AT506113B1 - METHOD FOR CONVERTING EEG MEASUREMENT OF ELECTRIC BRAIN STREAMS TO A SQUARE FIGURE - Google Patents

METHOD FOR CONVERTING EEG MEASUREMENT OF ELECTRIC BRAIN STREAMS TO A SQUARE FIGURE Download PDF

Info

Publication number
AT506113B1
AT506113B1 AT0202707A AT20272007A AT506113B1 AT 506113 B1 AT506113 B1 AT 506113B1 AT 0202707 A AT0202707 A AT 0202707A AT 20272007 A AT20272007 A AT 20272007A AT 506113 B1 AT506113 B1 AT 506113B1
Authority
AT
Austria
Prior art keywords
frequency
change
asymmetry
curves
matrix
Prior art date
Application number
AT0202707A
Other languages
German (de)
Other versions
AT506113A1 (en
Inventor
Karl Dr Hoffmann
Helmut Klammer
Original Assignee
Karl Dr Hoffmann
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Karl Dr Hoffmann filed Critical Karl Dr Hoffmann
Priority to AT0202707A priority Critical patent/AT506113B1/en
Publication of AT506113A1 publication Critical patent/AT506113A1/en
Application granted granted Critical
Publication of AT506113B1 publication Critical patent/AT506113B1/en

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/369Electroencephalography [EEG]
    • A61B5/372Analysis of electroencephalograms
    • A61B5/374Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

Die gegenständliche Erfindung betrifft ein Verfahren, bei dem die durch Elektroenzephalographie (EEG) gemessenen Hirnströme so umgewandelt werden, dass sie nach Kurvensymmetrie und Frequenzwechsel geordnet in eine quadratische Abbildung eingetragen werden und die Häufigkeiten der gemessenen Ereignisse durch Farb- bzw. Grauschattierungen, unterschiedliche Größe von Quadraten und einer Zahlenzuordnung von 1 bis 100 zur Darstellung kommen, wobei zeilenweise Kurven mit annähernd gleicher Symmetrie aufscheinen, die in der mittleren Zeile annähernd gleiche Anstiegs- und Abstiegssteilheiten aufweisen, die sich nach oben, entsprechend steiler werdender Abstiegssteilheit und nach unten, entsprechend steiler werdender Anstiegssteilheit verändern und spaltenweise die Kurven nach Frequenzwechsel geordnet werden, wobei in der mittleren Spalte annähernd gleichbleibende Frequenzen aufscheinen, die sich nach links, entsprechend langsamer werdender Frequenzwechsel und nach rechts, entsprechend schneller werdender Frequenzwechsel verändern.The subject invention relates to a method in which the brain waves measured by electroencephalography (EEG) are converted so that they are listed by curve symmetry and frequency change ordered in a square figure and the frequencies of the measured events by color or gray shades, different size of Squares and a number assignment from 1 to 100 come to the representation, with line by line curves appear with approximately the same symmetry, which have approximately the same rise and fall steepnesses in the middle line, the upward, correspondingly steeper descent and down, according steeper expectant Change steepness and column by column, the curves are ordered by frequency change, in the middle column appear almost constant frequencies, which are to the left, according to slowing frequency change and to the right, accordingly change faster becoming frequency change.

Description

österreichisches Patentamt AT506113B1 2010-11-15Austrian Patent Office AT506113B1 2010-11-15

Beschreibung [0001] Die Erfindung betrifft ein Verfahren zur optischen Darstellung von durch EEG gemessenen Hirnströmen gemäß dem Oberbegriff des Patentanspruchs 1.Description [0001] The invention relates to a method for the optical representation of brain waves measured by EEG according to the preamble of patent claim 1.

[0002] Derartige Verfahren werden im Bereich der Medizintechnik, insbesondere bei der Messung elektrischer Hirnströme mit einem EEG-Gerät, einem Elektroencephalographen, genutzt, um eine einfache und übersichtliche quadratische Abbildung zu erzielen.Such methods are used in the field of medical technology, in particular in the measurement of electrical brain waves with an EEG device, an electroencephalograph, to achieve a simple and clear square figure.

[0003] Aus dem Stand der Technik ist die Erfassung von Potentialschwankungen im Bereich der Hirnrinde mit Elektroden von der Kopfhaut in Wellenform in definierten Frequenzbandbereichen als konventionelles EEG bekannt.From the prior art, the detection of potential fluctuations in the cerebral cortex with electrodes of the scalp in waveform in defined frequency band ranges as conventional EEG is known.

[0004] Unter laufender Aufzeichnung mit einem konventionellem EEG wird ein Stimulus (Klick-ton oder Lichtreiz) meist mehrere hundert Male präsentiert. In einer Computeranalyse werden die dem sensorischen Reiz folgenden EEG-Abschnitte übereinandergelegt und gemittelt (ave-raging). Dadurch heben sich die reizunabhängigen Spontanauschläge auf, während das stets gleiche ereigniskorrelierte Potential bei zunehmender Zahl der Mittelungsprozesse immer deutlicher sichtbar wird. Das ereigniskorrelierte Potential hat eine charakteristische Form: Dauer: höchstens 0,5 Sekunden, Amplitude höchstens 10 mV, kurze Positivierung. Diese wird „P1" genannt und ist im EEG durch eine Abweichung nach unten gekennzeichnet; darauf folgt eine Negativierung. Sie stellt sich durch eine Abweichung nach oben dar und wird N1 bzw. N100 genannt, da sie nach ungefähr 100 Millisekunden auftritt. Nach weiteren Ausschlägen erfolgt eine deutliche Positivierung. Sie wird als P3 oder P300-Welle bezeichnet, weil sie nach etwa 300 Millisekunden auftritt.Under continuous recording with a conventional EEG, a stimulus (click sound or light stimulus) is usually presented several hundred times. In a computer analysis, the sensory stimulus following EEG sections are superimposed and ave-raging. This eliminates the irrelevant spontaneous exchanges, while the always the same event-related potential becomes more and more visible as the number of averaging processes increases. The event-related potential has a characteristic shape: duration: at most 0.5 seconds, amplitude at most 10 mV, short positives. This becomes "P1" and is marked in the EEG by a deviation down; this is followed by a negative. It is represented by an upward deviation and is called N1 or N100 because it occurs after approximately 100 milliseconds. After further rashes there is a clear positivity. It is called a P3 or P300 wave because it occurs after about 300 milliseconds.

[0005] Bei bekannten Analyseverfahren (RU 2 029 492 C1 und WO 1990/11718 A1) handelt es sich um Analysen von herkömmlichen EEG-Wellen, die in den üblichen Bandbreiten aufgezeichnet werden. Beim russischen Patent werden die Bänder einzeln nach ihren Fre-quenz/Amplituden-Charakteristika und nach ihren Frequenz/Phasenverhältnissen analysiert. Beim internationalen Patent werden herkömmliche EEG-Wellen zu Datensätzen verarbeitet und mit Datensätzen aus klinischen Studien verglichen. Aus diesen Vergleichen werden Diagnosen abgeleitet Bei beiden Patenten werden die Analyseergebnisse, denen unveränderte EEG-Wellen zugrunde liegen, grafisch abgebildet.Known analysis methods (RU 2 029 492 C1 and WO 1990/11718 A1) are analyzes of conventional EEG waves recorded in the usual bandwidths. In the Russian patent, the bands are analyzed individually according to their frequency / amplitude characteristics and their frequency / phase relationships. In the international patent, conventional EEG waves are processed into data sets and compared with records from clinical trials. Diagnoses are derived from these comparisons. Both patents graphically display the analysis results that are based on unaltered EEG waves.

[0006] Beim Patent AT 502 014 B1 werden die von einem EEG gemessenen Spannungen (Potentialdifferenzen) nicht auf einem fortlaufenden Messstreifen als Kurvenverlauf dargestellt, sondern auf einem einzigen Bild, das auf der x-Achse die Spannungen und auf der y-Achse die Anstiegssteilheiten zweier aufeinanderfolgender Messungen zeigt.In Patent AT 502 014 B1, the voltages (potential differences) measured by an EEG are not displayed on a continuous measuring strip as a curve, but on a single image, the voltages on the x-axis and the steepnesses on the y-axis two consecutive measurements shows.

[0007] Bildgebende Verfahren, wie die Magnetenzephalografie (MRI) und die Positronen-Emissions-Tomografie (PET) erfassen Hirnaktivitäten auf einer makroskopischanatomischen Ebene. Das heisst, mit ihnen kann durch Messung des Sauerstoffverbrauchs oder markierter Biomoleküle festgestellt werden, wie hoch die Aktivität in verschiedenen Hirnregionen ist. Die mikroskopisch-funktionelle Ebene kann damit nicht erfasst werden. Bei dieser Ebene geht es um die Art und Weise, wie Nervenzellen bzw. neuronale Netzwerke miteinander kommunizieren. Durch das gegenständliche Verfahren können bei hirnelektrischen Aktivitäten Beschleunigungen und Verlangsamungen in Richtung Aktionspotential oder in Richtung Ruhemembranpotential identifiziert und quantifiziert werden.Imaging techniques such as magneto-encephalography (MRI) and positron emission tomography (PET) detect brain activity at a macroscopic anatomical level. This means that they can be used to measure the level of activity in different brain regions by measuring oxygen consumption or labeled biomolecules. The microscopic-functional level can not be detected. This level is about how nerve cells or neural networks communicate with each other. By means of the objective method, accelerations and decelerations in the direction of the action potential or in the direction of resting membrane potential can be identified and quantified in brain electrical activities.

[0008] Sämtliche kognitiven Hirnleistungen wie Aufmerksamkeit, Wahrnehmung, Denken, Gedächtnis und den Affekten liegen elektrische Hirnaktivitäten zugrunde. Die kleinste Einheit dieser elektrischen Aktivitäten ist die Nervenzelle (das Neuron). Die Neuronen sind zu einem neuronalen Netzwerk verbunden. Das neuronale Netzwerk besteht aus Teilnetzwerken.All cognitive brain services such as attention, perception, thinking, memory and affects are based on electrical brain activity. The smallest unit of these electrical activities is the nerve cell (the neuron). The neurons are connected to a neural network. The neural network consists of subnetworks.

[0009] Die technische Aufgabe, die sich daraus ergibt, ist, diese elektrischen Hirnaktivitäten möglichst detailliert zu erfassen und gut zu visualisieren, um elektrophysiologische Repräsentationen für die Hirnforschung und Diagnose, Therapie und Therapieverlaufskontrolle bei psychischen und neurologischen Krankheiten zu erhalten. 1/10 österreichisches Patentamt AT506113 B1 2010-11-15 [0010] Das erfindungsgemäße Verfahren löst die technische Aufgabe mit dem Merkmal des Kennzeichens des Anspruchs 1 und verwendet zur Darstellung nicht die direkt von einem EEG gemessenen Spannungswerte, sondern errechnet aus Kurvenwendepunkten Frequenzen und Kurvensymmetrien.The technical task that results is to capture these brain electrical activities in as much detail as possible and to visualize well, to obtain electrophysiological representations for brain research and diagnosis, therapy and therapy monitoring in mental and neurological diseases. The inventive method solves the technical problem with the feature of the characterizing part of claim 1 and does not use the presentation of the directly measured by an EEG voltage values, but calculated from curve turning points frequencies and curve symmetries ,

[0011] Erfindungsgemäß ist vorgesehen, dass eine Änderung der Frequenz in Form einer Frequenzänderungsrate des aufgenommenen Signals sowie eine Asymmetrie des aufgenommenen Signals in Form der Relativposition eines Minimums oder Maximums des Signals zwischen den beiden nächstliegenden Wendepunkten ermittelt wird.According to the invention, it is provided that a change in the frequency in the form of a frequency change rate of the recorded signal and an asymmetry of the recorded signal in the form of the relative position of a minimum or maximum of the signal between the two nearest inflection points is determined.

[0012] Sowohl für die Änderung der Frequenz als auch für die Asymmetrie wird eine Klassifikation mit jeweils mehreren Klassen vorgegeben, nämlich mehreren Frequenzänderungsklassen zur Klassifikation der Änderung der Frequenz und mehreren Asymmetrieklassen zur Klassifikation der Asymmetrie.Both for the change in frequency and for the asymmetry, a classification is specified with a plurality of classes, namely a plurality of frequency change classes for the classification of the change in frequency and several asymmetry classes for the classification of the asymmetry.

[0013] Zu jedem Zeitpunkt wird die Änderung der Frequenz im Vergleich zu einem vorigen Zeitpunkt ermittelt wird und genau einer Frequenzänderungsklasse zugewiesen und entsprechend seiner Asymmetrie genau einer Asymmetrieklasse zugewiesen.At any time, the change in frequency compared to a previous time is determined and assigned to exactly one frequency change class and assigned according to its asymmetry exactly one asymmetry class.

[0014] Es wird eine Matrix erstellt, wobei jede Zeile der Matrix einer Asymmetrieklasse entspricht und jede Spalte der Matrix einer Frequenzänderungsklasse entspricht.A matrix is created, wherein each row of the matrix corresponds to an asymmetry class and each column of the matrix corresponds to a frequency change class.

[0015] Die auftretenden Frequenzänderungen und Asymmetrien werden zu jedem Zeitpunkt für jede Frequenzänderungs- und Asymmetrieklasse separat gezählt und in dasjenige Feld der Matrix eingetragen, dessen Zeile und Spalte der jeweiligen Frequenzänderungsklasse und Asymmetrieklasse der ermittelten Frequenzänderung und Asymmetrie entspricht. Die Matrix wird zur Anzeige gebracht wird.The occurring frequency changes and asymmetries are counted separately for each Frequenzänderungs- and asymmetry class at any time and entered in that field of the matrix whose row and column of the respective frequency change class and asymmetry class of the determined frequency change and asymmetry. The matrix is displayed.

[0016] Durch die rechnerische Frequenzermittlung werden Kurvenanalysen im Kiloherzbereich möglich. Zur Darstellung gelangt ein Quadrat mit fünf mal fünf Quadraten, wobei jedes Quadrat Auskunft gibt über die Häufigkeit bestimmter Kurvenformen und die Geschwindigkeit von Frequenzveränderungen.Due to the arithmetic frequency determination curve analysis in the kilohertz area are possible. The representation is a square with five by five squares, where each square gives information about the frequency of certain waveforms and the speed of frequency changes.

[0017] Es unterscheidet sich somit vom Patent AT 502 014 B1 sowohl in der Art der Daten, die zur Darstellung verwendet werden, als auch in der Darstellung selbst.Thus, it differs from the patent AT 502 014 B1 both in the type of data used for display, as well as in the representation itself.

[0018] Es kann weiters vorgesehen sein, dass die Frequenz gemäß der Formel f = 1/(t2-t1) bestimmt wird, wobei t1 und t2 die Zeitpunkte zweier aufeinander folgender Minima oder Maxi-ma sind oder gemäß der Formel f = 2/(tw2-tw1) bestimmt wird, wobei tw1 und tw2 die Zeitpunkte zweier aufeinander folgender Wendepunkte sind, wobei die Änderung der Frequenz durch Bildung der Differenzen zweier benachbarter Minima, Maxima oder Wendepunkten bestimmt wird.It may further be provided that the frequency is determined according to the formula f = 1 / (t2-t1), where t1 and t2 are the times of two consecutive minima or maxi-ma or according to the formula f = 2 / (tw2-tw1), where tw1 and tw2 are the times of two consecutive inflection points, the change in frequency being determined by forming the differences of two adjacent minima, maxima or inflection points.

[0019] Dies ermöglicht eine besonders effiziente und rechnerisch einfache Verarbeitung der einlangenden EEG-Daten.This enables a particularly efficient and computationally simple processing of the incoming EEG data.

[0020] Weiters kann vorgesehen sein, dass die Asymmetrie des Signals gemäß der Formel a = (te-((tw2+tw1)/2))*100 / (tw2-tw1) bestimmt wird, wobei tw1 und tw2 die Zeitpunkte des Auftretens zweier aufeinanderfolgender Wendepunkte bezeichnen und wobei te den jeweiligen Zeitpunkt des zwischen den beiden Wendepunkten liegenden Extremwerts bezeichnet.Furthermore, it can be provided that the asymmetry of the signal according to the formula a = (te - ((tw2 + tw1) / 2)) * 100 / (tw2-tw1) is determined, where tw1 and tw2 the times of occurrence two successive turning points denote and where te denotes the respective time of lying between the two turning points extreme value.

[0021] Durch dieses Vorgehen wird die Berechnung weiter vereinfacht und ein genaueres Ergebnis erzielt.By this procedure, the calculation is further simplified and achieved a more accurate result.

[0022] Weiters kann zur Ermittlung eines Wendepuntkes die Krümmung k zu einem Zeitpunkt tk2 gemäß der Formel k = w3 - ((tk3-tk1)/(tk2-tk1)*(w2-w1) + w1) bestimmt werden, wobei tk1 und tk3 Zeitpunkte unmittelbar vor bzw. nach dem Zeitpunkt tk2 sind und w1, w2 und w3 die Signalwerte zu den Zeitpunkten tk1, tk2 und tk3 sind, wobei ein Wendepunkt zum Zeitpunkt als vorliegend erkannt wird, zu dem die Krümmung entweder identisch gleich null ist oder zwischen zwei unmittelbar aufeinanderfolgenden Zeitpunkten tk1, tk2, tk3 als vorliegend erkannt wird, für deren ersten Zeitpunkt die Krümmung kleiner/größer als null ist und für deren zweiten Zeitpunkt 2/10 österreichisches Patentamt AT506113 B1 2010-11-15 die Krümmung größer/kleiner als null ist.Further, to find a turning point, the curvature k at a time tk2 can be determined according to the formula k = w3 - ((tk3-tk1) / (tk2-tk1) * (w2-w1) + w1), where tk1 and tk3 are instants immediately before and after the time tk2 and w1, w2 and w3 are the signal values at the times tk1, tk2 and tk3, a turning point being detected at the time when the curvature is either equal to or equal to zero two immediately successive times tk1, tk2, tk3 is detected as present, for whose first time the curvature is smaller / greater than zero and for whose second time the curvature is greater / less than zero is.

[0023] Dieses Vorgehen ist besonders effizient und benötigt wenig Speicher selbst bei einer großen Anzahl von einlangenden EEG-Daten.This procedure is particularly efficient and requires little memory even with a large number of incoming EEG data.

[0024] Weiters kann vorgesehen werden, dass die beiden Klassifikationen für die Änderung der Frequenz sowie für die Asymmetrie jeweils dieselbe Anzahl von, insbesondere fünf, Klassen enthalten. Dies ermöglicht eine übersichtliche Darstellung der verarbeiteten Daten.Furthermore, it can be provided that the two classifications for the change of the frequency as well as for the asymmetry each contain the same number of, in particular five, classes. This allows a clear presentation of the processed data.

[0025] Ein weiterer Aspekt der Erfindung sieht vor, dass sämtliche Matrixeinträge mit dem Faktor H/m multipliziert werden, wobei m dem maximalen Matrixeintrag entspricht und H eine vorgegebene Konstante, insbesondere 100, ist. Dies verbessert die Vergleichbarkeit von EEG-Daten unterschiedlicher Herkunft bzw. unterschiedlicher Länge.Another aspect of the invention provides that all matrix entries are multiplied by the factor H / m, where m corresponds to the maximum matrix entry and H is a predetermined constant, in particular 100. This improves the comparability of EEG data of different origin or different length.

[0026] Schließlich kann vorgesehen sein, dass eine Klassifikation bezüglich der Änderung der Frequenz in fünf Klassen erfolgt, wobei eine Verringerung/Erhöhung der Frequenz um mehr als 50% eine Eintragung in die erste bzw. fünfte der fünf Klassen bewirkt, ein Gleichbleiben der Frequenz eine Eintragung in die dritte der Klassen bewirkt und eine Verringerung/Erhöhung von weniger als 50% eine Eintragung in die zweite bzw. vierte der fünf Klassen bewirkt. Hierdurch kann eine besonders wirksame und aussagekräftige Unterteilung der Daten vorgenommen werden, wobei die aufgenommenen Muster für den Betrachter besonders gut zu differenzieren sind.Finally, it can be provided that a classification with respect to the change of frequency in five classes, with a reduction / increase of the frequency by more than 50% causes an entry in the first or fifth of the five classes, a constant frequency makes an entry in the third of the classes and a reduction / increase of less than 50% causes an entry in the second or fourth of the five classes. As a result, a particularly effective and meaningful subdivision of the data can be made, with the recorded patterns are particularly easy to differentiate for the viewer.

[0027] In den Abbildungen ist eine beispielsweise Ausführungsform des Erfindungsgegenstandes dargestellt.In the figures, an example embodiment of the subject invention is shown.

[0028] Die Fig. 1 zeigt eine visualisierte Darstellung des Ergebnisses (einer Matrix) des erfindungsgemäßen Verfahrens. Die Fig. 2 zeigt schematisch typische Kurvenverläufe, die bei einer EEG-Aufnahme entstehen.Fig. 1 shows a visualized representation of the result (a matrix) of the method according to the invention. Fig. 2 shows schematically typical waveforms that arise in an EEG recording.

[0029] Die Fig. 2 zeigt schematisch typische Kurvenverläufe, die bei einer EEG-Aufnahme entstehen. Die einzelnen Kurvenverläufe sind in Form einer Matrix angeordnet, wobei die jeweiligen in der Matrix dargestellten Kurven einen Eintrag in der in Fig. 1 dargestellten Ergebnis-Matrix bewirken.Fig. 2 shows schematically typical waveforms that arise in an EEG recording. The individual curve progressions are arranged in the form of a matrix, with the respective curves shown in the matrix effecting an entry in the result matrix shown in FIG.

[0030] Die 25squares-Methode ist eine Möglichkeit die von einem EEG gelieferte Datenmenge bildliche darzustellen. Anstelle eines endlos langen Messstreifens mit einer Kurve, hat man ein quadratisches Raster mit 25 Feldern vor sich und kann damit Messergebnisse leichter auswerten und Veränderungen schnell diagnostizieren.The 25squares method is a way to graphically represent the amount of data provided by an EEG. Instead of an endlessly long strip with a curve, you have a square grid with 25 fields in front of you, making it easier to evaluate measurement results and quickly diagnose changes.

[0031] Das EEG-Gerät der Firma EMS-Biomedical liefert maximal 400.000 Messwerte pro Sekunde mit einer Auflösung von 16 Bit. Diese Zahlenfolge stellt mehrere übereinander liegende Wellen mit unterschiedlichen Frequenzen dar.The EEG device EMS-Biomedical delivers a maximum of 400,000 readings per second with a resolution of 16 bits. This sequence of numbers represents several superimposed waves with different frequencies.

[0032] Würde man nach der herkömmlichen Methode diese Kurve ausdrucken, käme man zu folgendem Ergebnis: Alle Datenpunkt müssten auf einem Papierstreifen dargestellt und durch Linien verbunden werden. Nehmen wir eine sehr dichte Darstellungsmethode mit einem Messwert pro Millimeter an. Das gäbe dann bei einer Messung von einer Sekunde bereits einen Streifen mit einer Länge von 400 Metern. Wenn die Messung nur eine Minute dauert, wären 24 Kilometer Papierstreifen abzuschreiten und zu besichtigen. Man stelle sich eine 5 Minuten dauernde Messung vor und denke an eine zu analysierende Kurve mit einer Länge von 120km.If one were to print this curve according to the conventional method, one would arrive at the following result: All data points would have to be displayed on a strip of paper and connected by lines. Let's assume a very dense presentation method with one reading per millimeter. That would be a measurement of one second already a strip with a length of 400 meters. If the measurement takes only one minute, 24 kilometers of paper strips should be taken and viewed. Imagine a 5-minute measurement and think of a curve to be analyzed with a length of 120km.

[0033] Mit dem hier beschriebenen Verfahren werden die einzelnen Frequenzen ermittelt und nach Kurvenform, Frequenzwechsel und Häufigkeit des Auftretens sortiert.With the method described here, the individual frequencies are determined and sorted according to waveform, frequency change and frequency of occurrence.

[0034] Die 25 Quadrate: Es handelt sich dabei um ein statistisches Verfahren bei dem gleichartige Ereignisse denselben Feldern zugeordnet werden. Man stelle sich ein Quadrat mit 25 Feldern vor. Es enthält also 5 Zeilen und 5 Spalten. Dem entsprechend könnte man sich ein Koordinatensystem vorstellen mit den Achsen x und y welche jeweils von -2 bis +2 laufen.The 25 squares: This is a statistical method in which similar events are assigned to the same fields. Imagine a square with 25 fields. It therefore contains 5 rows and 5 columns. Accordingly, one could imagine a coordinate system with the axes x and y which each run from -2 to +2.

[0035] Zeilen: In der mittlere Zeile (y=0) werden alle symmetrischen Kurven eingetragen. Wie im Folgenden beschrieben gibt es zwei Arten der Symmetrie. Asymmetrische Kurven wandern 3/10 österreichisches Patentamt AT506113B1 2010-11-15 im Koordinatensystem je nach Art der Asymmetrie nach oben oder nach unten.Lines: In the middle line (y = 0) all symmetrical curves are entered. As described below, there are two types of symmetry. Asymmetric curves go up or down in the coordinate system depending on the type of asymmetry.

[0036] Spalten: In EEGs treten auch Frequenzwechsel auf. Eine gleich bleibende Frequenz findet ihren Niederschlag nun in der mittleren Spalte (x=0). Findet ein Frequenzwechsel statt, dann werden die restlichen Spalten belegt. Bei einer Erhöhung der Frequenz wird das Ereignis rechts der Mitte eingetragen, bei einer Frequenzverminderung werden die linken Spalten befüllt.Columns: Frequency changes also occur in EEGs. A constant frequency is now reflected in the middle column (x = 0). If a frequency change takes place, then the remaining columns are occupied. If the frequency is increased, the event is entered to the right of the middle; if the frequency is reduced, the left columns are filled.

[0037] Mitte: Das mittlere Feld mit den Koordinaten (0/0) zählt alle Ereignisse bei denen symmetrische Kurven bei gleich bleibender Frequenz auftraten. Eine reine Sinuskurve würde nur in diesem Feld zu Eintragungen führen. Alle anderen 24 Felder blieben unbelegt.Middle: The middle field with the coordinates (0/0) counts all events in which symmetric curves occurred at constant frequency. A pure sine wave would only lead to entries in this field. All other 24 fields remained unoccupied.

[0038] Diagonalen: In 16 Feldern (x&lt;&gt;0 und y&lt;&gt;0) werden Ereignisse eingetragen bzw. gezählt, bei denen sich sowohl die Frequenz ändert, als auch eine Asymmetrie der Kurven vorliegt.Diagonals: In 16 fields (x <> 0 and y <> 0) events are recorded or counted, in which both the frequency changes, and there is an asymmetry of the curves.

[0039] Intensität: Es stehen jeweils zwei Stufen der Intensität zur Verfügung. Nennen wir die Ereignisse „stark&quot; und „schwach&quot;. Liegt etwa eine Frequenzerhöhung vor, dann wird das Ereignis in der Spalte 4 oder 5 eingetragen, je nach Stärke des Frequenzwechsels. Eine starke Frequenzerhöhung um z.B. mehr als 50% der Ausgangsfrequenz wird also in die Spalte 5 am Rand eingetragen. Dasselbe gilt für starke und schwache Asymmetrien.Intensity: There are two levels of intensity available. Let's call the events "strong". and "weak". If there is a frequency increase, for example, the event is entered in column 4 or 5, depending on the strength of the frequency change. A strong frequency increase by e.g. More than 50% of the output frequency is therefore entered in column 5 at the edge. The same applies to strong and weak asymmetries.

[0040] Farben, Grauschattierungen: Um die Auswertung der Bilder zu erleichtern werden die Felder nach einem vorgegebenen Farbspektrum von rot bis violett eingefärbt bzw. nach vorgegebenen Grauschattierungen und zusätzlich durch unterschiedlich große Quadrate und Zahlen von 1 bis 100 markiert.Colors, shades of gray: In order to facilitate the evaluation of the images, the fields are colored according to a predetermined color spectrum from red to violet or marked by predetermined gray shades and additionally by different sized squares and numbers from 1 to 100.

[0041] Um Ereignisse im EEG den einzelnen Feldern zuordnen zu können, bedarf es einer Frequenzanalyse der Kurven sowie der genauen Analyse der Symmetriewerte.In order to be able to assign events in the EEG to the individual fields, a frequency analysis of the curves and the exact analysis of the symmetry values are required.

[0042] Frequenzbestimmung: Zunächst soll hier beschrieben werden, wie aus den Messwerten die Frequenz ermittelt wird.Frequency determination: First, it will be described here how the frequency is determined from the measured values.

[0043] Dies wird zunächst für nicht überlagerte Kurven beschrieben. Die Frequenz einer klassischen Sinus-Kurve kann aus der Zeitdifferenz zweier aufeinander folgender Höchstwerte ermittelt werden. Wenn die Zeitpunkte (t1, t2) des Auftretens zweier benachbarter Höchstwerte bekannt sind ergibt sich die Frequenz (f) der Kurve zu: [0044] f=1/(t2-t1).This will first be described for non-superimposed curves. The frequency of a classical sinusoidal curve can be determined from the time difference between two consecutive maximum values. If the times (t1, t2) of the occurrence of two adjacent maximum values are known, the frequency (f) of the curve becomes: f = 1 / (t2-t1).

[0045] Zwischen zwei Extremwerten der Kurve (Hochpunkt, Tiefpunkt) liegt immer auch ein Wendepunkt in dem die Krümmung der Kurve 0 beträgt oder sich die Krümmung in ihrem Vorzeichen ändert (z.B. von + nach -). Auch der zeitliche Abstand zwischen zwei Wendepunkten kann zur Frequenzbestimmung herangezogen werden. Da zwischen zwei Höchstwerten jedoch immer zwei Wendepunkte liegen, würde hier die Formel allerdings [0046] f=2/(tw2-tw1) [0047] lauten, wobei tw1 und tw2 die Zeiten des Auftretens der Wendepunkte sind.Between two extreme values of the curve (high point, low point) there is always also an inflection point in which the curvature of the curve is 0 or the curvature changes in its sign (for example from + to -). Also, the time interval between two turning points can be used for frequency determination. However, since there are always two inflection points between two peaks, here the formula would be f = 2 / (tw2-tw1), where tw1 and tw2 are the times of occurrence of the inflection points.

[0048] In dem hier beschriebenen Verfahren wird davon ausgegangen, dass sich diese Erkenntnis auch auf EEG-Kurven übertragen lassen, die überlagerte Kurvenverläufe aufweisen.In the method described here, it is assumed that this finding can also be transferred to EEG curves which have superimposed curve courses.

[0049] Es hat sich erwiesen, dass die exakte Lage der Wendepunkte leichter identifizierbar ist, als die Lage der Extremwerte. Bei einer EEG-Kurve darf davon ausgegangen werden, dass es sich um die Überlagerung mehrerer Kurven unterschiedlicher Frequenz handelt. Bei einer einzelnen klassischen Sinus-Kurven kann ein Höchstwert immer leicht identifiziert werden, da es links und rechts immer von tiefer liegenden Werten umgeben ist. Bei EEG-Kurven stimmt das in besonders steilen Abschnitten jedoch nicht mehr. In der 25squares-Methode wird daher die Lage der Wendepunkte zur Frequenzermittlung herangezogen.It has been found that the exact position of the turning points is easier to identify than the position of the extreme values. For an EEG curve, it can be assumed that it is the superimposition of several curves of different frequencies. For a single classical sine curve, a peak can always be easily identified because it is always surrounded by lower values to the left and right. In EEG curves, however, this is no longer true in particularly steep sections. In the 25squares method, therefore, the location of the inflection points is used for frequency determination.

[0050] Die dabei verwendete Methode wird nun beschrieben: Seien tk1, tk2 und tk3 die Zeitpunkte dreier aufeinander folgender Messungen mit den Messwerten w1, w2 und w3 jeweils z.B. in Millivolt. Nach der folgenden Formel kann dann ein Wert k ermittelt werden, der direkt 4/10 österreichisches Patentamt AT506113 B1 2010-11-15 proportional zur Krümmung der Kurve zum Zeitpunkt t2 ist.The method used will now be described: Let tk1, tk2 and tk3 be the times of three consecutive measurements with the measured values w1, w2 and w3, respectively, e.g. in millivolts. According to the following formula, a value k can then be determined which is directly proportional to the curvature of the curve at time t2.

[0051] k = w3 - ((tk3-tk1 )/(tk2-tk1 )*(w2-w1) + w1) [0052] Der Wert von k kann positiv oder negativ sein. Wechselt nun k von positiv nach negativ oder umgekehrt, dann liegt ein Wendepunkt vor. Im Wendepunkt selbst ist eine Krümmung von 0 anzunehmen.K = w3 - ((tk3-tk1) / (tk2-tk1) * (w2-w1) + w1) The value of k may be positive or negative. If k changes from positive to negative or vice versa, then there is a turning point. In the turning point itself, a curvature of 0 is assumed.

[0053] Weiters wird Folgendes berücksichtigt: [0054] Tritt mehrmals hintereinander der Wert 0 für ka auf, dann handelt es sich um einen geraden Abschnitt des Kurvenverlaufes. Der Wendepunkt t(w) wird genau in der Mitte dieser Folge angenommen gemäß [0055] t(w)=(t1+t(n))/2 [0056] Wird in einer Folge von Messwerten w1..w4 zu den Zeitpunkten t1..t4 für die Zeiten t2 eine positive und für die Zeit t3 eine negative Krümmung ermittelt, dann liegt der Wendepunkt genau zwischen t2 und t3.Furthermore, the following is taken into account: If the value 0 for ka occurs several times in succession, then it is a straight section of the curve. The point of inflection t (w) is assumed to be exactly in the middle of this sequence according to [0055] t (w) = (t1 + t (n)) / 2 [0056] Will be in a sequence of measured values w1..w4 at the times t1 ..t4 determines a positive curvature for the times t2 and a negative curvature for the time t3, then the turning point lies exactly between t2 and t3.

[0057] Bei klassischen Sinuskurven ist der Aufbau dahingehend symmetrisch, dass ein Extremwert (Hoch- oder Tiefpunkt) immer exakt in der Mitte zwischen zwei Wendepunkten liegt. Die Extremwerte sind gleichzeitig die Kurventeile mit der jeweils stärksten Krümmung zwischen je zwei Wendepunkten mit Krümmung 0.For classical sinusoids, the construction is symmetrical in that an extreme value (high or low point) always lies exactly in the middle between two turning points. The extreme values are at the same time the curve parts with the strongest curvature between each two turning points with curvature 0.

[0058] Bei EEG-Kurven ist davon auszugehen, dass sowohl symmetrische als auch asymmetrische Kurven auftreten können. Eine Kurve wird asymmetrisch genannt, wenn ein Extremwert nicht genau in der Mitte zwischen zwei Wendepunkte liegt. Die Asymmetrie kann z.B. dadurch Zustande kommen, dass der Anstieg einer Kurve bis zum Extremwert (Hochpunkt) steiler ist als der darauffolgende Abstieg bis zum nächsten Wendepunkt.For EEG curves it can be assumed that both symmetric and asymmetric curves can occur. A curve is called asymmetric if an extreme value is not exactly in the middle between two inflection points. The asymmetry can be e.g. This causes states that the rise of a curve to the extreme value (high point) is steeper than the subsequent descent to the next turning point.

[0059] Es ist also zur Symmetriebestimmung unbedingt auch die Berechnung der Lage der Extremwerte notwendig. Auch hier wird davon ausgegangen, dass sich Extremwerte im EEG durch eine stärkere Krümmung im Kurvenverlauf verraten. Zwischen jeweils zwei Wendepunkten muss also genau ein Extremwert gefunden werden. Sei tl.tn eine Folge von Zeitpunkten mit den Kurven- Krümmungswerten kl.kn, dann kann von folgenden Tatsachen ausgegangen werden: [0060] · Die Werte von k1 und kn sind 0.It is therefore necessary to calculate the symmetry of the position of the extreme values necessarily. Here, too, it is assumed that extreme values in the EEG are revealed by a greater curvature in the course of the curve. Between two turning points, therefore, exactly one extreme value must be found. Let tl.tn be a sequence of times with the curve curvature values kl.kn, then the following facts can be assumed: The values of k1 and kn are 0.

[0061] · Alle dazwischen liegende Werte sind zwingend von 0 verschieden, da sonst ein zu sätzlicher Wendepunkt vorliegen würde.All intervening values are necessarily different from 0, otherwise there would be an additional inflection point.

[0062] · Es gibt einen oder mehrere Werte kx, die am weitesten von 0 verschieden sind.There are one or more values kx that are furthest from 0.

[0063] Daraus kann nun Folgende Erkenntnis gewonnen werden: Wird ein Wert kx gefunden, dessen Absolutbetrag am größten ist (der am weitesten von 0 entfernt ist), dann liegt dort auch die stärkste Krümmung und somit ein Extremwert vor. Tritt dieser größte Wert mehrmals auf, dann wird die Lage des Extremwertes in deren Mitte angenommen.From this, the following knowledge can now be obtained: If a value kx is found whose absolute value is greatest (which is farthest from 0), then there is also the strongest curvature and thus an extreme value. If this largest value occurs several times, then the position of the extreme value in the middle is assumed.

[0064] Ein Höchstwert kann also nun genau in der Mitte zwischen zwei Wendepunkte liegen und gilt dann vereinbarungsgemäß als symmetrischer Kurvenabschnitt.Thus, a maximum value can now lie exactly in the middle between two inflection points and then applies according to convention as a symmetrical curve segment.

[0065] Liegt jedoch ein Höchstwert näher wie einem der zwei Wendepunkte, dann gilt die Kurve als asymmetrisch, da z.B. vor und nach dem Höchstwert unterschiedlich starke Steigungen oder Gefälle vorliegen.However, if a maximum value is closer than one of the two inflection points, then the curve is considered asymmetric since e.g. there are gradients or gradients of different degrees before and after the maximum value.

[0066] Da aber je nach Lage des Höchstwertes der steilere Abschnitt vor oder nach diesem auftreten kann, sprechen wir von zwei Arten der Asymmetrie.But since, depending on the location of the peak, the steeper section may occur before or after this, we speak of two types of asymmetry.

[0067] Um eine statistische Auswertung zu ermöglichen, ist es notwendig die Art und Stärke der Asymmetrie in Zahlen auszudrücken. Mit der folgenden Formel geht das ganz gut.In order to allow a statistical evaluation, it is necessary to express the nature and strength of the asymmetry in numbers. That's fine with the following formula.

[0068] Seien tw1 und tw2 die Zeitpunkte des Austretens zweier Wendepunkte und te der Zeit- 5/10 österreichisches Patentamt AT506113 B1 2010-11-15 punkt des Auftretens des zwischen tw1 und tw2 liegenden Extremwertes. Dann kann nach folgender Formel eine Zahl a ermittelt werden: [0069] a = (te-((tw2+tw1 )/2))*100 / (tw2-tw1) [0070] Für a gilt nun: [0071] Ist a=0 dann liegt eine Symmetrische Kurve vor [0072] A liegt immer zwischen -100 und +100 [0073] Ist a nicht gleich 0, dann liegt eine asymmetrische Kurve vor [0074] Für alle positiven a gilt, dass sie eine gleichartige Asymmetrie beschreiben.Be tw1 and tw2 the times of the emergence of two turning points and te the time point of the occurrence of lying between tw1 and tw2 extreme value. Then, a number a can be determined according to the following formula: a = (te - ((tw2 + tw1) / 2)) * 100 / (tw2-tw1) [0070] = 0 then there is a symmetric curve A always lies between -100 and +100 If a is not equal to 0, then an asymmetric curve is present For all positive a it is valid that they describe a similar asymmetry ,

[0075] Die oben angeführte Formel gilt für Tiefpunkte zwischen zwei Wendepunkten. Sie liefert für a ein positives Ergebnis, wenn der Kurvenverlauf im Anstieg nach dem Wendepunkt steiler ist als der Abstieg vor dem Tiefpunkt.The above formula applies to lows between two inflection points. It provides a positive result for a when the curve in the ascent after the inflection point is steeper than the descent before the trough.

[0076] Für Hochpunkte bzw. Maxima wird eine leicht modifizierte Formel verwendet: [0077] a = (((tw2+tw1 )/2)-te)*100 / (tw2-tw1) [0078] Die Trennung der übereinander liegenden bzw. überlagerter Kurven kann folgendermaßen bewerkstelligt werden: Ein EEG besteht aus mehreren übereinander liegenden Kurven unterschiedlicher Frequenz und Amplitude. Bei der Ermittlung der Frequenzen nach der oben beschriebenen Methode erhält man die oberste Ebene, welche den höchsten ermittelbaren Frequenzen entspricht. Die nächste, darunter liegende Kurve ist langwelliger und enthält niedrigere Frequenzen. Man stelle sich zwei unterschiedliche Frequenzen vor, die durch Addition zu einer Mischkurve verbunden werden. Legt man genau durch die Wendepunkte - welche durch unser Verfahren ermittelt werden - eine neue Kurve, dann entspricht diese neue Kurve exakt dem Verlauf der niedrigeren der beiden Frequenzen. Wird nun für diese neue Kurve wieder die Lage der Wendepunkte errechnet, kann auch deren Frequenz exakt bestimmt werden.For highs or maxima, a slightly modified formula is used: a = (((tw2 + tw1) / 2) -te) * 100 / (tw2-tw1) Superimposed curves can be accomplished as follows: An EEG consists of several superimposed curves of different frequency and amplitude. When determining the frequencies according to the method described above, the highest level is obtained, which corresponds to the highest ascertainable frequencies. The next curve below is longer wavelength and contains lower frequencies. Imagine two different frequencies, which are connected by addition to a mixing curve. If you create a new curve exactly through the inflection points - which are determined by our method - then this new curve corresponds exactly to the course of the lower of the two frequencies. If the position of the inflection points is calculated again for this new curve, its frequency can also be determined exactly.

[0079] Dieser Vorgang könnte nun bis ins Unendliche fortgesetzt und wiederholt werden. Es ist anzunehmen, dass durch dieses Verfahren nahezu alle durch Addition entstandenen Kurventeile voneinander getrennt werden können. Verloren gehen nur Kurven die sich durch Gegenläufigkeit der Schwingungen gegenseitig auslöschen oder Kurven die exakt die gleiche Amplitude bei geringfügig unterschiedlicher Frequenz haben.This process could now be continued and repeated to infinity. It can be assumed that by this method almost all addition of the curve parts can be separated from each other. Lost only curves that cancel each other out by opposing vibrations, or curves that have exactly the same amplitude at slightly different frequencies.

[0080] Wenn einer hohen eine niedrigere Frequenz folgt, liegt ein Frequenzwechsel vor. Dasselbe gilt natürlich auch im umgekehrten Fall. Bei der 25squares-Methode werden alle Ereignisse mit der Eigenschaft „Frequenz bleibt gleich&quot; in die mittlere Spalte eingetragen (y=0). Alle Ereignisse, bei denen die Frequenz zunimmt kommen in die rechten Spalten 4 und 5, je nach Intensität des Ereignisses. Bei einer lntensität&gt;50% wird die 5. Spalte befüllt.When a high follows a lower frequency, there is a frequency change. The same applies, of course, in the reverse case. In the 25squares method, all events with the property "Frequency remains the same". entered in the middle column (y = 0). All events at which frequency increases come to the right columns 4 and 5, depending on intensity of an event. If the intensity is> 50%, the fifth column will be filled.

[0081] Genauso kommen Ereignisse, bei denen die Frequenz abnimmt in die linken Spalten 1 und 2, wobei wieder die Intensität entscheidend ist.Likewise, events occur in which the frequency decreases in the left columns 1 and 2, again the intensity is crucial.

[0082] Die Fig. 2 zeigt schematisch typische Kurvenverläufe, die bei einer EEG-Aufnahme entstehen. Die einzelnen Kurvenverläufe sind in Form einer Matrix angeordnet, wobei die jeweiligen in der Matrix dargestellten Kurven einen Eintrag in der in Fig. 1 dargestellten Ergebnis-Matrix bewirken.FIG. 2 schematically shows typical curves which occur during an EEG recording. The individual curve progressions are arranged in the form of a matrix, with the respective curves shown in the matrix effecting an entry in the result matrix shown in FIG.

[0083] Zeile Z1 bis Z5, werden Kurven mit jeweils ähnlicher Anstiegs- und Abstiegssteilheit erfasst. In der mittleren Zeile Z3 befinden sich Kurven mit annähernd gleicher Anstiegs- und Abstiegssteilheit. Nach oben nimmt die Abstiegssteilheit zu, nach unten erhöht sich die Anstiegssteilheit.Line Z1 to Z5, curves are detected, each with a similar rise and descent slope. In the middle row Z3 are curves with approximately the same rise and descent slope. Upwards, the descent increases, downwards, the steepness of increase increases.

[0084] Zeile Z1 enthält stark unsymmetrische Kurven. Die Höchstwerte sind relativ zu den Wendepunkten stark nach rechts verschoben. Die Testwerte liegen dementsprechend weit links. Zeile Z2 enthält leicht unsymmetrische Kurven. Die Höchstwerte liegen leicht nach rechts verschoben. Das entspricht einem etwas flacheren Anstieg und leicht steilerem Abstieg der 6/10Line Z1 contains highly unbalanced curves. The peaks are shifted to the right relative to the turning points. The test values are accordingly far left. Line Z2 contains slightly unbalanced curves. The maximum values are slightly shifted to the right. This corresponds to a slightly shallower rise and slightly steeper descent of the 6/10

Claims (7)

österreichisches Patentamt AT506113 B1 2010-11-15 Kurven. [0085] Zeile Z5 enthält stark unsymmetrische Kurven. Die Höchstwerte sind relativ zu den Wendepunkten stark nach links verschoben. Die Testwerte liegen dementsprechend weit links. Zeile Z4 enthält leicht unsymmetrische Kurven. Die Höchstwerte liegen leicht nach links verschoben. Das entspricht einem etwas flacheren Anstieg und leicht steilerem Abstieg der Kurven. [0086] Spaltenweise, S1 bis S5, wird die Geschwindigkeit der Frequenzwechsel, d.h. die Zeitliche Änderungsrate der Frequenz, erfasst. In der mittleren Spalte S3 findet kein Frequenzwechsel statt. Nach links erfolgt ein zunehmend starker Wechsel von schnellen Frequenzen zu langsamen; nach rechts von langsamen zu schnellen. [0087] Das mittlere Quadrat S3/Z3 zeigt z.B. Kurven mit gleichbleibender Anstiegs- und Abstiegssteilheit mit gleichbleibender Frequenz; das Quadrat S5/Z1 Kurven mit starker Abstiegssteilheit, bei denen ein starker Wechsel von niedrigen zu hohen Frequenzen stattfindet. [0088] Wesentlicher Vorteil der Erfindung ist die Vergleichbarkeit der erzielten Messungen. Mit den hier beschriebenen Verfahren ist es nun möglich jedes im EEG auftretende Ereignis in eines der 25 Felder einzutragen. Unterschiedlich lange Messungen bedingen aber unterschiedlich starke Befüllungen der 25 Felder. Um auch 2 unterschiedlich lange Messungen miteinander vergleichbar zu machen ist eine Anpassung der in den Feldern liegenden Zahlenwerte notwendig. Zu diesem Zweck wird eine Skalierung vorgenommen. [0089] Dies wird in der 25squares-Methode durch eine Skalierung auf 100 erreicht. Es wird zunächst das Feld mit den meisten Einträgen gesucht. Erfahrungsgemäß liegt dieses in der mittleren Zeile z.B. in Spalte 2 oder 3. [0090] Sei der Wert m die größte Zahl im 25-Felder-Raster. Mit der nachfolgenden Formel wird ein Faktor f ermittelt. Dieser dient als Multiplikationsfaktor um alle Felder auf eine Skala von 0 bis 100 zu skalieren bzw. in einen Bereich von 1 bis 100 zu transformieren. [0091] f = 100/m [0092] Multipliziert man nun alle 25 Felder mit dem Faktor f, dann findet man nur noch Werte zwischen 0 und 100, wobei das Feld mit den meisten Einträgen immer auf 100 reduziert bzw. skaliert wird, eine rote Farbe zugeteilt bekommt und durch das größte Quadrat repräsentiert wird. [0093] In Fig. 1 ist beispielhaft das Ergebnis einer Messung als Matrix umfassend die 25 Felder graphisch dargestellt. Zur Veranschaulichung werden Quadrate unterschiedlicher Größe und Schattierung verwendet, wobei in das jeweilige Quadrat der jeweilige Wert des jeweiligen Matrixelements eingeschrieben ist. Je häufiger ein (noch zu beschreibendes) Ereignis vorkommt, desto größer ist das Quadrat, desto dunkler die Schattierung, desto höher die zugeordnete Zahl, die Werte zwischen 1 und 100 annehmen kann. [0094] Je häufiger das jeweilige Ereignis stattfindet, desto größer ist das Quadrat und desto höher ist die Zahl im jeweiligen Feld. Die Felder sind gemäß einem Farbspektrum eingefärbt (nicht dargestellt), wobei gleiche Häufungen (Zahlen im Feld) durch gleiche Farben repräsentiert werden. Zusätzlich sind das Zeitintervall der Aufnahme, das berücksichtigte Frequenzband sowie ein Dateiname dargestellt. Patentansprüche 1. Verfahren zur optischen Darstellung von durch EEG gemessenen Hirnströmen, wobei die Hirnströme aufgenommen werden und in Form eines Signals vorliegen, dadurch gekennzeichnet, - dass eine Änderung der Frequenz in Form einer Frequenzänderungsrate des aufgenommenen Signals sowie eine Asymmetrie des aufgenommenen Signals in Form der Relativposition eines Minimums oder Maximums des Signals zwischen den beiden nächstliegenden Wendepunkten ermittelt wird, 7/10 österreichisches Patentamt AT506113 B1 2010-11-15 - dass sowohl für die Änderung der Frequenz als auch für die Asymmetrie eine Klassifikation mit jeweils mehreren Klassen vorgegeben wird, nämlich mehreren Frequenzänderungsklassen zur Klassifikation der Änderung der Frequenz und mehreren Asymmetrieklassen zur Klassifikation der Asymmetrie, - wobei zu jedem Zeitpunkt die Änderung der Frequenz im Vergleich zu einem vorigen Zeitpunkt ermittelt wird und genau einer Frequenzänderungsklasse zugewiesen wird und entsprechend seiner Asymmetrie genau einer Asymmetrieklasse zugewiesen wird, - eine Matrix erstellt wird, wobei jede Zeile der Matrix einer Asymmetrieklasse entspricht und jede Spalte der Matrix einer Frequenzänderungsklasse entspricht, - die auftretenden Frequenzänderungen und Asymmetrien zu jedem Zeitpunkt für jede Frequenzänderungs- und Asymmetrieklasse separat gezählt und in dasjenige Feld der Matrix eingetragen werden, dessen Zeile und Spalte der jeweiligen Frequenzänderungsklasse und Asymmetrieklasse der ermittelten Frequenzänderung und Asymmetrie entspricht, und - die Matrix zur Anzeige gebracht wird.Austrian Patent Office AT506113 B1 2010-11-15 Curves. Line Z5 contains highly unbalanced curves. The maximum values are shifted strongly to the left relative to the turning points. The test values are accordingly far left. Line Z4 contains slightly unbalanced curves. The highs are slightly shifted to the left. This corresponds to a slightly flatter rise and slightly steeper descent of the curves. Columnwise, S1 to S5, the speed of the frequency changes, i. the rate of change of frequency, recorded. In the middle column S3 no frequency change takes place. To the left is an increasingly strong change from fast frequencies to slow ones; to the right from slow to fast. The mean square S3 / Z3 shows e.g. Curves with constant rise and descent steepness with constant frequency; the square S5 / Z1 Curves with steep descent, where a strong change from low to high frequencies occurs. A significant advantage of the invention is the comparability of the measurements obtained. With the methods described here, it is now possible to enter each event occurring in the EEG in one of the 25 fields. Differently long measurements, however, require varying degrees of filling of the 25 fields. In order to be able to compare two measurements of different lengths, it is necessary to adapt the numerical values in the fields. Scaling is done for this purpose. This is achieved by scaling to 100 in the 25squares method. First the field with the most entries is searched. Experience has shown that this is in the middle row e.g. in column 2 or 3. Let the value m be the largest number in the 25-field raster. The following formula determines a factor f. This serves as a multiplication factor to scale all fields on a scale from 0 to 100 or to transform them into a range from 1 to 100. F = 100 / m If one now multiplies all 25 fields by the factor f, then one finds only values between 0 and 100, whereby the field with most entries is always reduced or scaled to 100, one red color is assigned and represented by the largest square. In FIG. 1, the result of a measurement as a matrix comprising the 25 fields is shown graphically by way of example. For purposes of illustration, squares of different size and shading are used, with the respective value of the respective matrix element inscribed in the respective square. The more often an event (to be described) occurs, the larger the square, the darker the shading, the higher the assigned number, which can be between 1 and 100. The more frequently the respective event takes place, the larger the square and the higher the number in the respective field. The fields are colored according to a color spectrum (not shown), with equal clusters (numbers in the field) being represented by the same colors. In addition, the time interval of the recording, the considered frequency band and a file name are shown. 1. A method for the optical representation of brain waves measured by EEG, wherein the brain waves are recorded and in the form of a signal, characterized in that - a change in frequency in the form of a frequency change rate of the recorded signal and an asymmetry of the recorded signal in the form of The relative position of a minimum or maximum of the signal between the two nearest inflection points is determined - that for the change of frequency as well as for the asymmetry a classification with in each case several classes is given, namely several frequency change classes for the classification of the change of the frequency and several asymmetry classes for the classification of the asymmetry, - whereby the change of the frequency compared to a previous time is determined at any time and assigned to exactly one frequency change class and according to its asymmetry is assigned to exactly one asymmetry class, - a matrix is created, each row of the matrix corresponding to an asymmetry class and each column of the matrix corresponds to a frequency change class, - the occurring frequency changes and asymmetries at each time point separately for each frequency change and asymmetry class counted and entered into that field of the matrix whose row and column correspond to the respective frequency change class and asymmetry class of the ascertained frequency change and asymmetry, and - the matrix is displayed. 2. Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, dass die Frequenz gemäß der Formel f = 1/(t2-t1) bestimmt wird, wobei t1 und t2 die Zeitpunkte zweier aufeinander folgender Minima oder Maxima sind oder gemäß der Formel f = 2/(tw2-tw1) bestimmt wird, wobei tw1 und tw2 die Zeitpunkte zweier aufeinander folgender Wendepunkte sind, wobei die Änderung der Frequenz durch Bildung der Differenzen zweier benachbarter Minima, Maxima oder Wendepunkten bestimmt wird.2. The method according to claim 1, characterized in that the frequency is determined according to the formula f = 1 / (t2-t1), wherein t1 and t2 are the time points of two consecutive minima or maxima or according to the formula f = 2 / ( tw2-tw1), where tw1 and tw2 are the times of two consecutive inflection points, the change in frequency being determined by forming the differences of two adjacent minima, maxima or inflection points. 3. Verfahren gemäß einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Asymmetrie des Signals gemäß der Formel a = (te-((tw2+tw1)/2))*100 / (tw2-tw1) bestimmt wird, wobei tw1 und tw2 die Zeitpunkte des Auftretens zweier aufeinanderfolgender Wendepunkte bezeichnen und te den jeweiligen Zeitpunkt des zwischen den beiden Wendepunkten liegenden Extremwerts bezeichnet.3. The method according to any one of the preceding claims, characterized in that the asymmetry of the signal according to the formula a = (te - ((tw2 + tw1) / 2)) * 100 / (tw2-tw1) is determined, wherein tw1 and tw2 The times of occurrence of two successive inflection points denote te and designated the respective time of the lying between the two inflection points extreme value. 4. Verfahren gemäß einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass zur Ermittlung eines Wendepunktes die Krümmung (k) zu einem Zeitpunkt tk2 gemäß der Formel k = w3 - ((tk3-tk1)/(tk2-tk1)*(w2-w1) + w1) bestimmt wird, wobei tk1 und tk3 Zeitpunkte unmittelbar vor bzw. nach dem Zeitpunkt tk2 sind und w1, w2 und w3 die Signalwerte zu den Zeitpunkten tk1, tk2 und tk3 sind, wobei ein Wendepunkt zum Zeitpunkt als vorliegend erkannt wird, zu dem die Krümmung entweder identisch gleich null ist oder zwischen zwei unmittelbar aufeinanderfolgenden Zeitpunkten tk1, tk2, tk3 als vorliegend erkannt wird, für deren ersten Zeitpunkt die Krümmung kleiner/größer als null ist und für deren zweiten Zeitpunkt die Krümmung größer/kleiner als null ist.4. The method according to any one of claims 1 to 3, characterized in that for determining a turning point, the curvature (k) at a time tk2 according to the formula k = w3 - ((tk3-tk1) / (tk2-tk1) * (w2 w1) + w1), where tk1 and tk3 are instants immediately before and after the time tk2 and w1, w2 and w3 are the signal values at the times tk1, tk2 and tk3, respectively, with a turning point at the time being recognized as present to which the curvature is either equal to or equal to zero between two immediately consecutive times tk1, tk2, tk3, for whose first time the curvature is less than / greater than zero and for the second time the curvature is greater / less than zero is. 5. Verfahren gemäß einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die beiden Klassifikationen für die Änderung der Frequenz sowie für die Asymmetrie jeweils dieselbe Anzahl von, insbesondere fünf, Klassen enthalten.5. The method according to any one of the preceding claims, characterized in that the two classifications for the change of the frequency as well as for the asymmetry each contain the same number of, in particular five, classes. 6. Verfahren gemäß einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass sämtliche Matrixeinträge mit dem Faktor H/m multipliziert werden, wobei m dem maximalen Matrixeintrag entspricht und H eine vorgegebene Konstante, insbesondere 100, ist.6. The method according to any one of the preceding claims, characterized in that all matrix entries are multiplied by the factor H / m, where m corresponds to the maximum matrix entry and H is a predetermined constant, in particular 100. 7. Verfahren gemäß einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass eine Klassifikation bezüglich der Änderung der Frequenz in fünf Klassen erfolgt, wobei eine Verringerung/Erhöhung der Frequenz um mehr als 50% eine Eintragung in die erste bzw. fünfte der fünf Klassen bewirkt, ein Gleichbleiben der Frequenz eine Eintragung in die dritte der Klassen bewirkt und eine Verringerung/Erhöhung von weniger als 50% eine Eintragung in die zweite bzw. vierte der fünf Klassen bewirkt. Hierzu 2 Blatt Zeichnungen 8/10Method according to one of the preceding claims, characterized in that a classification with respect to the change of the frequency takes place in five classes, whereby a reduction / increase of the frequency by more than 50% causes an entry in the first or fifth of the five classes, if frequency remains the same, it will result in entry into the third of the classes and a reduction / increase of less than 50% will result in entry into the second or fourth of the five classes. For this 2 sheet drawings 8/10
AT0202707A 2007-12-13 2007-12-13 METHOD FOR CONVERTING EEG MEASUREMENT OF ELECTRIC BRAIN STREAMS TO A SQUARE FIGURE AT506113B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
AT0202707A AT506113B1 (en) 2007-12-13 2007-12-13 METHOD FOR CONVERTING EEG MEASUREMENT OF ELECTRIC BRAIN STREAMS TO A SQUARE FIGURE

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
AT0202707A AT506113B1 (en) 2007-12-13 2007-12-13 METHOD FOR CONVERTING EEG MEASUREMENT OF ELECTRIC BRAIN STREAMS TO A SQUARE FIGURE

Publications (2)

Publication Number Publication Date
AT506113A1 AT506113A1 (en) 2009-06-15
AT506113B1 true AT506113B1 (en) 2010-11-15

Family

ID=40707485

Family Applications (1)

Application Number Title Priority Date Filing Date
AT0202707A AT506113B1 (en) 2007-12-13 2007-12-13 METHOD FOR CONVERTING EEG MEASUREMENT OF ELECTRIC BRAIN STREAMS TO A SQUARE FIGURE

Country Status (1)

Country Link
AT (1) AT506113B1 (en)

Also Published As

Publication number Publication date
AT506113A1 (en) 2009-06-15

Similar Documents

Publication Publication Date Title
EP1047987B1 (en) Method and device for representing and monitoring functional parameters of a physiological system
DE3751195T2 (en) System activity change indicator.
DE102016123159A1 (en) Apparatus and method for detecting a driver condition based on biometric signals of the driver
EP2811898B1 (en) Method for determining the physical and/or mental state of a test subject by analysing variations in their heart rate
DE102012208625B4 (en) Method and system for processing MRI data of the human brain
WO2003085546A1 (en) Method and device for the electromagnetic modification of cerebral activity
DE102015116044A1 (en) Method and device for quantifying a respiratory sinus arrhythmia and use of such a method or device [
EP1175865B1 (en) Cardiological implantable apparatus comprising an evaluation method for determining the temporal stationarity of measured cardiological signals
AT506113B1 (en) METHOD FOR CONVERTING EEG MEASUREMENT OF ELECTRIC BRAIN STREAMS TO A SQUARE FIGURE
DE102019119250A1 (en) Method for determining a load of a driver when driving on a route
AT520374B1 (en) Determination of the ranking of the perception intensity of stimuli from a test set of stimuli in a test subject
DE102011114045B4 (en) Method, arrangement and computer program for detecting derivations of event-related potentials of neural activity
DE102013213010B3 (en) Magnetic Resonance Imaging Data, Computer Program Product and Imaging Apparatus
AT518532B1 (en) Apparatus and method for electrostimulation of a subject
AT502014B1 (en) METHOD FOR CONVERTING EEG MEASURED HEADS TO A MULTI-DIMENSIONAL ILLUSTRATION
EP3967220B1 (en) Processing and visualizing data of electrical impedance tomography
DE102021100558B3 (en) Method and device for the technical support of the analysis of metrologically recorded signals that have a time- and space-dependent signal profile
DE10145325A1 (en) Arrangement and method for spatially directed detection of the electroencephalogram
DE202023002539U1 (en) Computer program and apparatus for converting time-varying signals acquired on a large number of recording channels
EP3145401A1 (en) Method and arrangement for increasing the signal-to-noise ratio of evoked and event-related potentials in the recordings of a neuronal activity
DE102015206450A1 (en) Method for the computer-aided processing of action potentials of the human or animal body measured with a plurality of electrodes
EP3586744A1 (en) Method and system for gait analysis
DE112020005677T5 (en) Learning device, learning method and measuring device
DE19961631A1 (en) Display and monitoring of function parameters of technical system, such as physiological system where data is derived from ECGs, and depiction of change in parameter data in 3-dimensional, easy to understand, manner
WO2008019407A1 (en) Method by which electrical brain currents measured with an eeg are converted into a multi-dimensional image

Legal Events

Date Code Title Description
MM01 Lapse because of not paying annual fees

Effective date: 20161213

NFJG Reinstatement after late payment of annual fees

Effective date: 20180205

MM01 Lapse because of not paying annual fees

Effective date: 20221213