RU2565993C1

RU2565993C1 - Method of isolation of spindle-shaped patterns by time data of electroencephalograms

Info

Publication number: RU2565993C1
Application number: RU2014120257/14A
Authority: RU
Inventors: Александр Евгеньевич Храмов; Вадим Валерьевич Грубов; Ольга Игоревна Москаленко; Алексей Александрович Короновский; Евгения Юрьевна Ситникова
Priority date: 2014-05-20
Filing date: 2014-05-20
Publication date: 2015-10-20

Abstract

FIELD: medicine.

SUBSTANCE: EEG signal is registered and continuous wavelet transform is realised. Instantaneous and integral distributions of wavelet spectrum energy by time scales, which correspond to frequency ranges 5-9 Hz for spindle-shaped patterns and 9-16 Hz for sleep spindles, are determined. At each time moment the total value of wavelet spectrum is determined; phases of system behaviour are determined on the basis of instantaneous distributions of wavelet spectrum in such a way that in one of the phases major part of wavelet spectrum energy falls at selected ranges of time scales. Instantaneous distributions of wavelet spectrum energies are averaged by time interval in range 1-1.5 s, threshold values of energy are specified and spindle-shaped patterns are determined by values of wavelet spectrum energy falling at ranges 5-9 Hz and 9-16 Hz.

EFFECT: method makes it possible to increase reliability of automatic identification of sleep spindles and other spindle-shaped patterns, which is achieved due to application of method of wavelet transform and determination of threshold values of wavelet spectrum energy.

2 cl, 3 dwg

Description

Изобретение относится к области биомедицинских технологий и предназначено для выделения характерных фаз поведения биологических систем по временным данным. В частности, изобретение может быть эффективно использовано в задачах автоматического выделения различных паттернов на временных рядах электроэнцефалограмм (ЭЭГ), электрокардиограмм, соннограмм и других сигналов физиологической природы, а также при исследовании перемежающегося поведения, широко распространенного в динамических системах различной природы.The invention relates to the field of biomedical technologies and is intended to highlight the characteristic phases of the behavior of biological systems according to temporary data. In particular, the invention can be effectively used in the tasks of automatically highlighting various patterns in the time series of electroencephalograms (EEGs), electrocardiograms, sonograms and other signals of a physiological nature, as well as in the study of intermittent behavior, widespread in dynamic systems of various nature.

Выделение характерных фаз поведения систем важно в задачах различных областей, включая нейрофизиологию. В частности, достаточно важной и актуальной технической задачей является создание способов автоматической разметки (выделения) различных паттернов на электроэнцефалограммах (пик-волновые эпилептические разряды, неэпилептическая активность - сонные веретена, фоновая активность, дельта-волны и т.д.) для диагностики заболеваний центральной нервной системы. В настоящее время широко известны способы выделения характерных фаз поведения систем, основанные на анализе «текущего» периода или амплитуды колебаний системы [Берже П., Помо И., Видаль К. Порядок в хаосе. М.: Мир, 1991, R.G. Andrzejak, G. Widman, К. Lehnertz, С. Rieke, С.Е. David, P. Elder, Epilepsy Res. 44 (2001), 129-140, A. Subasi, Expert Systems with Applications 29 (2005), 343-355, Короновский А.А., Храмов A.E., Письма в ЖТФ 27(1), (2001), 3-11 и др.]. Такие способы работают достаточно хорошо, если одна из фаз (обычно ее называют ламинарной фазой) представляет собой сигнал, очень близкий к строго регулярному, либо другая (турбулентная) фаза характеризуется существенно большей амплитудой по сравнению с ламинарной фазой. В то же самое время, такие способы оказываются непригодными при анализе реальных сигналов, в первую очередь, физиологической и биологической природы.The identification of the characteristic phases of the behavior of systems is important in the tasks of various fields, including neurophysiology. In particular, a rather important and relevant technical task is to create methods for automatically marking (highlighting) various patterns on electroencephalograms (peak wave epileptic discharges, non-epileptic activity - sleep spindles, background activity, delta waves, etc.) for diagnosing central diseases nervous system. Currently, methods for distinguishing characteristic phases of system behavior based on the analysis of the “current” period or amplitude of system oscillations are widely known [Berger P., Pomo I., Vidal K. Order in chaos. M .: Mir, 1991, R.G. Andrzejak, G. Widman, K. Lehnertz, S. Rieke, S.E. David, P. Elder, Epilepsy Res. 44 (2001), 129-140, A. Subasi, Expert Systems with Applications 29 (2005), 343-355, Koronovskii A.A., Hramov AE, Letters in ZhTF 27 (1), (2001), 3-11 and etc.]. Such methods work quite well if one of the phases (usually called the laminar phase) is a signal that is very close to strictly regular, or the other (turbulent) phase is characterized by a significantly larger amplitude compared to the laminar phase. At the same time, such methods turn out to be unsuitable for the analysis of real signals, primarily of physiological and biological nature.

Наиболее близким к заявляемому способу является способ выделения характерных фаз поведения систем по временным данным, предложенный в [Грубов В.В., Ситникова Е.Ю., Назимов А.И., Руннова А.Е., Храмов А.Е., Храмова М.В. Возрастная динамика частотно-временных особенностей сонных веретен на ЭЭГ крыс с генетической предрасположенностью к эпилепсии. Вестник ТГУ. 18, 4 (2013) 1288-1291].Closest to the claimed method is a method for isolating the characteristic phases of the behavior of systems according to time data, proposed in [Grubov V.V., Sitnikova E.Yu., Nazimov A.I., Runnova A.E., Hramov A.E., Khramova M.V. Age-related dynamics of the time-frequency characteristics of carotid spindles on rat EEG with a genetic predisposition to epilepsy. Bulletin of TSU. 18, 4 (2013) 1288-1291].

В этом способе используется непрерывное вейвлетное преобразование [Короновский А.А., Храмов А.Е. Непрерывный вейвлетный анализ и его приложения. М.: Физматлит, 2003]. Суть метода заключается в следующем: осуществляют непрерывное вейвлетное преобразование анализируемого сигнала, выбирают характерный диапазон временных масштабов и в каждый момент времени определяют суммарное значение энергии вейвлетного спектра, приходящейся на этот диапазон. Далее задают диапазон допустимых значений и по вхождению мгновенной энергии вейвлетного спектра в этот диапазон определяют наличие той или иной фазы поведения системы. Отличительной чертой этого способа от известных аналогов, использующих вейвлетное преобразование, является то, что в ходе его осуществления пороговое значение энергии вейвлетного спектра понижают на 40% и возвращают к исходной величине, когда суммарное значение энергии достигает заданного порогового значения.In this method, a continuous wavelet transform is used [Koronovsky A.A., Hramov A.E. Continuous wavelet analysis and its applications. M .: Fizmatlit, 2003]. The essence of the method is as follows: they carry out a continuous wavelet transform of the analyzed signal, select a characteristic range of time scales and at each moment determine the total value of the energy of the wavelet spectrum in this range. Next, a range of permissible values is set, and the occurrence of the instantaneous energy of the wavelet spectrum in this range determines the presence of a particular phase of the system's behavior. A distinctive feature of this method from known analogues using wavelet transform is that during its implementation, the threshold value of the energy of the wavelet spectrum is reduced by 40% and returned to its original value when the total energy value reaches a predetermined threshold value.

Такой способ позволяет с высокой степенью точности проводить выделение ламинарных и турбулентных фаз по временным реализациям динамических систем различной природы, включая живые системы. При помощи такого способа возможно диагностировать наличие эпилептических пик-волновых разрядов в электроэнцефалограммах человека и животных, однако, для автоматического выделения сонных веретен и 5-9 Гц-колебаний этот способ оказывается непригодным из-за большого числа ложных срабатываний.This method allows a high degree of accuracy to carry out the allocation of laminar and turbulent phases according to the temporary realizations of dynamic systems of various nature, including living systems. Using this method, it is possible to diagnose the presence of peak wave epileptic discharges in the electroencephalograms of humans and animals, however, this method is unsuitable for the automatic isolation of sleep spindles and 5-9 Hz vibrations due to the large number of false positives.

Задачей изобретения является разработка универсального способа, позволяющего проводить автоматическое выделение сонных веретен и других веретеноподобных паттернов по временным рядам электроэнцефалограмм.The objective of the invention is to develop a universal method that allows the automatic selection of sleep spindles and other spindle-like patterns in time series of electroencephalograms.

Техническим результатом изобретения по сравнению с прототипом является возможность определения различных веретеноподобных паттернов на ЭЭГ, регистрируемой во время сна животных или человека.The technical result of the invention compared with the prototype is the ability to determine various spindle-like patterns on the EEG, recorded during sleep of animals or humans.

Поставленная задача решается тем, что в способе выделения характерных веретеноподобных паттернов по временным рядам ЭЭГ снимают сигнал с системы с последующим непрерывным вейвлетным преобразованием, определяют мгновенное и интегральное распределения энергии вейвлетного спектра по временным масштабам, выбирают диапазоны характерных временных масштабов исследуемого сигнала, соответствующие частотным диапазонам 5-9 Гц для 5-9 Гц веретеноподобных паттернов и 9-16 Гц для сонных веретен, в течение каждой из фаз на основании мгновенных распределений энергии вейвлетного спектра для различных фаз поведения системы таким образом, чтобы в одной из фаз на выбранный характерный диапазон временных масштабов приходилась большая часть энергии вейвлетного спектра, усредняют мгновенные распределения энергий вейвлетного спектра по интервалу времени в диапазоне 1-1.5 с, задают пороговые значения энергии и путем сравнения суммарных значений энергии вейвлетного спектра, приходящихся на выбранные диапазоны характерных временных масштабов, в различные моменты времени с выбранными пороговыми значениями выделяют различные веретенообразные паттерны.The problem is solved in that in a method for extracting characteristic spindle-like patterns from EEG time series, a signal is removed from the system with subsequent continuous wavelet transform, the instantaneous and integral energy distributions of the wavelet spectrum are determined over time scales, and ranges of characteristic time scales of the studied signal corresponding to frequency ranges 5 are selected -9 Hz for 5-9 Hz spindle-like patterns and 9-16 Hz for carotid spindles, during each phase based on instantaneous distributions energy wavelet spectrum divisions for different phases of the system behavior so that in one phase the selected characteristic range of time scales accounts for the majority of the wavelet spectrum energy, average the instantaneous energy distribution of the wavelet spectrum over a time interval in the range of 1-1.5 s, set the threshold energy values and by comparing the total values of the energy of the wavelet spectrum in the selected ranges of the characteristic time scales at different points in time with the selected threshold Vym values emit various patterns spindle.

Изобретение поясняется чертежами, где на фиг. 1 представлен типичный фрагмент электроэнцефалограммы с веретеноподобным паттерном (а), мгновенная энергия вейвлетного спектра w(t) (б) и усредненная по характерному временному интервалу Т=1.5 с энергия <w(t)> (в), где также отмечено пороговое значение энергии w_кр; на фиг. 2 - типичный фрагмент электроэнцефалограммы с веретеноподобным паттерном (а), усредненная по характерному временному интервалу T=1.5 с энергия вейвлетного спектра <w(t)> с отмеченными пороговыми значениями энергии вейвлетного спектра w_кр (б) и w′_кр (в); на фиг. 3 - типичный фрагмент электроэнцефалограммы с несколькими характерными веретеноподобными паттернами (а), проекция вейвлетной поверхности |W(t,f)| на плоскость (t,f) для сигнала ЭЭГ U(t) (б), энергии вейвлетного спектра w₁(t) и w₂(t), приходящиеся на характерные частотные диапазоны f∈(5,9) и f∈(9,16) Гц (в), усредненные по характерному временному интервалу T=1.5 с энергии вейвлетного спектра <w₁(t)> и <w₂(t)> с отмеченными пороговыми значениями энергии вейвлетного спектра w_1кр, w_2кр и w′_1кр, w′_2кр (г).The invention is illustrated by drawings, where in FIG. Figure 1 shows a typical fragment of the electroencephalogram with a spindle-like pattern (a), instantaneous energy of the wavelet spectrum w (t) (b) and energy <w (t)> (c) averaged over the characteristic time interval T = 1.5 s, where the threshold energy value is also noted w _cr ; in FIG. 2 - a typical fragment of the electroencephalogram with a spindle-like pattern (a) averaged over the characteristic time interval T = 1.5 s, the energy of the wavelet spectrum <w (t)> with the marked threshold energy values of the wavelet spectrum w _cr (b) and w ′ _cr (c); in FIG. 3 - a typical fragment of the electroencephalogram with several characteristic spindle-like patterns (a), the projection of the wavelet surface | W (t, f) | to the (t, f) plane for the EEG signal U (t) (b), the energy of the wavelet spectrum w ₁ (t) and w ₂ (t) falling on the characteristic frequency ranges f∈ (5.9) and f∈ (9 , 16) Hz (c) averaged over the characteristic time interval T = 1.5 s of the energy of the wavelet spectrum <w ₁ (t)> and <w ₂ (t)> with the marked threshold energy values of the wavelet spectrum w _1кр , w _2кр and w ′ _1cr , w ′ _2cr (g).

Изобретение поясняется чертежами, где на фиг. 1 представлен фрагмент электроэнцефалограммы с характерным веретеноподобным паттерном и высокочастотным артефактом (а), а также мгновенная энергия вейвлетного спектра w(t) (б); на фиг. 2 приведен типичный фрагмент электроэнцефалограммы с веретеноподобным паттерном сложной формы (а) и усредненная по характерному временному интервалу T=1.5 с энергия вейвлетного спектра <w(t)> (б); на фиг. 3 приведен фрагмент типичной электроэнцефалограммы, состоящей из фоновой активности и веретеноподобных паттернов двух типов (а), проекция вейвлетной поверхности |W(t,f)| (б), зависимости энергий вейвлетного спектра w₁(t) и w₂(t), приходящиеся на характерные частотные диапазоны f∈(5,9) и f∈(9,16) Гц (в) и усредненные по характерному временному интервалу Т=1.5 с энергии вейвлетного спектра <w₁(t)> и <w₂(t)> (г).The invention is illustrated by drawings, where in FIG. 1 shows a fragment of an electroencephalogram with a characteristic spindle-like pattern and a high-frequency artifact (a), as well as the instantaneous energy of the wavelet spectrum w (t) (b); in FIG. Figure 2 shows a typical fragment of an electroencephalogram with a spindle-like pattern of complex shape (a) and energy of the wavelet spectrum <w (t)> (b) averaged over a characteristic time interval T = 1.5 s; in FIG. Figure 3 shows a fragment of a typical electroencephalogram consisting of background activity and spindle-like patterns of two types (a), the projection of the wavelet surface | W (t, f) | (b) the dependences of the energies of the wavelet spectrum w ₁ (t) and w ₂ (t) falling on the characteristic frequency ranges f∈ (5.9) and f∈ (9.16) Hz (c) and averaged over the characteristic time interval T = 1.5 s energy of the wavelet spectrum <w ₁ (t)> and <w ₂ (t)> (g).

Заявляемый способ выделения веретеноподобных паттернов на ЭЭГ осуществляется следующим образом.The inventive method for highlighting spindle-like patterns on an EEG is as follows.

Снимают сигнал ЭЭГ U(t) с исследуемой системы и проводят его непрерывное вейвлетное преобразование:Take the EEG signal U (t) from the studied system and conduct its continuous wavelet transformation:

где ψ(t) - базисный вейвлет (звездочка обозначает комплексное сопряжение), s - временной масштаб, t₀ - временной сдвиг вейвлетной функции вдоль оси времени. В качестве базисного вейвлета нужно использовать вейвлет Морле

[Daubechies I., Ten lectures on wavelets. SIAM, 1992]. Параметр базисного вейвлета выбирают равным ω₀=2π, что, с одной стороны, обеспечивает хорошее соотношение между локализациями вейвлетной функции во времени и Фурье-пространстве [Короновский А.А., Храмов А.Е., Непрерывный вейвлетный анализ и его приложения. М.: Физматлит, 2003], а с другой стороны, позволяет легко сопоставлять временные масштабы s вейвлетного преобразования (1) с частотами f спектрального представления сигнала, поскольку для данного значения параметра ω₀ выполняется соотношение s≈1/f.where ψ (t) is the basis wavelet (an asterisk indicates complex conjugation), s is the time scale, t ₀ is the time shift of the wavelet function along the time axis. As a basic wavelet you need to use Morlet wavelet

[Daubechies I., Ten lectures on wavelets. SIAM, 1992]. The basis wavelet parameter is chosen equal to ω ₀ = 2π, which, on the one hand, provides a good relationship between the localization of the wavelet function in time and the Fourier space [Koronovsky A.A., Hramov A.E., Continuous wavelet analysis and its applications. M .: Fizmatlit, 2003], and on the other hand, it is easy to compare the time scales s of the wavelet transform (1) with the frequencies f of the spectral representation of the signal, since for a given value of the parameter ω ₀ the relation s≈1 / f is fulfilled.

По аналогии со спектром мощности Фурье-преобразования вводят в рассмотрение мгновенное E(f)=|W(f,t₀)|² и интегральное

распределения энергии по частотам. Поскольку веретеноподобные паттерны существенно отличаются от фоновой ЭЭГ, то и структура вейвлетной поверхности W(t,f) для веретеноподобных паттернов и фоновой ЭЭГ также будет различна [Короновский А.А., Храмов А.Е., Письма в ЖТФ 27(1), (2001), 3-11; Короновский А.А., Храмов А.Е., Непрерывный вейвлетный анализ и его приложения. М.: Физматлит, 2003]. Иными словами, энергия вейвлетного спектра E(f,t) будет распределена по характерным частотам f, которые будут для разных фаз сигнала ЭЭГ U(t) разными, причем доля энергии, приходящейся на эти характерные частоты, также будет различаться. Таким образом, можно перейти от анализа структуры вейвлетной поверхности W(f,t) к анализу распределения энергии вейвлетного спектра по характерным частотам.By analogy with the power spectrum of the Fourier transform, the instantaneous E (f) = | W (f, t ₀ ) | ² and integral

energy distribution over frequencies. Since the spindle-like patterns are significantly different from the background EEG, the structure of the wavelet surface W (t, f) for the spindle-like patterns and the background EEG will also be different [Koronovsky A.A., Hramov A.E., Letters in ZhTF 27 (1), (2001), 3-11; Koronovsky A.A., Hramov A.E., Continuous wavelet analysis and its applications. M .: Fizmatlit, 2003]. In other words, the energy of the wavelet spectrum E (f, t) will be distributed over the characteristic frequencies f, which will be different for different phases of the EEG signal U (t), and the fraction of energy attributable to these characteristic frequencies will also vary. Thus, it is possible to pass from the analysis of the structure of the wavelet surface W (f, t) to the analysis of the energy distribution of the wavelet spectrum over characteristic frequencies.

Для выделения веретеноподобных паттернов в каждый момент времени t определяют суммарные значения энергии вейвлетного спектра w_i(t), приходящейся на выбранные характерные частотные диапазоны F_i.To highlight the spindle-like patterns at each time moment t, the total values of the energy of the wavelet spectrum w _i (t) per the selected characteristic frequency ranges F _{i are} determined.

Выбор частотных диапазонов зависит от рассматриваемого сигнала, и в каждом конкретном случае выбирается на основании мгновенных распределений энергии вейвлетного спектра. Наиболее часто веретеноподобные паттерны находятся в диапазонах F₁∈(5;9) Гц (так называемые 5-9 Гц колебания) и F₂∈(9;16) Гц (сонные веретена). В то же самое время ЭЭГ является сложным сигналом, в котором могут появляться отдельные резкие всплески активности и в других частотных диапазонах. Подобные события могут вызвать кратковременный рост мгновенной энергии вейвлетного спектра w_i(t), что приводит к ошибкам при диагностике (ложное детектирование). На фиг. 1 представлен фрагмент электроэнцефалограммы с характерным веретеноподобным паттерном и высокочастотным артефактом (а), а также мгновенная энергия вейвлетного спектра w(t) (б). Как видно из фиг. 1б, помимо веретеноподобного паттерна 1 детектируется также высокочастотный всплеск, не являющийся веретеноподобным паттерном 2. Для снижения вероятности ложного детектирования на следующем этапе заявляемого метода мгновенные значения энергий w_i(t) дополнительно усредняются по характерному интервалу времени Т∈[1, 1.5] с (см. фиг. 1в).The choice of frequency ranges depends on the signal in question, and in each case is selected based on the instantaneous energy distributions of the wavelet spectrum. The most often spindle-like patterns are in the ranges F ₁ ∈ (5; 9) Hz (the so-called 5-9 Hz oscillations) and F ₂ ∈ (9; 16) Hz (sleep spindles). At the same time, EEG is a complex signal in which individual sharp bursts of activity in other frequency ranges can appear. Such events can cause a short-term increase in the instantaneous energy of the wavelet spectrum w _i (t), which leads to errors in diagnosis (false detection). In FIG. Figure 1 shows a fragment of an electroencephalogram with a characteristic spindle-like pattern and a high-frequency artifact (a), as well as the instantaneous energy of the wavelet spectrum w (t) (b). As can be seen from FIG. 1b, in addition to the spindle-like pattern 1, a high-frequency burst is also detected, which is not a spindle-like pattern 2. To reduce the probability of false detection at the next stage of the proposed method, the instantaneous energies w _i (t) are additionally averaged over the characteristic time interval T∈ [1, 1.5] s ( see Fig. 1c).

Регистрация веретеноподобных паттернов производится на основе анализа усредненных энергий <w_i(t)> и заданных пороговых значений энергии w_iкр. Условия для регистрации веретеноподобных паттернов первого (5-9 Гц колебания) и второго (сонные веретена) типов, соответственно, имеют вид:Spindle-like patterns are recorded based on the analysis of averaged energies <w _i (t)> and given threshold energy values w _icr . The conditions for recording spindle-like patterns of the first (5-9 Hz oscillations) and second (sleep spindles) types, respectively, are of the form:

Однако следует учитывать сложную динамику частоты в течение веретеноподобных паттернов. На фиг. 2 приведен типичный фрагмент электроэнцефалограммы с веретеноподобным паттерном сложной формы (а) и усредненная по характерному временному интервалу T=1.5 с энергия вейвлетного спектра <w(t)> (б). Как видно из фиг. 2б при детектировании происходит ошибка - дробление одно паттерна на несколько. Для ослабления данного эффекта в заявляемый метод вводится следующая процедура.However, the complex dynamics of the frequency during spindle-like patterns should be considered. In FIG. Figure 2 shows a typical fragment of an electroencephalogram with a spindle-like pattern of complex shape (a) and energy of the wavelet spectrum <w (t)> (b) averaged over a characteristic time interval T = 1.5 s. As can be seen from FIG. 2b, an error occurs during detection - fragmentation of one pattern into several. To attenuate this effect, the following procedure is introduced into the inventive method.

Если в момент времени t выполняется один из критериев (4), (5), то для последующих моментов времени значение w_iкр понижают на 40%: w′_iкр=0.4 w_iкр. Первоначальное значение w_iкр возвращают в момент времени, для которого выполняется условие: w_i(t)<w′_iкр. Такое понижение порога детектирования позволяет значительно ослабить влияние сложной динамики частоты в течение веретеноподобных паттернов на качество детектирования (см. фиг. 2в).If at time t one of the criteria (4), (5) is fulfilled, then for subsequent times, the value of w _{icr is} reduced by 40%: w ′ _icr = 0.4 w _icr . The initial value w _{iкр is} returned at the moment of time for which the condition is fulfilled: w _i (t) < _wiкр . Such a decrease in the detection threshold can significantly reduce the influence of complex frequency dynamics during spindle-like patterns on the quality of detection (see Fig. 2B).

Рассмотрим пример конкретной реализации заявляемого способа на примере временной реализации записи электрической активности головного мозга крысы линии WAG/Rij. На фиг. 3а приведен фрагмент типичной электроэнцефалограммы, состоящей из фоновой активности и веретеноподобных паттернов двух типов (серые прямоугольники на фиг. 3а, г). Проекция вейвлетной поверхности |W(f,t)|, полученная после выполнения непрерывного вейвлетного преобразования исследуемого сигнала ЭЭГ, показана на фиг. 3б. Видно, что фрагменты вейвлетной поверхности, соответствующие фоновой активности и веретеноподобным паттернам, оказываются принципиально различными. Энергии вейвлетного спектра w₁(t) и w₂(t), приходящиеся на характерные частотные диапазоны f∈(5,9) и f∈(9,16) Гц, показаны на фиг. 3в. На фиг. 3г приведены усредненные по характерному временному интервалу Т=1.5 с энергии вейвлетного спектра <w₁(t)> и <w₂(t)>. Рассмотрим для примера усреденную энергию вейвлетного спектра <w₁(t)>. При появлении веретеноподобного паттерна величина <w₁(t)> превышает порог w_1кр и в соответствующий момент времени детектируется веретеноподобный паттерн первого типа. Кроме того, пороговое значение энергии понижается с w_1кр до w′_1кр и детектирование продолжается. Когда величина <w₁(t)> перестает превышать порог w′_1кр, детектирование прекращается и пороговому значению энергии возвращается исходное значение w_1кр. Аналогично происходит детектирование веретеноподобных паттернов второго типа с помощью энергии <w₂(t)> и порогов w_2кр до w′_2кр.Consider an example of a specific implementation of the proposed method on the example of a temporary implementation of the recording of electrical activity of the brain of a rat of the WAG / Rij line. In FIG. Figure 3a shows a fragment of a typical electroencephalogram consisting of background activity and spindle-like patterns of two types (gray rectangles in Fig. 3a, d). The projection of the wavelet surface | W (f, t) | obtained after performing continuous wavelet transform of the studied EEG signal is shown in FIG. 3b. It can be seen that the fragments of the wavelet surface corresponding to the background activity and spindle-like patterns turn out to be fundamentally different. The energies of the wavelet spectrum w ₁ (t) and w ₂ (t), which fall on the characteristic frequency ranges f∈ (5.9) and f∈ (9.16) Hz, are shown in FIG. 3c. In FIG. Figure 3d shows the energies of the wavelet spectrum <w ₁ (t)> and <w ₂ (t)> averaged over the characteristic time interval T = 1.5 s. For example, consider the averaged energy of the wavelet spectrum <w ₁ (t)>. When a spindle-like pattern appears, the value <w ₁ (t)> exceeds the threshold w _1cr, and a spindle-like pattern of the first type is detected at the corresponding moment in time. In addition, the threshold energy value decreases from w _1cr to w ′ _1cr and detection continues. When the value <w ₁ (t)> ceases to exceed the threshold w ′ _1cr , the detection stops and the initial value w _1cr returns to the threshold energy value. Similarly, the detection of spindle-like patterns of the second type occurs with the energy <w ₂ (t)> and thresholds w _2кр to w ′ _2кр .

Таким образом, техническим результатом заявляемого способа выделения характерных фаз поведения является обеспечение возможности выделения сонных веретен и других веретеноподобных паттернов по временным рядам электроэнцефалограмм.Thus, the technical result of the proposed method for distinguishing characteristic phases of behavior is the ability to distinguish sleep spindles and other spindle-like patterns from the time series of electroencephalograms.

Claims

1. A method for isolating spindle-like patterns according to temporary data of an electroencephalogram (EEG), characterized in that an EEG signal is recorded and continuous wavelet transform is performed; determining the instantaneous and integral energy distributions of the wavelet spectrum over time scales that correspond to frequency ranges of 5-9 Hz for spindle-like patterns and 9-16 Hz for sleep spindles; at each moment in time, the total energy of the wavelet spectrum is determined and, based on the instantaneous energy distributions of the wavelet spectrum, the phases of the system behavior are determined so that in one of the phases the selected part of the time scale accounts for the majority of the energy of the wavelet spectrum; average the instantaneous energy distribution of the wavelet spectrum over a time interval in the range of 1-1.5 s, set threshold energy values and determine the spindle-like patterns from the energy of the wavelet spectrum in the ranges of 5-9 Hz and 9-16 Hz.

2. The method according to claim 1, characterized in that when the characteristic phases of the behavior of the systems are distinguished, the threshold energy value is reduced by 40% and returned to the original value when the total energy value reaches a predetermined threshold value.