012 г. № 14.А18.21.2081. Теоретические и практические результаты внедрены в учебный процесс ВолгГТУ в дисциплинах «Технические методы диагностических исследований и лечебных воздействий» и «Основы медицинских измерений». Результаты работы включены в учебный план подготовки студентов по направлению «Биотехнические системы и технологии» Волгоградского государственного медицинского университета.

Апробация результатов. Результаты исследований докладывались на научных семинарах кафедры Вычислительная техника ВолгГТУ (Волгоград 2005-2012); ежегодных внутривузовских конференциях ВолгГТУ (Волгоград 2005-2012); международных конференциях «Информационные технологии в образовании, технике и медицине» (Волгоград 2006, 2009); 7-й международной

науч.-техн. конф. «Измерение, контроль, информатизация (ИКИ-2006)» (Барнаул 2006); II и III Всероссийских конференциях с международным участием «Новые информационные технологии в медицине» (Волгоград 2007, 2008); I, IV и V научных конференциях «Системный анализ в медицине (САМ)» (Благовещенск, 2007, 2010, 2011); Ежегодной всероссийской научной школе-семинаре «Методы компьютерной диагностики в биологии и медицине» (Саратов 2008); XII межвузовской конференции студентов и молодых ученых г. Волгограда и Волгоградской области (Волгоград 2007); XV международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика» (Москва 2009); 15-м Российском симпозиуме с международным участием «Миллиметровые волны в медицине и биологии» (Москва 2009); VI международной научно-технической конференции «Актуальные вопросы теоретической и прикладной биофизики, физики и химии. БФФХ-2010» (Севастополь 2010); I и III Всероссийских научных школах для молодежи «Нейробиология и новые подходы к искусственному интеллекту и к науке о мозге» (Таганрог 2010, 2012); Всероссийской научной школе «Нейротехноло-гии 2010. Биоэкономика, основанная на знаниях: политика инновационного пути развития биотехнологии. БиоН-2010» (п. Бекасово Московской обл., 2010); X Международной научно-технической конференции «Распознавание - 2012», (Курск 2012); I и II МНПК «Инновационные информационные технологии» (г.Прага, Чехия 2012, 2013); XII Всероссийской научно-технической конференции «Медицинские информационные системы МИС-2012» (Таганрог 2012).

Публикации Основные результаты исследования представлены в 39 работах, из них: 15 статей в изданиях, рекомендованных ВАК РФ; 3 свидетельства о регистрации программ для ЭВМ.

Личный вклад автора. Основные научные результаты и рекомендации, содержащиеся в диссертационной работе и публикациях, получены автором самостоятельно и под руководством научного руководителя Мухи Ю.П.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, литературы (192 источника), включает 153 страницы основного текста, 67 рисунков, 6 таблиц и 6 приложений на 47 страницах, содержащих детальное описание модели ядра ЭЭГ ИИС, исходные тексты программ, математические модели типовых измерительных преобразований ЭЭГ ИИС.

Список использованных сокращений

АЧХ - амплитудно-частотная характеристика

A3 - априорные знания

БТС - биотехническая система

БФР — блочно-функциональное распределение

ВЧ — высокие частоты

ДВП - дискретное вейвлет-преобразование

ИК - измерительный канал

ИИС - информационно-измерительная система

КГР - кожно-гальваническая реакция

КИХ - конечная импульсная характеристика

КОСС - коэффициент ослабления синфазного сигнала

МА - метрологический анализ

МКИ - «мозг-компьютер» интерфейс

МС - метрологический синтез

НЧ - низкие частоты

ООМ - объектно-ориентированное моделирование

ООП - объектно-ориентированное программирование

ПО - программное обеспечение

СИ - средство измерения

ФЧХ - фазово-частотная характеристика

ЭКГ - электрокардиограмма

ЭМГ - электромиограмма

ЭОГ - электроокулограмма

ЭЭГ - электроэнцефалограмма

ЭЭГ ИСС - электроэнцефалографическая ИИС

EEG - Electroencephalogram (англ. ЭЭГ)

BCI — Brain Computer Interface (англ. МКИ)

ЯВУ- язык высокого уровня

NeroFeedback - биологическая обратная связь

UML - Unified Modeling Language (унифицированный язык моделирова-

\

1. Обзор проблематики синтеза электроэнцефалографических

информационно-измерительных систем

1.1 Предметная область электроэнцефалографии

1.1.1 Биофизика электрических процессов мозга

Для корректной формализации постановки задачи диссертации следует кратко рассмотреть предметную область с выделением проблемных участков, запланированных к решению.

Актуальность исследования методов усовершенствования электроэнцефалографических информационно-измерительных систем вызвана широким спектром их применения в медико-биологической практике с перспективой дальнейшего развития. Съем биоэлектрических потенциалов мозга используется при решении задач: 1) медицинской диагностики, 2) терапии 3) систем «интерфейс мозг-компьютер» (МКИ).

Электроэнцефалограмма (ЭЭГ) представляет собой массив изменяющихся во времени электрических потенциалов, порождаемых деятельностью нейронных структур головного мозга, регистрируемых, на поверхности головы [41, 46, 48, 50, 103, 130, 148]. Большинство современных теорий описания генезиса формирования ЭЭГ основаны на дипольной модели источника электрической активности (совокупность нейронных клеток, имеющих вытянутую структуру). Вдоль нейронов в виде электрического тока распространяется нервный импульс. Эта активность заставляет отдельные нейроны взаимодействовать друг с другом. Полученный элементарный токовый диполь генерирует во внеклеточном пространстве электрическое поле, которое, суммируясь с полями других источников и, трансформируясь структурами мозга, вызывает изменение конфигурации потенциалов на его поверхности и, соответственно, на скальпе.

Нейроны, обеспечивающие основной вклад в ЭЭГ по современным представлениям расположены, главным образом, в коре головного мозга. Они ориентированы преимущественно перпендикулярно плоскости его поверхности. Именно такая ориентация, как показано в литературе [151], обеспечивает максимум электрического поля в областях, расположенных на их главной оси, что позволяет говорить об их основной роли в структуре ЭЭГ.

л

Между различными нейронами существует связь, которая обеспечивает их синхронизацию. В результате в тот или иной процесс, отражающий активность мозга, одномоментно вовлечена большая группа нейронов, суперпозиция электрических полей которых образует, так называемый, эквивалентный пространственный диполь. А потому, когда речь заходит об эквивалентном диполе, то под ним понимают, прежде всего, средний момент, вычисленный в определённом объёме (мезоисточник [151]).

Кора головного мозга у млекопитающих, в особенности у высших приматов, имеет сложную геометрию. Она изрезана бороздами, в которых расположение пирамидальных нейронов теряет нормальную ориентацию по отношению к внешним поверхностям головы, то есть к пластине черепа и натянутой на него коже скальпа. В результате поле в областях борозд существенно трансформируется. Схема расположения токовых диполей в коре и конфигурация поверхностей головы показана на рисунке 1.1.

В настоящее время для описания распространения электрического поля в структуре головы, как самая простая, принята модель концентрических сфер с разной проводимостью (наиболее часто используют трехслойную и четырёхслойную модели). Внутри сфер размещается один или несколько эквивалентных токовых диполей. Схема типичного представления этой модели с основными геометрическими характеристиками представлена на рисунке 1.2. Описанный подход часто используют при решении прямой задачи и обратной задачи ЭЭГ [38,42,46,151].

Рисунок 1.2 — Геометрия сферической модели головы при решении прямой и

обратной задачи ЭЭГ Описанная модель не единственная. Существуют более сложные подходы к формированию ЭЭГ, но так или иначе, именно дипольное представление является доминирующим при описании биофизических основ её формирования. Как правило, современные методы основаны на уточнении параметров существующего сферического подхода. Например, это эллипсоидный подход [94], метод конечных элементов, или иной более сложный.

Амплитуда, мкВ

1000

250 • 100

Частота, Гц

0,03 0,3 30 300 3000

Рисунок 1.3 — Амплитудно-частотный диапазон различных электрофизиологических активностей (по Гнездицкому) С точки зрения параметров регистрируемых потенциалов, область электроэнцефалографических сигналов лежит на частотах 0.1-100 ГЦ, с отдельными проявлениями до 3000 Гц и амплитудами 1-100 мкВ с отдельными проявлениями до нескольких милливольт [38, 145]. Амплитудно-частотное распределение для ЭЭГ сигналов показано на рисунках 1.3 и 1.4. Кроме того, на рисунках приведены данные об электрокардиографическом сигнале

(ЭКГ), электроокулографическом (ЭОГ), электромиогмамы (ЭМГ). Видно, что даже специалисты не всегда четко формируют представление о взаимном расположении видов электрофизиологических активностей.

ю

Vultdge

range

f<H4

0.1 1.0 ИГ 1<И 10* 10* Рисунок 1.4 - Амплитудно-частотный диапазон различных электрофизиологических

активностей (по Michael R. Neuman)

Г7"

1<Н

Beta (ß) 13-30 Н/

/WVWVWVWW

Thêta (в) 4-8 Нг

^^лДДл^МЛД^

Delia (S) 0.5-4 Hz

200-

HV ioo-

o-1

I

6

Time Sec

Рисунок 1.5- Характерные виды ЭЭГ сигналов Характерные виды электроэнцефалограмм и ритмы показаны на рисунке 1.5. Кроме того, к характерным видам ЭЭГ активности относятся такие проявления, как вызванные потенциалы (ВП) с амплитудой порядка нескольких микровольт и разного рода патологические активности, например, являющиеся следствием проявления эпилепсии. Так, источник [158] дает опи-

сание частотных диапазонов электроэнцефалографических сигналов в виде таковой таблицы (таблица 1.1).

_Таблица 1.1 Частотное распределение видов ЭЭГ активностей

Виды активности Название активности Частотный диапазон

ЭЭГ ритмы головного мозга, регистрируемые поверхностными электродами, расположенными на голове Дельта волны 0,5-4 Гц

Тета волны 4-7,5 Гц

Альфа волны 7,5-13 Гц

Нижние бета волны 13-15 Гц

Бета волны 15-20 Гц

Верхние бета волны 20-38 Гц

Гамма волны 38-42 Гц

Вызванные потенциалы головного мозга (ERP) Визуальные вызванные потенциалы (УЕР) 1-300 Гц

Слуховые вызванные потенциалы (АЕР) 100 Гц-3 кГц

Соматосенсорные вызванные потенциалы (ББЕР) 2 Гц- 3кГц

Вообще, согласно [83], характеристики биопотенциалов тканей и органов для головного мозга на поверхности скальпа: 3,5-40 Гц, 2-200мкВ; на открытом мозге: 0,1-120 Гц, 50-5000 мкВ.

Резюмируя вышесказанное, стоит отметить, что, практически все источники сходятся во мнении, что основная ЭЭГ-активность лежит в диапазоне 0,1 - 100 Гц с амплитудой не превышающей 1мВ.

Временные характеристики передачи импульса от глубинных структур мозга к его поверхности, из-за наличия емкостных характеристик тканей, дают задержку 1-10 мс [46], а потому волновые электрические эффекты, в электроэнцефалографии не рассматриваются ввиду ничтожной значимости.

1.1.2 Проблема артефактов в электроэнцефалографии

Наиболее распространенная проблема, электроэнцефалографического измерения — проблема артефактов. Артефакт - это помеха измерениям, проявляющаяся в регистрируемом сигнале. Артефакты делят на физические и физиологические [50].

Физические артефакты при ЭЭГ-регистрации (погрешности съёма потенциалов, вызванные особенностями электродного отведения), согласно [83]: погрешность импеданса (падение части сигнала на сопротивлении границы «кожа-электрод); погрешность искажения (искажение электрического поля проводящим материалом электрода и входными токами усилителя био-

2 V ^¿Сччд I I г Л*!)/ ¡Л»»/«41 * МЛ^Л Л^и'и^Л ^ЧМ ]Л* Л*!, Л , ы Ш п ,1, «и « <1,1г||Ч г»Ч Л 1V 1 к I \>

потенциалов); погрешность усреднения - усреднение потенциала поверхности тела под электродом в силу его конечных размеров; погрешности разбаланса - разбаланс суммирующих цепей нулевых электродов с учетом сопротивления кожи и входного сопротивления усилителя; погрешности наложения - результат неточности наложения электрода в выбранную точку и различие в свойствах токопроводящих жидкостей и паст.

К физиологическим артефактам, согласно [50], относят, прежде всего: электромиографические; электроокулографические; глотательные; потенциалы, связанные с изменением физиологического состояния кожи. Кроме того, это не указанные в [50], но выделяемые в других источниках [166, 177] артефакты, вызванные работой сердечнососудистой системы, таких как ЭКГ и пульсовые проявления. Устранение артефактов без участия человека является актуальной задачей. Особенно устранение необходимости человеческого контроля нужно там, где обработка происходит в реальном времени (это, прежде всего системы интерфейса мозг-компьютер (ВС1) [105, 189] и системы биологической обратной связи (ЫегоРееёЬаск)) или где специалист лишен возможности наблюдать за объектом исследования (за пациентом), в системах длительного мониторирования, например, в палатах интенсивной терапии. Так, ЭЭГ является наиболее информативным показателем, при диагностировании смерти головного мозга, потому электроэнцефалограф, будучи включенным в телемедицинскую систему должен самостоятельно принимать решения относительно наличия артефактов и состояния мозга пациента.

Список литературы диссертационного исследования кандидат наук Акулов, Леонид Геннадьевич, 2013 год

Список использованной литературы

1. Акулов, Л.Г. Адаптивные методы в электроэнцефалографических измерениях / Л.Г. Акулов, Ю.П. Муха // Биомедицинские технологии и радиоэлектроника. - 2007. - №5. - С. 45-51.

2. Акулов, Л.Г. Вейвлет-фильтрация в полианализаторах реального масштаба времени / Л.Г. Акулов, Р.В. Литовкин, Ю.П. Муха // Биомедицинская радиоэлектроника. - 2011. - № 6. - С. 33-40.

3. Акулов, Л.Г. Инструментальная часть информационно-измерительной системы исследования биопотенциалов мозга / Л.Г. Акулов // Инновационные информационные технологии : матер, первой междунар. науч.-практ. конф. , г. Прага, 23-27 апр. 2012 г. / Моск. гос. ин-т электроники и математики (МИЭМ) [и др.]. - М., 2012. - С. 221-223.

4. Акулов, Л.Г. Математическое моделирование в медицинских измерениях / Л.Г. Акулов // Известия ЮФУ. Серия: Технические науки. - 2012.

- № 9. - С. 56-61.

5. Акулов, Л.Г. Методы статистического разделения электрофизиологических сигналов / Л.Г. Акулов // Бюллетень Волгоградского научного центра РАМН и Администрации Волгоградской области. - 2007. - №3.

- С. 42.

6. Акулов, Л.Г. Методы обработки электроэнцефалографических данных / Л.Г. Акулов, Ю.П. Муха // Известия ВолгГТУ. Серия "Электроника, измерительная техника, радиотехника и связь": межвуз. сб. науч. ст. / ВолгГТУ.

- Волгоград, 2008. - Вып. 2, № 4. - С. 66-69.

7. Акулов, Л.Г. Применимость вызванных потенциалов для восстановления передаточной характеристики мозг-электрод / Л.Г. Акулов // Бюллетень Волгоградского научного центра РАМН. - 2008. - № 3. - С. 39.

8. Акулов, Л.Г. Спектрально-корреляционный метод разделения сигналов / Л.Г. Акулов, И.В. Сафонов, Ю.П. Муха // XII региональная конференция

молодых исследователей Волгогр. обл., г. Волгоград, 13-16 нояб. 2007 г.: тез. докл. / ВолгГТУ [и др.]. - Волгоград, 2008. - С. 207-208.

9. Акулов, Л.Г. Метрологические критерии качества в синтезе измерительной медицинской техники / Л.Г. Акулов, Ю.П. Муха // Радиоэлектроника, электротехника и энергетика: тез. докл. XV междунар. н.-т. конф. студ. и аспир., 26-27 февр. 2009 г. / Московский энергетический ин-т (техн. ун-т) [и др.]. - М., 2009. - Т. 1. - С. 227-228.

10. Акулов, Л.Г. Метрологический подход к оценке структурной сложности системы исследования биопотенциалов мозга / Л.Г. Акулов, Р.В. Литовкин // Биомедицинская радиоэлектроника. - 2009. - № 4. - С. 42-50.

11. Акулов, Л.Г. Применение объектно-ориентированного моделирования для синтеза электроэнцефалографических измерительных систем / Л.Г. Акулов, Ю.П. Муха // Известия Юго-Западного гос. ун-та. Серия "Управление, вычислительная техника, информатика. Медицинское приборостроение". -2012.-№ 1.-С. 47-53.

12. Акулов, Л.Г. Алгоритмические особенности представления электрофизиологических временных рядов в базисе функций Габора / Л.Г. Акулов, И.А. Тарасова, Ю.П. Муха // Биомедицинская радиоэлектроника. -2010.-№6.-С. 31-37.

13. Акулов, Л.Г. Метод опорных векторов в задачах выявления состояний биологических систем / Л.Г. Акулов, Д.С. Харин, Ю.П. Муха // Информатика и системы управления. - 2010. - № 2. - С. 103-105.

14. Акулов, Л.Г. Подавление артефактов ЭЭГ как задача системной идентификации / Л.Г. Акулов // Методы компьютерной диагностики в биологии и медицине - 2008: матер, ежегод. всерос. науч. шк.-семинара, 3-5 июля 2008 г. / Саратовский гос. ун-т им. Н.Г. Чернышевского. - Саратов, 2008. - С. 68-72.

15. Акулов, Л.Г. Ядро электроэнцефалографической информационно-измерительной системы / Л.Г. Акулов, Ю.П. Муха // Нейробиология и новые подходы к искусственному интеллекту и к науке о мозге : тез. тр. третьей

всерос. науч. шк. для молодёжи, 28-29 июня 2012 г. / ЮФУ [и др.]. - Ростов н/Д, 2012.-С. 62-65.

16. Андерсон Д.А. Дискретная математика и комбинаторика. : Пер. с англ. - М. : Изд. дом "Вильяме", 2004. - 960 с.

17. Анохин, П.К. Очерки по физиологии функциональных систем / П.К. Анохин. - М. Медицина, 1975. - 448 с.

18. Аппаратно-программный комплекс для регистрации и анализа биоэлектрических потенциалов человека / Р.В. Литовкин, М.П. Иванов, Л.Г. Акулов, С.А. Русаков // Информационные технологии в образовании, технике и медицине: матер, междунар. конф., Волгоград, 23-26 октября 2006 г. / ВолгГТУ и др. - Волгоград, 2006. - С. 208-209.

19. Айфичер, Э. С Цифровая обработка сигналов: практический подход, 2-е издание.: Пер. с англ. / Э. С. Айфичер, Б. У. Джервис - М., 2004. - 992 с.

20. Арутюнов П.А. Теория и применение алгоритмических измерений. -М.:Энергоатомиздат, 1990. - 256 с.

21. Бабкин Н.Ф. Использование анализа независимых компонент для обработки данных ЭЭГ-исследовании // Биомедицинская радиоэлектроника. -2007.-№10.-С. 15-20.

22. Барк Е. Д., Шевелев И. А., Куликов М. А. и др. Траектории смещения по мозгу человека дипольного источника фоновой альфа-активности // Журнал высшей нервной деятельности - 2005, Т. 55, №3, С. 336-346.

23. Басараб, М. А. Цифровая обработка сигналов на основе теоремы Уиттекера-Котельникова-Шеннона / М.А. Басараб, Е.Г. Зелкин, В.Ф. Кравченко, В.П. Яковлев. - М.: Радиотехника, 2004. - 72 с.

24. Биофизические характеристики тканей человека. Справочник / Березовский В.А., Колотилов H.H.; Отв. ред. и авт. предисл. Костюк П.Г. -Киев: Наук, думка, 1990. - 224 с.

25. Бенькович Е.С., Колесов Ю.Б., Сениченков Ю.Б. // Практическое моделирование динамических систем. - СПб.: БХВ-Петербург, 2002. - 464с.

I

/у V*1.!. 4> 0\V '

1 Г-л

>1 ''j / „ 'и

• J «• t '

1 (

.1'

■(<(' . 1« ь,,f AUVmO

»> i 'v >v ¡А.«

1 >л 'с

i * V ' I r ;

л

.и.

I щ ( «»« .

Д'Л' <

I »l I

Vi 1

'Mi

л [I

/'I." ' it И ' i

1 t Г

<t '

26. Бибикова JI.A. Системная медицина (путь от проблем к решению) / Л.А. Бибикова, C.B. Ярилов. - СПб.: НИИХ СПбГУ, 2000. - 154 с.

27. Биотехнические системы: Теория и проектирование. Учеб. пособие / Ахутин В.М. и др. Л.:Изд-во ЛГУ, 1981, 220 с.

28. Биопотенциалы мозга человека. Математический анализ/ Под. ред. В. С. Русинова; АМН СССР. - М.: Медицина, 1987. - 256 с.

29. Богомолов А. М., Салий В. Н. Алгебраические основы теории дискретных систем. - М.: Наука, 1997. - 368 с.

30. Большаков, А. А. Методы обработки многомерных данных и временных рядов: учебное пособие для вузов / А. А. Большаков, Р. Н. Каримов.

- М.: Горячая линия-Телеком, 2007. - 522 с.

31. Бугров, A.B. Метод исследования функции адаптации организма по вариабельности сердечного ритма на базе математического аппарата нелинейной динамики / A.B. Бугров, Ю.П. Муха // Известия ВолгГТУ. Сер. "Электроника, измерительная техника, радиотехника и связь". - 2007. - Вып. 1.

- №6. - С. 94-98.

32. Бугров, A.B. Структурно-топологическая модель функции адаптации /

A.B. Бугров, Ю.П. Муха // Известия СПб ТЭТУ «ЛЭТИ». Серия «Биотехнические системы в медицине и экологии». - 2006. - Вып. 2. - С. 20-27.

33. Бугров, A.B. Структурно-топологическая модель функции адаптации и оценка качества адаптации / A.B. Бугров, Ю.П. Муха // Биомедицинские технологии и радиоэлектроника. - 2007. - №5. - С. 29-34.

34. Бусленко, Н.П. Лекции по теории сложных систем / Н.П. Бусленко,

B.В. Калашников, И.Н. Коваленко - М.: Сов. радио, 1973. - 440 с.

35. Бушов Ю.В., Светлик М.В., Крутенкова Е.П. Высокочастотная электрическая активность мозга и восприятие времени. - Томск: Изд-во Том. ун-та, 2009. - 120 с.

36. Бычков, В.В. Модель альфа-ритма /В.В. Бычков, Л.Г. Акулов, Ю.П. Муха // Нейробиология и новые подходы к искусственному интеллекту и к

' '( !.. 1 I ' V< 1

iH .1»1 (l'i il H И

fy,H-VvU ч i ■

/ yjt '>'! I' I , Ас I M

, wjit

W1 у,,

'V*.' • PS* ' t'4' » ил/ ь v' > 4ii,i»f >' 1

!,(,(•' v ' • i,' 1 • -

} 1

i «у i (V- ' A «if ,'ift * '-i* » >Mf '('1,1 '¥ ii »!(" ' \-.4i1 t^ К/. , Г.КС™'«А v/r ,< >t <Д h '

Л V I . I ,,>%> ! ï *. I 1 f" 'W fi'i< j< « ^ \4 i4M , 1 ^ _ ^J il . ' " ' I "F »W1 i

( 5 !

M ' \wЛ itv " i

науке о мозге : тез. тр. третьей всерос. науч. шк. для молодёжи, 28-29 июня 2012 г. / ЮФУ [и др.]. - Ростов н/Д, 2012. - С. 134-138.

37. ГОСТ Р МЭК 60601: Изделия медицинские электрические. (IEC 60601 Medical electrical equipment).

38. Гнездицкий, В. В. Обратная задача ЭЭГ и клиническая электроэнцефалография (картирование и локализация источников электрической активности мозга) / В.В. Гнездицкий. - М.: МЕДпресс-информ, 2004. - 624 с.

39. Гнездицкий, В.В. Вызванные потенциалы мозга в клинической практике / В. В. Гнездицкий - М.: МЕДпресс-информ, 2003. - 264 с.

40. Гнездицкий В.В. Эндогенные ВП. В кн.: Опыт применения вызванных потенциалов в клинической практике. Под ред. В.В. Гнездицкого, A.M. Шамшиновой. М: АОЗТ «Антидор» 2001; 9: 103-119.

41. Гусельников В. И. Электрофизиология головного мозга (курс лекций): Учеб. пособие для биолог, специальностей ун-тов. - М.: Высш. шк., 1976. - 423 с.

42. Гутман А. М. Биофизика внеклеточных токов мозга. - М.: Наука, 1980, - 184 с.

43. Дарховский Б. С., Каплан А. Я., Шишкин С. JI. Подход к оценке сложности кривых на примере электроэнцефалограммы (ЭЭГ) // Автоматика и телемеханика - 2002. -№3, С. 134-140.

44. Долецкий А.Н., Муха Ю.П. Роль полиграфических исследований в оценке физиологического состояния организма. // Биомедицинская радиоэлектроника. - 2008. - №4, С.65-70.

45. Ерохин, A.B. Электронное устройство для эффективного воздействия на сенсорные системы человека / A.B. Ерохин, Л.Г. Акулов // Изв. ВолгГТУ. Серия «Электроника, измерительная техника, радиотехника и связь». Вып. 6 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2012. - № 6. - С. 78-81.

46. Жадин, М. Н. Биофизические механизмы формирования электроэнцефалограммы / М. Н. Жадин. - М.: Наука, 1984. - 197 с.

v .'lY).у * Y fY'r Y'Yb*>t*?4íí YVA,^- / Y7v ,!viv,Y и" • „j.

> Y/r*^ "-i.'«. >•,'h'h';1;,¡?;,ÍV tyv.^'.rv * v % ;Y

47. Жаринов И. О. К вопросу о выборе порядка авторегрессионных моделей сигналов электроэнцефалограмм человека (в медицинском приборостроении) // Научно-технический вестник СПб ГУ ИТМО, 2006. - Вып. 33,-С. 121-132.

48. Жимуринская, Е.А. Системы описания и классификации электроэнцефалограмм человека / Е.А. Жимуринская, B.C. Лосев. - М.:Наука, 1984.-83с.

49. Заико А.И. Точность аналоговых линейных измерительных каналов ИИС. - М.: Изд-во стандартов, 1987. - 136 с.

50. Зенков, Л. Р. Клиническая электроэнцефалография (с элементами эпилептологии) / Л. Р. Зенков - 3-е изд. - М.: МЕДпресс-информ, 2004. - 368 с.

51. Зудбинов Ю. И. Азбука ЭКГ и боли в сердце / Ю.И. Зудбинов. Изд. 5-е.

- Ростов н/Д:Феникс, 2007. - 240 с.

52. Каплан А. Я. Нестационарность ЭЭГ: методологический и экспериментальный анализ / А.Я. Каплан // Успехи физиологических наук.-1998. №29(3), С.35-55.

53. Коберская H.H. Когнитивный потенциал Р300 // Неврологический журнал. - 2003. - т.6, С. 34-42.

54. Кодовая книга для речевых обратных задач / A.C. Леонов, И.С. Макаров, В.Н. Сорокин, А.И. Цыплихин // Информационные процессы. - 2005.

- Т.5, № 2, С. 101-119.

55. Колмогоров, А.Н. Теория информации и теория алгоритмов/ А.Н. Колмогоров. - М.: Наука, 1987. - 304 с.

56. Кормен Т.Х., Лейзерсон Ч.И., Ривест Р.Л., Штайн К. Алгоритмы: постороение и анализ, 2-е издание.: Пер. с англ. - М.: Издательский дом "Вильяме", 2005. - 1296 с.

57. Круглов, В. В. Нечеткая логика и искусственные нейронные сети / В. В. Круглов, М. И. Дли, Р. Ю. Голунов -М.: ФИЗМАТЛИТ, 2001. - 224 с.

58. Майника Э. Алгоритмы оптимизации на сетях и графах: Пер. с англ. -М.: Мир, 1981.-323 с.

59. Маклейн, С. Категории для работающего математика / пер. с англ. под ред. В.А. Артамонова. - М.:Физматлит, 2004. - 352 с.

60. Михалкович С.С. Курс «Основы программирования» на базе системы PascalABC.NET // IV Межд. научно-практ. конф. «Современные информационные технологии и IT образование». - Москва, 2009. - С.385-392

61. Муха Ю. П., Авдеюк О. А. Королева И. Ю. Алгебраическая теория синтеза сложных систем: Монография. - Волгоград: ВолгГТУ, 2003. - 320 с.

62. Муха Ю.П., Бугров A.B. Биоинструментальные адаптивные системы в медицине // Биомедицинская радиоэлектроника. - 2009. - № 4. - С. 25-34.

63. Муха Ю.П. Метрологические аспекты медицинских измерений//Биомедицинская радиоэлектроника. - 2008 - №3.-С.10-15.

64. Муха, Ю.П. Модель измерительного уравнения при исследовании биопотенциалов организмана примере электроэнцефалографии / Ю.П. Муха, Л.Г. Акулов // Известия СПбГЭТУ "ЛЭТИ". Серия "Биотехнические системы в медицине и экологии". - 2006. - Вып.2. - С. 80-89.

65. Муха, Ю.П. Принцип системной организации эксперимента для исследования динамики функциональных систем в биологии и медицине / Ю.П. Муха, Л.Г. Акулов, В.Ю. Наумов // Биомедицинская радиоэлектроника. - 2010. -№ 6. - С. 43-52.

66. Муха, Ю.П. Объектно-ориентированное моделирование при синтезе сложных систем / Ю.П. Муха, Л.Г. Акулов, И.А. Тарасова // Известия Юго-Западного гос. ун-та. Серия "Управление, вычислительная техника, информатика. Медицинское приборостроение". - 2012. - № 1. - С. 7-15.

67. Муха, Ю.П. Теория и практика синтеза управляющего и информационного обеспечения измерительно-вычислительных систем: Монография / Ю.П. Муха, O.A. Авдеюк, В.М. Антонович. - Волгоград: ВолгГТУ, 2004. - 220 с.

68. Муха Ю.П. Фрактально-категорная модель динамической схемы функциональной системы в пространстве системных функций. // Биомедицинская радиоэлектроника,2008,№4,с. 45-51.

69. Муха Ю.П. Структурный синтез системной функции ИС/НС для сложной измерительной ситуации на медицинском объекте // Биомедицинские технологии и радиоэлектроника. - 2006. -№4, С.26-32.

70. Новоселов О.Н., Фомин А.Ф. Основы теории и расчета информационно-измерительных систем. - 2-е изд., перераб. и доп. - М.: Машиностроение, 1991. - 336 с.

71. Пантелеев А. В. Методы оптимизации в примерах и задачах / А. В. Пантелеев, Т. А. Летова. - 2-е изд., исправл. - М.: Высш. шк., 2005. - 544 с.

72. Плонси Р., Барр. Р. Биоэлектричество: количественный подход: Пер. с англ. - М: Мир, 1991. - 3 66 с.

73. Попечителев Е. П., Кореневский Н. А. Электрофизиологическая и фотометрическая медицинская техника. Теория и проектирование: Учеб. пособие/ под ред. Е. П. Попечителева. - М.: Высш. шк., 2002. - 470 с.

74. Рангайян, Р. М. Анализ биомедицинских сигналов. Практический подход / Р. М. Рангайян; пер. с англ. под ред. А.П. Немирно. - М.: ФИЗМАТЛИТ, 2007. - 440 с.

75. Ратхор Т. С. Цифровые измерения. Методы и схемотехника. - М.: Техносфера, 2004. - 376 с.

76. Свид. о гос. регистрации программы для ЭВМ №2012618590 от 21 сент. 2012 г. РФ, МПК [нет]. Прототип ядра электроэнцефалографической информационно-измерительной системы/ Л.Г. Акулов; ВолгГТУ. - 2012.

77. Свид. о гос. регистрации программы для ЭВМ №2012618671 от 24 сент. 2012 г. РФ, МПК [нет]. Система оценки метрологической сложности по структуре для информационно-измерительных систем/ Л.Г. Акулов, Ю.П. Муха; ВолгГТУ. - 2012.

78. Свид. о гос. регистрации программы для ЭВМ №2012618589 от 21 сент. 2012 г. РФ, МПК [нет]. Система реального времени для очистки высокочастотных и низкочастотных шумовых составляющих электрофизиологических временных рядов на основе дискретного вейвлет-преобразования/ Р.В. Литовкин, Л.Г. Акулов, Ю.П. Муха; ВолгГТУ. - 2012.

Ч" ц V', • С I' V • , I < " II - л 41 ) I 1 V» ^ ' , И '1 I ' " 'И * "'I т ' , к'

^ 1 ' » 1 » 1 Ч - * | > < Ч / ' ^ »' Ч ( 1 ( 1 \ »

79. Сергиенко А.Б. Алгоритмы адаптивной фильтрации: особенности реализации в MATLAB // Exponenta Pro. Математика в приложениях. - 2003. -№1. - С. 18-28.

80. Скляр, Б. Цифровая связь. Теоретические основы и практичекое применение / Б. Скляр, 2-е издание.: Пер. с англ. - М.: Издательский дом "Вильяме", 2003.- 1104 с.

81. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB. -М.:ДМК Пресс, 2005. - 304с.

82. Смолянинов В.В. Математические модели биологических тканей. -М.:Наука, 1980. - 368 с.

83. Съем и обработка биоэлектрических сигналов: Учеб. пособие/ Под ред. К.В. Зайченко. Спб:СПбГУАП, 2001. - 140 с.

84. Теория и проектирование диагностической электронно-медицинской аппаратуры: Учеб. пособие / Ахутин В. М. и др. Л.:Изд-во ЛГУ, 1980, 148 с.

85. Уидроу, Б., Стирнз С. Адаптивная обработка сигналов /Пер. с англ. Ю.К. Сальникова. -М.: Радио и связь, 1989. - 440 с.

86. Угаров, К.К. Кластеризация электроэнцефалографических сигналов / К.К. Угаров, Л.Г. Акулов, Р.В. Литовкин // Информатика и системы управления. - 2010. - № 2. - С. 149-151.

87. Физиология. Основы и функциональные системы: Курс лекций / Под ред. К.В. Судакова.- М .: Медицина, 2000.

88. Хакен Г. Принципы работы головного мозга: Синергетический подход к работе мозга, поведению и когнитивной деятельсти.- М.:ПЕР СЭ, 2001.- 351 с.

89. Хармут, X. Применение методов теории информации в физике: Пер. с англ. / X. Хармут. - М.: Мир, 1989. - 344 с.

90. Цветков, Э. И. Основы математической метрологии / Э. И. Цветков. -СПб.: Политехника, 2005. - 510 с.

91. Цветков, Э. И. Основы математической метрологии. Том 2. Метрологический синтез 1 / Э. И. Цветков. - СПб.: ЛЭТИ, 2009. - 96 с.

»И е * j ^ А

>44*7

<>fVY.

\ * 1 41 /

tA '

t-'t и

«ü* V * * , s * t w И $ w к .

KV

)

М

г '

ъ ч ■* *л 1 ,

< Ч') 1 /

*'r ,i ч

г-»

» I • 14

^i. . i * t

ч i.

» 4 «

V,

Vf i>" S, 't1

i Г' '

\ t

* \

92. Цветков, Э. И. Основы математической метрологии. Том 2. Метрологическая верификация измерительных процедур и средств / Э. И. Цветков. - СПб.: ЛЭТИ, 2011. - 110 с.

93. Цифровые процессоры обработки сигналов TMS320C67x компании Texas Instruments: учеб. пособие / В.В. Витязев, С.В. Витязев; Рязанск. гос. радиотехн. ун-т. Рязань, 2007 - 112с.

94. Численное решение обратных математических задач электроэнцефалографии / К. Хоффман, A.M. Попов, С.Е. Певцов, И.А. Федулова // Вестник Московского университета. Сер. 15 (Вычислительная математика и кибернетика). - 2004- №4- С. 16-26.

95. AD7738 8-Channel, High Throughput, 24-Bit ADC Data Sheet. - Norwood: Analog Devices Inc., 2002. - 28 p.

96. AD7798/AD7799 3-Channel, Low Noise, Low Power, 16-/24-Bit ADC with On-Chip In-Amp Data Sheet. - Norwood: Analog Devices Inc., 2005. - 28 p.

97. Albera L. et al. Fourth order approaches for localization of brain current sources // Conf Proc IEEE Eng Med Biol Soc. - 2006. - 1, P. 4498-4501.

98. Alfaro L., Henzinger T.A. Interface theories for component-based design // 1st International Workshop on Embedded Software (EMSOFT). - 2001. -p.l48-165.

99. Alfaro L., Henzinger T.A. Interface-based design. In Engineering Theories of Software Intensive Systems // Marktoberdorf Summer School. - Kluwer Academic Publishers, 2004.

100. Avitan L., Teicher M. Abeles EEG Generator-A Model of Potentials in a Volume Conductor // J Neurophysiol. - 2009. - 102, P. 3046-3059.

101. Baillet S., Friston K., Oostenveld R. Academic Software Applications for Electromagnetic Brain Mapping Using MEG and EEG // Computational Intelligence and Neuroscience. - 2011, - Article ID 972050, 4 p.

102. Bower et al. Metadata and Annotations for Multi-scale Electrophysiological Data // Conf Proc IEEE Eng Med Biol Soc. 2009. - 2009. -March 18, P. 2811-2814.

»i» * i'ii

,y 1 s v ' A 'f,,,, i» '' '' 'W"!*'

( 4

fi'.iM

o;'*1

П >>-v

w , ■ u'

№

Vl Y'V

A.

1 tjf,

t", «

a, M k. ft

103. Blinowska K., Durka P. Electroencephalography (EEG) // Wiley encyclopedia of biomedical engineering. New Jersey: Wiley, 2006. - P. 1341-1355

104. Brinkmann et al. Multiscale Electrophysiology Format: An Open Open-source Electrophysiology Format Using Data Compression, Encryption, and Cyclic Redundancy Check // Conf Proc IEEE Eng Med Biol Soc. 2009. - 2009.- March 18, P. 7083-7086.

105. Brunner C. et al. A comparison of univariate, vector, bilinear autoregressive, and band power features for brain-computer interfaces // Med Biol Eng Comput. - 2011. - 49, P. 1337-1346

106. Cichocki A. Blind Signal Processing Methods for Analyzing Multichannel Brain Signals // International Journal of Bioelectromagnetism - 2004, V. 6, №1

107. Campi C. et al. Highly Automated Dipole Estimation (HADES) // Computational Intelligence and Neuroscience. - 2011. - Article ID 982185, lip.

108. Cheung et al. estimation of cortical connectivity from EEG using statespace models// IEEE Transactions on Biomedical Engineering. -2010. - vol. 57, no. 9, p. 2122-2134

109. Computing the Brain. A Guide to Neuroinformatics. Edited by: Michael A. Arbib and Jeffrey S. Grethe., ACADEMIC PRESS, 2001. - 380 p.

110. Cosandier-Rimele D., Badier J.-M., Wendling F. A realistic spatiotemporal source model for EEG activity: Application to the reconstruction of epileptic depth-EEG signals // Conf Proc IEEE Eng Med Biol Soc. - 2006.- 1, P. 4253^256.

111. Daunizeau J., Kiebel S.J., Friston K.J. Dynamic causal modelling of distributed electromagnetic responses // Neurolmage. - 2009. - 47, P. 590-601

112. Delorme A. EEGLAB, SIFT, NFT, B CIL AB, and ERICA: New Tools for Advanced EEG Processing // Computational Intelligence and Neuroscience. - 2011.-Article ID 130714, 12 p.

113. Delorme A., Makeig S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis // Journal of Neuroscience Methods. - 2004.- 134, P. 9-21

•»»iv' j ' t>

I'V ^ty h^ 'Wa »if w f J* > ill lit ^ f * X % H, jtt H J' *t fyv y' rt't h* ¿ti, $ t ij ■> L f /,. Ai *4> ^ \»b J i > 11 k KV1Vli ft w * i */,.. *) r>Wf * /<, *

AHi.> 'V'" ft;?-wvav)% niW'Vy V^■ •• ¡ ^w^^HV, v>

l»tX- ■ k h'i ' > r v, 1 "»M V»'1 uV.'li'ir 'I ' r r-.} >" « U -;«, M c. v < » > ¿SJ/"' h <\„'M V

» I I'M , I ' I " S * I * ' 1 I 1 I1 I

114. Dityatev A. E., Altinbaev R. Sh., Astrelin A. V., Voronin L. L. Combining principal component and spectral analyses with the method of moments in studies of quantal trans-mission // Journal of Neuroscience Methods - 2003. - 130, P. 130-179.

115. Durka, P. Matching Pursuit and Unification in EEG Analysis/ P. Durka -Norwood:Artech House, 2007. - 204 p.

116. EEG / ERP data available for free public download [электронный ресурс] . - [2010]. - Режим доступа http://sccn.ucsd.edu/~arno/fam2data/ publicly_available_EEG_data.html

117. Fallani et al. A graph-theoretical approach in brain functional networks. Possible implications in EEG studies // Nonlinear Biomedical Physics.- 2010. -4(Suppl 1):S8, 13p.

118. Freyer F. et al. Biophysical Mechanisms of Multistability in Resting-State Cortical Rhythms // The Journal of Neuroscience. - 2011. - 31(17), P. 6353- 6361

119. Friston K.J. DCM for complex-valued data: Cross-spectra, coherence and phase-delays //Neurolmage. - 2012. - 59, P. 439^455

120. Gale J., Signal T.L., Garden A.L., Gander P.H. Electroencephalography artifacts in workplace alertness monitoring // Scandinavian Journal of Work, Environment and Health. - 2007. -33(2), P. 148-152.

121. Garrido M.I. et al. Dynamic causal modelling of evoked potentials: A reproducibility study // Neurolmage. - 2007.- 36, P. 571-580

122. Grech R. et al. Review on solving the inverse problem in EEG source analysis // Journal ofNeuroEngineering and Rehabilitation. - 2008. - 5:25, 33 p.

123. Grave de Peralta R., Hauk O., Gonzalez S. L. The Neuroelectromagnetic Inverse Problem and the Zero Dipole Localization Error // Computational Intelligence and Neuroscience. - 2009. - Article ID 659247, lip.

124. Goldenholz D.M. et al. Mapping the Signal-To-Noise-Ratios of Cortical Sources in Magnetoencephalography and Electroencephalography // Hum Brain Mapp. - 2009 April.- 30(4), P. 1077-1086

125. Gramfort et al. OpenMEEG: opensource software for quasistatic bioelectromagnetics // BioMedical Engineering OnLine. - 2010. - 9:45, 20 p.

126. Greenblatt R., Ossadtchi A., Pflieger M. Local Linear Estimators for the Bioelectromagnetic Inverse Problem // IEEE Trans. Signal Processing. - 2005. -V.53, №9, P. 3403-3412.

127. Haab L., Trenado C., Mariam M., Strauss D.J. Neurofunctional model of large-scale correlates of selective attention governed by stimulus-novelty // Cognitive Neurodynamics. - 2011. - (5), P. 103-111

128. Hallez H. et al. Dipole Localization Errors due to not Incorporating Compartments with Anisotropic Conductivities: Simulation Study in a Spherical Head Model // IJBEM. -2005. - Vol. 7, No. 1, 4 p.

129. Hallez H. et al. Review on solving the forward problem in EEG source analysis // Journal of NeuroEngineering and Rehabilitation.- 2007.- 4:46, 29 p.

130. Handbook of EEG interpretation / William O. [et al.]. - LLC: Demos Medical Publishing, 2008. - 289 p.

131. He B. et al. eConnectome: A MATLAB Toolbox for Mapping and Imaging of Brain Functional Connectivity // Journal of Neuroscience Methods. - 2012. -195(2), P. 261-269.

132. He B., Hori J., Babiloni F. Electroencephalography (EEG): inverse problems // Wiley encyclopedia of biomedical engineering. New Jersey: Wiley, 2006. P. 1355-1363

133. Ifeachor E. C, Jervis B. W., Morris E. L., Allen E. M and Hudson N. R. A new microcomputer-based on-line ocular artefact removal (OAR) system // IEEE Proa. - 1986. - №133. - P. 291-300.

134. Izhikevich E. M. Dynamical Systems in Neuroscience: The Geometry of Excitability and Bursting. - Massachusetts: The MIT Press, 2007. - 522p.

135. Jung T.-P., Makeig S., Humphries C. et al. Removing electroencephalographic artifacts by blind source separation// Psychophysiology.-2000,37, P. 163-178.

136. Jung T.-P., Makeig S., Westerfield M., et al. Analysis and Visualization of Single-Trial Event-Related Potentials // Human Brain Mapping. - 2001. - V.14 (3), P. 166-185.

Y1 fi 'i

1 i ■

i ,

I Hp'

I 1

v

i i Vtr l > (1 C

" t 1

a jt,'

* h,

H t \ »

viS,

H J « U 1 tU [f-H ,

• 1 M ' tl

'A A'

twee

137. Katznelson R.E. Normal modes of the brain: neuroanatomical basis and a physiological theoretical model. -N.Y.: Oxford University Press, 1981, pp. 401-442.

138. Katznelson RD, 1982, Deterministic and Stochastic Field Theoretic Models in the Neurophysics of EEG, Ph.D. Dissertation, La Jolla: University of California at San Diego.

139. Kremlacek J., Kuba M., Holcik J. Model of Visually Evoked Cortical Potentials // Physiol. Res. - 2002. - 51, P. 65-71

140. Lew S. et al. Improved EEG source analysis using low resolution conductivity estimation in a four-compartment finite element head model // Hum Brain Mapp.- 2009. - 30(9), P.2862-2878

141. Lew S. et al. Accuracy and run-time comparison for different potential approaches and iterative solvers in finite element method based EEG source analysis // Application Numerical Math.- 2009.- 59(8), P. 1970-1988

142. Lin C.-T. et al. Review of Wireless and Wearable Electroencephalogram Systems and Brain-Computer Interfaces - A Mini-Review// Gerontology. - 2010. -56, P. 112-119

143. Litvak V. et al. EEG andMEG Data Analysis in SPM8 // Computational Intelligence and Neuroscience. - 2011, V.2011 , Article ID 852961, 32 p.

144. Mastrangelo M. et al. Neurocardiogenic syncope and epilepsy in pediatric age: the diagnostic value of electroencephalogram-electrocardiogram holter // Pediatr Emerg Care. - 2011 - Jan 27(1). P. 31-38.

145. Michael R. Neuman et al. Clinical Engineering (Principles and Applications in Engineering). -N.Y.:CRC Press, 2003. - 572 p.

146. Muller K.-R., Vigario R., Meinecke F., Ziehe A. Blind source separation techniques for decomposing event-related brain signals // International Journal of Bifurcation and Chaos. -2004, V. 14, №2 P. 773-791

147. Morup M., Hansen L.K., Arnfred S.M. ERPWAVELAB A toolbox for multi-channel analysis of time-frequency transformed event related potentials // Preprint submited to Elsevier 31 January 2007, 16 P.

M f*

V' i'

iA t

t » •-v1; i t

<t 1 f I 1

ur.

^ -v Va \

f I

M. V l.trf * n? t) 1 I «&■ n">t , TC •+ ^ i . »«, >1 » J

i, *V:Vty-'

It U 4 1*1 i- » , I. > , f I/K «• V

.y ft'

t !«

MV'M1 ^•fn"1,'«

'^■•1'/ f

a

■ik •) \

ii-w*

t \, i 4 ,v

VI I I c»

SH1'?

w

i i 1

148. Niedermayer E., Lopes da Silva F. H. Electroencephalography. Basic Principles, Clinical Applications, and Related Fields / 3rd ed. - Baltimore: Williams & Wilkins, 1993.

149. Noninvasive Brain-Computer Interface Research at theWadsworth Center // Toward brain-computer interfacing / Sellers E. [et al.], 2007, - P.31-42

150. Northrop R. B. Analysis and application of analog electronic circuits to biomedical instrumentation. - Boca Raton: CRC Press LLC, 2004. - 542 p.

151. Nunez P.L. Electric fields of the brain: the neurophysics of EEG/ Paul L. Nunez, Ramesh Srinivasan - 2nd ed. - New York: Oxford University Press, 2006. -611 p.

152. Oua W., Hamalainenb M.S., Golland P. A distributed spatio-temporal EEG/MEG inverse solver // Med Image Comput Comput Assist Interv. - 2008.- 1 l(Pt 1), P. 26-34.

153. Olbrich E., Wennekers T. Dynamics of parameters of neurophysiological models from phenomenological EEG modeling // Preprint submitted to Neurocomputing 28 Sept 2006 8p.

154. P300 Dataset [электронный ресурс] . - [2010]. - Режим доступа http ://mmspl. epfl. ch/page33712.html

155. Pascual-Marqui R.D. Review of Methods for Solving the EEG Inverse Problem// International Journal of Bioelectromagnetism.- 1999, V.l, № 1, P. 75-86.

156. Rullmanna M. et al. EEG source analysis of epileptiform activity using a 1mm anisotropic hexahedra finite element head model // Neuroimage. - 2009.- 44(2), P. 399-410.

157. Pernet C.R. LIMO EEG: A Toolbox for Hierarchical LInearMOdeling of lectroEncephaloGraphic Data // Computational Intelligence and Neuroscience. -2011.-Article ID 831409, lip.

158. Prutchi D., Design and development of medical electronic instrumentation: a practical perspective of the design, construction, and test of material devices / Prutchi D., Norris M. - New Jersey: Wiley & Sons, 2005. - 461 p.

159. Peyk P., De Cesarei A., Junghofer M. ElectroMagnetoEncephalography Software: Overview and Integration with Other EEG/MEG Toolboxes // Computational Intelligence and Neuroscience. - 2011. - Article ID 861705, 10 p.

160. Purdon P.L. et al. An Open-Source Hardware and Software System for Acquisition and Real-Time Processing of Electrophysiology during High Field MRI // J Neurosci Methods.- 2008.- 175(2), P. 165-186

161. Rocha A.F., Rocha F.T., Massad E. The Brain as a Distributed Intelligent Processing System:An EEG Study // PLoS ONE. - 2011. -Vol. 6, Iss. 3, 13 p.

162. Spiegler A. et al. Modeling Brain Resonance Phenomena Using a Neural Mass Model // PLoS Computational Biology. - 2011. - Vol. 7, Iss. 12, 17 p.

163. Stephan K.E. et al. Ten simple rules for dynamic causal modeling // Neurolmage.-2010. - 49, P. 3099-3109

164. Szymkowiak A. H. Data mining in medical databases. Ph.D. Thesis. -Lyngby: Technical University of Denmark, 2003. - 220 p.

165. Sanei S., Chambers J. EEG signal processing / S. Sanei, J. Chambers. -Chippenham: Wiley, 2007. - 313 p.

166. Scott C. Douglas Adaptive Noise Canceling (ANC) applied to Fetal Electrocardiography 2005

167. Sekihara K., Nagarajan S.S. Adaptive Spatial Filters for Electromagnetic Brain Imaging. - Berlin:Springer, 2008. - 247 p.

168. Sivanandam S.N., Deepa S.N. Introduction to Genetic Algorithms. -Heidelberg:Spindler, 2008. - 442 p.

169. Senhadji L. et al. Wavelet analysis of EEG for three-dimensional mapping of epileptic events // Ann Biomed Eng. - 1995.- 23(5), P. 543-552

170. Sherlin L.H. Diagnosing and treating brain function through the use of low resolution brain electromagnetic tomography (LORETA) // Introduction to QEEG and Neurofeedback, Second Edition. - Elsevier, 2009. - P. 83-102

171. Srinivasan R, Nunez PL, and Silberstein RB, 1998, Spatial filtering and neocortical dynamics: estimates of EEG coherence. IEEE Transactions on Biomedical Engineering 45, P. 814-825

172. Tadel F. et al. Brainstorm: A User-Friendly Application forMEG/EEG Analysis // Computational Intelligence and Neuroscience. - 2011. - Article ID 879716, 13 p.

173. Talsma D., Harmelen A.-L. Procedures and Strategies for Optimizing the Signal-to-Noise Ratio in Event-Related Potential Data // Brain Signal Analysis: Advances in Neuroelectric and Neuromagnetic Methods. Cambridge: The MIT Press, 2009 P. 205-224.

174. Talsma D. Auto-adaptive averaging: Detecting artifacts in event-related potential data using a fully automated procedure // Psychophysiology, 45 (2008), P. 216-228.

175. Tarvainen M.P., Ranta-aho P.O., Karjalainen P.A. Time-Varying ARMA modelling of Nonstationary EEG using Kalman Smoother Algorithm // неизв журнал 4 p.

176. Tong S., Thakor N. V. Quantitative EEG Analysis Methods and Clinical Applications. - Norwood: Artech House, 2009. - 440 p.

177. The Biomedical Engineering HandBook. Second Edition. Ed. Joseph D. Bronzino Boca Raton: CRC Press LLC, 2000. - 3198 p.

178. Troparevsky M. I., Rubio D., Saintier N. Sensitivity analysis for the EEG forward problem // Frontiers in Computational Neuroscience. - 2010. - Vol. 4, Article 138, 6 p.

179. Turnip et al. Real-time feature extraction of P300 component using adaptive nonlinear principal component analysis // BioMedical Engineering OnLine. -2011.- 10:83,20 p.

180. Usakli A.B. Improvement of EEG Signal Acquisition: An Electrical Aspect for State of the Art of Front End // Computational Intelligence and Neuroscience.-2010.- Article ID 630649, 7 p.

181. Valentinuzzi M.E. Understanding The Human Machine: A Primer for Bioengineering Series on Biomaterials and Bioengineering - Vol. 4, Singapore: World Scientific Publishing, 2004, 411 p.

V, '» «, it «и \ A

i I t h /« i (

,v H' vH '

t1"] 1 l' 1 ' I " I

'.VHifv v-'i1

«Л i к i » . tVi|t tf

f ft V" \l <|У

I ll ,

i I i

S, , '! Ц

( M

- и ¡r i , ir 'r- 1 ; Л д*

1 - ' ■ ■ l У -

rip '

182. Valdes-Sosa P. A. Effective connectivity: Influence, causality and biophysical modeling // Neurolmage. - 2011. - 58, P.339-361

183. Velarde Reyes E. et al. Wireless communication interface for EEG/PSG Holter monitor // J Med Eng Technol. - 2010 Apr 34(3) P. 172-181

184. Vatta F. et al. Realistic and Spherical HeadModeling for EEG Forward Problem Solution: A Comparative Cortex-Based Analysis // Computational Intelligence and Neuroscience. - 2010. - Article ID 972060, lip.

185. Vialatte F. B. Bump time-frequency toolbox: a toolbox for time-frequency oscillatory bursts extraction in electrophysiological signals // BMC Neuroscience. -2009.- 10:46, 12 p.

186. Vidaurre C., T.H. Sander, Schlogl A. BioSig: The Free and Open Source Software Library for Biomedical Signal Processing // Computational Intelligence and Neuroscience. - 2011. - Article ID 935364, 12 p.

187. Whittingstall K. et al. Effects of dipole position, orientation and noise on the accuracy of EEG source localization // BioMedical Engineering OnLine. - 2003. -2:14, 5 p.

188. Wilson J. A. A Procedure for Measuring Latencies in Brain-Computer Interfaces // IEEE Trans Biomed Eng. - 2010. - 57(7), P. 1785-1797.

189. Wilson J.A., Schalk G., Walton L.M., Williams J.C. Using an EEG-Based Brain-Computer Interface for Virtual Cursor Movement with BCI2000. // Journal of Visualized Experiments. - 2009. - 29, 4 p.

190. Yasui Y. A Brainwave Signal Measurement and Data Processing Technique for Daily Life Applications// Journal Physiological Anthropology. - 2009.-28(3), P. 145-150

191.Zavaglia M., Cona F., Ursino M. A NeuralMassModel to Simulate Different Rhythms in a Cortical Region // Computational Intelligence and Neuroscience. - 2010.- Article ID 456140, 8 p.

192. Zwolinski P. et al. Open Database of Epileptic EEG with MRI and Postoperational Assessment of Foci - a Real World Verification for the EEG Inverse Solutions // Neuroinform. -2010.-8, P. 285-299

Приложение А ИМЬ-структура базовых блоков ЭЭГ ИИС

На рисунках А.1-А.11 показана структура всех основных блоков для полной измерительной системы.

Т/прШРготМиХЮМК

+31а1е: оЬ] +Уа1ие: оЬ гй ей

ТМК/прМ

+1пр1ЛРготМ11Х : Т1пр1ЛРготМ1ШоМК

лик

+1пр1Л : ТМК1пр1П +01Лр1Й: ТМКСМрЫ -31а1е : ТМК81а1е

+зеЮ|Лри1\/а1ие80

<4

04

0-+-

1

тмкомриг

+МКОи1риГГоРозИ\/1К: ПпрШРготМНаоРозИМК

TMKState

+51а1е: оЬ]ес1

Рисунок А. 1 Структура базового класса ТМК

тмих

+1прШ: ТМиХ1при1 +Ои1ри1: ТМиХОи1р|Л -з1а1е

+зеЮи1ри1\/а1ие()

ШрМРготЕхиаСМоМиХ

+Б1а1е: окуей +Уа1ие: о^ей

1

ТМиХ1прШ о-1

+1пр1ЛРготЕх1гаСЬ: Т1при1РготЕх1гаСМоМиХ +1при1РготСЬРИ: "ПпрЫРготРИСМоМиХ

Т/прМРготРИСМоМиХ

+Б1а1е: о^ей +\/а1ие: о^ей

1

тмихо^рм

■нМихО^риНоМК: Ппр^РготМиХкэМК

04-

тмихзгаге

+31а1е: о^ей

Рисунок А.2 Структура базового класса ТМ1/Х

Рисунок А.З Структура базового класса ТРкСк

Рисунок А.4 Структура базового класса ТЕх1гаСк

Рисунок А. 5 Структура базового класса ТСОИИ

Рисунок А. 6 Структура базового класса ТЗиШ?

Рисунок А.7 Структура базового класса ТБркз!

Рисунок А. 8 Структура базового класса ТРРИб

Рисунок А.9 Структура базового класса ТЕЫ