RU2751744C1 - Способ автоматического выделения физиологических состояний мелких лабораторных животных - Google Patents

Способ автоматического выделения физиологических состояний мелких лабораторных животных Download PDF

Info

Publication number
RU2751744C1
RU2751744C1 RU2020127478A RU2020127478A RU2751744C1 RU 2751744 C1 RU2751744 C1 RU 2751744C1 RU 2020127478 A RU2020127478 A RU 2020127478A RU 2020127478 A RU2020127478 A RU 2020127478A RU 2751744 C1 RU2751744 C1 RU 2751744C1
Authority
RU
Russia
Prior art keywords
moments
signal
characteristic
activity
time
Prior art date
Application number
RU2020127478A
Other languages
English (en)
Inventor
Анастасия Евгеньевна Руннова
Максим Олегович Журавлев
Родион Владимирович Уколов
Антон Робертович Киселев
Евгения Юрьевна Ситникова
Original Assignee
Федеральное государственное бюджетное образовательное учреждение высшего образования "Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского"
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 Федеральное государственное бюджетное образовательное учреждение высшего образования "Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского" filed Critical Федеральное государственное бюджетное образовательное учреждение высшего образования "Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского"
Priority to RU2020127478A priority Critical patent/RU2751744C1/ru
Application granted granted Critical
Publication of RU2751744C1 publication Critical patent/RU2751744C1/ru

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/37—Intracranial electroencephalography [IC-EEG], e.g. electrocorticography [ECoG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms

Abstract

Изобретение относится к биомедицинским технологиям автоматической обработки сигналов электрической активности головного мозга, а именно к способам диагностики физиологических состояний животных. При этом регистрируют сигнал электрокортикограммы (ЭКоГ) и осуществляют его непрерывное вейвлетное преобразование. Определяют мгновенное распределение энергии вейвлетного спектра по временному масштабу в четырех частотных диапазонах f1[2,5-4,5]; f2[5-10]; f3[10,5-12,5]; f4[15-18] Гц. Рассчитывают усреднённые характеристики энергий,вейвлетного спектра. По общей длительности временного сигнала ЭКоГ автоматически рассчитывают пороговые значенияε1,ε2,ε1sw,ε2swусреднённых характеристик. Находят моменты пересечения порогов ε2,ε1 характеристикой, по которым детектируют моменты начала состояний сна и бодрствования. Находят моменты пересечения пороговε1sw,ε2swхарактеристикой, по которым диагностируют моменты началаи окончаниясостояния эпилептической активности. Обеспечивается расширение функциональных возможностей метода автоматической диагностики физиологических состояний (сна и бодрствования) и патологической активности (эпилептические разряды типа "пик-волна") на основе математического анализа ЭКоГ при ускорении за счет автоматизации процесса диагностики и повышения точности. 1 з.п. ф-лы, 5 ил.

Description

Изобретение относится к биомедицинским технологиям автоматической обработки сигналов электрической активности головного мозга. Оно может быть использовано напрямую в экспериментальной нейрофизиологии для изучения и диагностики физиологической и патологической активности нервной системы у лабораторных животных (мышей, крыс) с использованием методов регистрации электроэнцефалограмм (ЭЭГ) и электрокортикограмм (ЭКоГ).
Точное и аккуратное выделение нормальных физиологических и патологических состояний у лабораторных животных остается важной задачей экспериментальной нейрофизиологии, поскольку активность головного мозга меняется под влиянием экспериментальных воздействий и при хроническом развитии болезней, особенно при прогрессирующем развитии неврологических расстройств (например, эпилепсия). Диагностика моментов засыпания, пробуждения, начала и окончания эпилептической активности позволяет исследовать тонкие изменения характеристик активности головного мозга, предшествующие или возникающие в различных физиологических состояниях животных, например, как в исследованиях (Bazilio, D.S., et. al. (2019). \\ Experimental physiology, 104(9), 1408-1419; Liu, Y., & Zhang, N. (2019). \\ Neuroimage, 202, 116176). Более того, подобные разработки могут быть использованы в качестве основы для устройств диагностики и контроля бодрствования операторов.
На сегодня существует ряд способов автоматической разметки (выделения) некоторых специфичных фаз колебательной активности на ЭЭГ (пик-волновые эпилептические разряды, сонные веретена) и использованы для диагностики заболеваний центральной нервной системы. Эти частные способы описаны, например, в (Sitnikova, E., Hramov, A.E., Grubov, V., & Koronovsky, A.A. (2014). Time-frequency characteristics and dynamics of sleep spindles in WAG/Rij rats with absence epilepsy. Brain research, 1543, 290-299; Короновский А.А., Макаров В.А., Павлов А.Н., Ситникова Е.Ю., Храмов А.Е. Вейвлеты в нейродинамике и нейрофизиологии. М.: Физматлит. 2013, 272 с).
Способы автоматического выделения различных фаз сигналов разработаны как на основе систем искусственного интеллекта (см, патенты RU 2415642, МПК A61B 5/0476 опубл. 04.102011; RU 2709168, МПК G06K 9/62, опубл. 16.12.2019), так и на базе частотно-временного анализа (RU 2337610, МПК A61B 5/00, опубл. 10.11.2008).
В то же время задача диагностики физиологических состояний у лабораторных животных (сон, бодрствование) решаются путем ручной обработки записей видео- и электроэнцефалографического сигналов (Sitnikova, E., et. al. (2016). \\ Brain research bulletin, 120, 106-116), а также автоматизированными методами на базе использования дополнительной регистрации мышечной активности и\или глазодвигательной активности (Van Luijtelaar, E.L.J.M., & Coenen, A.M.L. (1984). \\ Physiology & behavior, 33(5), 837-841; Chapotot, F., & Becq, G. (2010). \\ International Journal of Adaptive Control and Signal Processing, 24(5), 409-423; Sugi, T., Kawana, F., & Nakamura, M. (2009). \\ Biomedical Signal Processing and Control, 4(4), 329-337). Необходимость синхронной регистрации видеографии или дополнительных сигналов значительно усложняет и удорожает процесс выполнения экспериментальных работ.
Наиболее близким к предлагаемому решению является способ выделения веретеноподобных паттернов по временным данным электроэнцефалограммы (ЭЭГ), предназначенный для выделения характерных фаз поведения биологических систем (см. патент на изобретение РФ 2565993, МПК A61B 5/0476, опубл. 20.10.2015). Согласно данному способу, регистрируют сигнал ЭЭГ и осуществляют непрерывное вейвлетное преобразование; определяют мгновенное и интегральное распределения энергии вейвлетного спектра по временным масштабам, которые соответствуют частотным диапазонам 5-9 Гц для веретеноподобных паттернов и 9-16 Гц для сонных веретен. В каждый момент времени определяют суммарное значение энергии вейвлетного спектра и на основании мгновенных распределений энергии вейвлетного спектра определяют фазы поведения системы таким образом, чтобы в одной из фаз на выбранные диапазоны 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 по значениям энергии вейвлетного спектра, приходящимся на диапазоны 5-9 Гц и 9-16 Гц, определяют веретеноподобные паттерны.
Недостатком данного способа является узкая область применения, так как он позволяет определить только моменты возникновения веретеноподобных паттернов и по их наличию выявить интервалы эпилептической активности. Необходимость расчета суммарного значения энергии вейвлетного спектра в значимом частотном спектре для каждого момента времени увеличивает время расчета. Кроме того, вручную задаваемые пороговые значения для каждого животного снижают точность и возможность использования метода в автоматическом режиме.
Технической проблемой изобретения является разработка метода автоматической диагностики физиологических состояний (сна и бодрствования) и патологической активности (эпилептические разряды типа "пик-волна") на основе математического анализа электрокортикограмм, зарегистрированных у лабораторных крыс в условиях свободного поведения.
Техническим результатом изобретения является расширение функциональных возможностей при ускорении за счет автоматизации процесса диагностики и повышении точности.
Технический результат достигается тем, что способе диагностики физиологических состояний животных, включающем регистрацию сигнала электрической активности головного мозга, осуществление его непрерывного вейвлетного преобразования и определение мгновенного распределения энергии вейвлетного спектра по временному масштабу в частотных диапазонах, диагностирование физиологического состояния по пороговым значениям характеристик энергий колебательной активности, согласно решению , в качестве сигнала х(t) регистрируют, по крайней мере, одну электрокортикограмму (ЭКоГ), мгновенное распределение энергии непрерывного вейвлетного преобразования определяют в четырех частотных диапазонах 2,5-4,5; 5-10; 10,5-12,5; 15-18 Гц, усредняют значения мгновенных энергий вейвлетного спектра в указанных частотных диапазонах во временном окне 0.5 с, рассчитывая усредненные характеристики энергий
Figure 00000001
,
Figure 00000002
; по общей длительности временного сигнала ЭКоГ автоматически рассчитывают пороговые значения ε1, ε2, ε1sw, ε2sw усредненных характеристик усредненных характеристик по формулам:
Figure 00000003
Figure 00000004
где α1=1.3, α2=0.45, β1=1.75, β2=1.55, N - общее количество отсчетов в сигнале ЭКоГ, T - длительность сигнала ЭКоГ в секундах; находят моменты пересечения порогов ε2, ε1 характеристикой
Figure 00000001
, по которым детектируют моменты начала состояний сна и бодрствования; находят моменты пересечения порогов
Figure 00000005
характеристикой
Figure 00000002
, по которым диагностируют моменты начала
Figure 00000006
и окончания
Figure 00000007
состояния эпилептической активности.
Дополнительно вводятся независимые ограничения для определяемых интервалов различных физиологических состояний. Состояние сна диагностируют на временном интервале Δts, на протяжении которого характеристика
Figure 00000008
>ε2, состояние бодрствования диагностируют на временных интервалах Δta, на протяжении которого характеристика
Figure 00000009
<ε2, длительность временных интервалов Δts и Δta ограничена снизу 10 с; состояние эпилептической активности диагностируют на временном интервале [
Figure 00000010
] при выполнении условия
Figure 00000011
, где характеристики
Figure 00000012
и
Figure 00000013
, рассчитываются по формулам:
Figure 00000014
;
Figure 00000015
,
где max(x(t)) и min(x(t)) - максимальные и минимальные экстремумы сигнала ЭКоГ x(t).
Для реализации данного способа разработаны новые принципы оптимизированного автоматического анализа электрокортикограмм, полученных с помощью эпидуральных электродов, вживленных в кости черепа над корой больших полушарий. Метод протестирован на электрокортикограммах, зарегистрированных в условиях свободного поведения у взрослых крыс с врожденной склонностью к развитию абсанс-эпилепсии. Способ исключает привлечения иных методов мониторинга (видеорегистрация или регистрация мышечной активности)
Изобретение поясняется чертежами. На фиг. 1-3 показаны примеры видео-регистрации электрокортикограмм у 9-месячной крысы линии WAG/Rij с генетической предрасположенностью к абсанс-эпилепсии: состояния сна фиг. 1, бодрствования фиг. 2 и эпилептической активности в виде пик-волнового разряда фиг. 3, которые были использованы нейрофизиологом для идентификации состояний. Справа показаны записи электрокортикографического сигнала в милливольтах, полученного от трех точек (каналов): двух симметричных областей левой и правой лобной коры (FrL и FrR соответственно) и затылочной коры справа (OcR). Размерность временной шкалы - мин:сек. На фиг. 4 представлен типичный фрагмент состояний сна (BS, серый цвет) и бодрствования (AW) по данным визуальной разметки нейрофизиолога с использованием видеорегистрации животного (а) и временной зависимости
Figure 00000016
, рассчитанной по электрокортикографическому сигналу x(t), синхронному с видеорегистрацией, (б). Горизонтальными толстыми пунктирными линиями выделены пороговые значения ε1, ε2, пунктирные вертикальные линии демонстрируют результаты автоматической и ручной диагностики состояний сна и бодрствования. На фиг. 5 показаны типичные фрагменты состояний бодрствования (AW) и эпилептической активности (SW, серый цвет) выделенных нейрофизиологом с использованием видеорегистрации животного (с); временная зависимость
Figure 00000017
, рассчитанная по электрокортикографическому сигналу x(t), (д); на вставке В показан временной интервал [2825, 2850] секунд сигнала x(t), где соответствующая точка на зависимости
Figure 00000017
показана стрелкой, горизонтальными толстыми пунктирными линиями выделены пороговые значения ε1 sw , ε2 sw , пунктирные вертикальные линии демонстрируют сравнение автоматической и ручной диагностики состояний эпилептической активности на фоне бодрствования.
Заявляемое техническое решение осуществляется следующим образом.
С головного мозга снимают временной сигнал электрокортикограммы x(t) длительностью T с частотой дискретизации (1\N), т.е. при регистрации Tс в записи x(t) присутствует N отсчетов. Для сигнала x(t) выполняется стандартный расчет НВП W(x,t) согласно [Hramov A.E. et al. Wavelets in neuroscience. - Springer Berlin Heidelberg, 2015] c использованием Морле-вейвлета в качестве базисного с параметром Ω 0=2π, обеспечивающим возможность при анализе использовать классические частоты f фурье-преобразования [Короновский А.А., Храмов А.Е. Непрерывный вейвлетный анализ и его приложения. М.: Физматлит, 2003].
В каждый момент времени t в каждом частотном диапазоне Δf 1 [2,5; 4,5] Гц, Δf 2 [5; 10] Гц, Δf 3 [10,5; 12,5] Гц, Δf 4 [15; 18] Гц рассчитываем сумму мгновенных энергий Е(f, t) НВП
Figure 00000018
Ограничение расчета мгновенной энергии исключительно в указанных частотных диапазонах позволяет снизить количество численных операций и затраты машинного времени при анализе сигнала.
Для каждого момента времени t 0 рассчитаем характеристику
Figure 00000019
, усредненную во временном окне Δt=0.5 с значение мгновенных энергий
Figure 00000020
НВП в каждом частотном диапазоне Δf 1-4:
Figure 00000021
где (t 1=t 0-0.5Δt), (t 2=t 0+0.5Δt).
Детектирование физиологических состояний сна и бодрствования проводится на основе анализа зависимости
Figure 00000022
.
В случае наличия регистрации M сигналов ЭКоГ зависимость
Figure 00000023
заменяем на аналогичную
Figure 00000024
. Величины
Figure 00000025
оцениваем для каждого регистрируемого сигнала x1(t)…xM(t). Зависимость
Figure 00000024
рассчитываем согласно следующей формуле:
Figure 00000026
Использование большего числа ЭЭГ-записей позволяет повысить улучшить качество определения различных физиологических состояний животного.
Для каждого момента времени t 0 вычислим для характеристики
Figure 00000027
(2) усредненную характеристику
Figure 00000028
во временном окне Δt=10 с:
Figure 00000029
где (t 1=t 0-0.5Δt), (t 2=t 0+0.5Δt).
Далее рассчитаем пороговые значения ε1 и ε2 по всей длительности T сигнала x(t):
Figure 00000030
где α1=1.3, α2=0.45. Пороговые значения ε1, ε2(5) являются индивидуальными для каждого животного.
Определим временные моменты t 0=tz, в которые величина
Figure 00000031
превышает пороговое значение ε1, т.е. (
Figure 00000032
). Далее, находим ближайший временной момент t 0=ts, ts<tz, в которых величина
Figure 00000033
превосходит пороговое значение ε2, т.е., соотношение
Figure 00000034
становится верным. Момент ts соответствует началу временного интервала сна животного. Моменты времени t 0=ta, для которых соотношение
Figure 00000035
становится верным, соответствуют моментам начала временного интервала бодрствования животного (и завершения интервала регистрации сна).
Состояние сна диагностируется на временном интервале Δts=[ts; ta] c, на протяжении которого величина
Figure 00000036
непрерывно превосходит пороговое значение ε2.
Состояние бодрствования диагностируется на временных интервалах Δta=[ta; ts] c, на протяжении которого величина характеристики
Figure 00000036
принимает значения ниже порогового ε2.
После диагностики состояний сна и бодрствования у животного по всей длительности сигнала ограничим снизу минимальную временную протяженность данных физиологических состояний пороговым значением T1=10 с. Если Δta<T1 или Δts<T1, то соответствующее физиологическое состояние считаем диагностированным ошибочно и оставляем неизменным диагностированное ранее по времени предыдущее физиологическое состояние.
Для детектирования состояния эпилептической активности определим характеристику
Figure 00000037
согласно следующему соотношению
Figure 00000038
В случае наличия регистрации M сигналов характеристику
Figure 00000039
заменяем на аналогичную
Figure 00000040
. Величины
Figure 00000041
оцениваем для каждого сигнала x1(t)…xM(t). Характеристику
Figure 00000040
рассчитываем согласно следующей формуле:
Figure 00000042
Для каждого момента времени t 0 рассчитаем характеристику
Figure 00000043
, выполнив усреднение величины характеристики
Figure 00000037
во временном окне 3 секунды:
Figure 00000044
где (t 1=t 0-1.5Δt), (t 2=t 0+1.5Δt), протяженность временного интервала Δt=3 с.
Далее введем пороговые значения ε1 sw , ε2 sw согласно следующим соотношениям, рассчитываемым для всей длительности T временного ряда x(t) электроэнцефалограммы:
Figure 00000045
где β1=1.75, β2=1.55. Пороговые значения ε1 sw , ε2 sw являются индивидуальными для каждого животного.
Момент начала состояния эпилептической активности детектируем в момент времени t1 sw , для которого выполнено соотношение
Figure 00000046
. Момент окончания состояния эпилептической активности детектируем в момент времени t2 sw , для которого выполнено соотношение
Figure 00000047
. Временной интервал [t1 sw ; t2 sw ] соответствует состоянию эпилептической активности.
Для детектирования эпилептической активности невозможно ввести временные пороги оценки их возникновения в связи с физиологическими особенностями данного состояния. При этом, прямое использование данных соотношений приводит к возникновению ложного детектирования колебательных артефактов на временных сигналах ЭКоГ.
Для исключения случаев ошибочной детекции используют процедуру оценки экстремумов (максимальных max(x(t)) и минимальных min(x(t)) экстремальных значений) сигнала x(t) во временном окне Δt=1 с за 5 с до приступа эпилептической активности и во время детектированного приступа эпилептической активности во временном интервале [t1 sw ; t2 sw ]. Для каждого детектированного временного интервала [t1 sw ; t2 sw ], соответствующего эпилептической активности, оцениваем величины Xmax, Xmin согласно следующим формулам:
Figure 00000048
Figure 00000049
Корректная детекция состояния эпилептической активности на временном интервале [t1 sw ;t2 sw ] достигнута при
Figure 00000011
. При нарушении данного критерия детекцию временного интервала [t1 sw ; t2 sw ] полагаем ошибочной.
Рассмотрим пример конкретной реализации разработанного способа. Для регистрации сигналов использован стандартный метод ЭКоГ у крыс. Экспериментальные работы проведены на самцах крыс WAG/Rij в возрасте 9 месяцев. Электроды вживлялись над областью лобной коры (AP=2, L=2), теменной коры (соматосенсорная область, AP -2, L 6) и затылочной коры (AP-5; L 4). Все координаты указаны в мм относительно брегмы. Референтный электрод размещен над поверхностью мозжечка для обеспечения монополярной регистрации от поверхностных электродов. Для регистрации M=3 каналов ЭКоГ использована установка на базе 8-канальной системы PowerLab 4/35 (ADInstruments, Австралия). Длительность T записи ЭКоГ составляла от 1 до 2 часов в полосе частот 0.5-200 Гц, частота дискретизации N = 400 для каждого канала. Дополнительно синхронно с ЭЭГ зарегистрирована видеозапись на основе видео - модуля в программном пакете LabChart 7 и веб-камеры Genius eFace 1325R. По итогам применения заявляемого способа получены характеристики
Figure 00000050
, типичные фрагменты которых приведены на фиг. 4 и 5. На фиг. 4 можно наблюдать артефакт короткого случайного повышения значений характеристики
Figure 00000036
(4). Учет дополнительного ограничения минимальной длительности стадий сна и бодрствования исключает возможность ложной детекции подобных событий. Также на фиг. 5 наблюдается превышение характеристикой
Figure 00000051
(6) пороговых значений. Однако выполнение анализа экстремумов
Figure 00000012
(10),
Figure 00000013
(11) сигнала x(t) позволяет исключить ложное детектирование данного события, как эпилептической активности. Проведена сравнительная статистическая оценка успешности детектирования различных физиологических состояний у животных на основе ручной обработки видеозаписи и ЭКоГ нейрофизиологом и заявляемым методом. Точность автоматической диагностики при оценке длительности временных интервалов физиологических состояний при определении интервалов (i) бодрствования - 96.53%, (ii) сна - 94.70%, (iii) эпилептической активности - 99.34%.
Средняя точность использования способа к сигналам трех электрокортикограмм достигает 96.86% в сравнении с ручной разметкой, выполненной опытным нейрофизиологом с использованием данных видеографии.
Инновационный потенциал предлагаемого способа состоит в том, что он позволяет провести диагностику характерных состояний по записям электрической активности головного мозга (электрокортикограммы, электроэнцефалограммы) без привлечения к анализу дополнительных сигналов (видеографии, окулографии, миографии). Использование изобретения в задачах, связанных с диагностикой основных физиологических состояний животных, позволяет отказаться от регистрации дополнительных сигналов мышечной активности или видеозаписи, необходимых для точного выполнения диагностики.

Claims (8)

1. Способ диагностики физиологических состояний животных, включающий регистрацию сигнала электрической активности головного мозга, осуществление его непрерывного вейвлетного преобразования и определение мгновенного распределения энергии вейвлетного спектра по временному масштабу в частотных диапазонах, диагностирование физиологического состояния по пороговым значениям характеристик энергий колебательной активности, отличающийся тем, что в качестве сигнала х(t) регистрируют, по крайней мере, одну электрокортикограмму (ЭКоГ), мгновенное распределение энергии непрерывного вейвлетного преобразования определяют в четырех частотных диапазонах Δƒ1 [2,5; 4,5] Гц, Δƒ2 [5; 10] Гц, Δƒ3 [10,5; 12,5] Гц, Δƒ4 [15; 18] Гц, усредняют значения мгновенных энергий вейвлетного спектра в указанных частотных диапазонах во временном окне 0.5 с, рассчитывая усредненные характеристики энергий 〈εΔƒ1-4〉, 〈εsw〉; по общей длительности временного сигнала ЭКоГ автоматически рассчитывают пороговые значения ε1, ε2, ε1sw, ε2sw усредненных характеристик по формулам:
Figure 00000052
Figure 00000053
где α1=1,3, α2=0,45, β1=1,75, β2=1,55, N - общее количество отсчетов в сигнале ЭКоГ, Т - длительность сигнала ЭКоГ в секундах; находят моменты пересечения порогов ε2, ε1 характеристикой 〈εΔƒ4〉, по которым детектируют моменты начала состояний сна и бодрствования; находят моменты пересечения порогов ε1, 2sw характеристикой 〈εsw〉, по которым диагностируют моменты начала t1sw и окончания t2sw состояния эпилептической активности.
2. Способ по п. 1, отличающийся тем, что состояние сна диагностируют на временном интервале Δts, на протяжении которого характеристика 〈εΔƒ4(ts)〉>ε2, состояние бодрствования диагностируют на временных интервалах Δta, на протяжении которого характеристика 〈εΔƒ4(ta)〉<ε2, длительность временных интервалов Δts и Δta ограничена снизу 10 с; состояние эпилептической активности диагностируют на временном интервале [t1sw; t2sw] при выполнении условия (Xmax+Xmin)>6, где характеристики Xmax и Xmin, рассчитываются по формулам:
Figure 00000054
Figure 00000055
где max(x(t)) и min(x(t) - максимальные и минимальные экстремумы сигнала ЭКоГ x(t).
RU2020127478A 2020-08-18 2020-08-18 Способ автоматического выделения физиологических состояний мелких лабораторных животных RU2751744C1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2020127478A RU2751744C1 (ru) 2020-08-18 2020-08-18 Способ автоматического выделения физиологических состояний мелких лабораторных животных

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2020127478A RU2751744C1 (ru) 2020-08-18 2020-08-18 Способ автоматического выделения физиологических состояний мелких лабораторных животных

Publications (1)

Publication Number Publication Date
RU2751744C1 true RU2751744C1 (ru) 2021-07-16

Family

ID=77019722

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2020127478A RU2751744C1 (ru) 2020-08-18 2020-08-18 Способ автоматического выделения физиологических состояний мелких лабораторных животных

Country Status (1)

Country Link
RU (1) RU2751744C1 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU219313U1 (ru) * 2023-03-30 2023-07-11 ООО "ЭЭГ Технологии для мелких животных" Электродный интерфейс для регистрации ЭЭГ-сигналов мелких лабораторных животных

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3156777B2 (ja) * 1998-10-28 2001-04-16 日本電気株式会社 脳波データ処理装置及び記録媒体
CN101259016A (zh) * 2007-03-06 2008-09-10 李小俚 实时自动检测癫痫特征波的方法
RU2467384C1 (ru) * 2011-06-28 2012-11-20 Андрей Борисович Степанов Способ анализа электроэнцефалограмм
RU2484766C1 (ru) * 2012-02-20 2013-06-20 Федеральное государственное бюджетное учреждение науки Институт радиотехники и электроники им. В.А. Котельникова Российской академии наук Способ ранней электроэнцефалографической диагностики болезни паркинсона
EP2765905A1 (en) * 2011-10-14 2014-08-20 Flint Hills Scientific, L.L.C. Seizure detection methods, apparatus, and systems using a wavelet transform maximum modulus or autoregression algorithm
RU2565993C1 (ru) * 2014-05-20 2015-10-20 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Саратовский государственный технический университет имени Гагарина Ю.А." (СГТУ имени Гагарина Ю.А.) Способ выделения веретеноподобных паттернов по временным данным электроэнцефалограмм
CN105286860A (zh) * 2015-12-03 2016-02-03 东南大学 一种基于双树复小波能量差的运动想象脑电信号识别方法
US20160029946A1 (en) * 2013-03-15 2016-02-04 Adam J. Simon Wavelet analysis in neuro diagnostics
CN105677035A (zh) * 2016-01-26 2016-06-15 杭州电子科技大学 基于eemd和小波阈值的运动想象脑电信号消噪方法
WO2016113718A1 (en) * 2015-01-16 2016-07-21 Puneet Agarwal System and method to diagnose and predict different systemic disorders and mental states
CN109924974A (zh) * 2019-01-18 2019-06-25 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于EcoG癫痫神经信号的解码方法和云端解码系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3156777B2 (ja) * 1998-10-28 2001-04-16 日本電気株式会社 脳波データ処理装置及び記録媒体
CN101259016A (zh) * 2007-03-06 2008-09-10 李小俚 实时自动检测癫痫特征波的方法
RU2467384C1 (ru) * 2011-06-28 2012-11-20 Андрей Борисович Степанов Способ анализа электроэнцефалограмм
EP2765905A1 (en) * 2011-10-14 2014-08-20 Flint Hills Scientific, L.L.C. Seizure detection methods, apparatus, and systems using a wavelet transform maximum modulus or autoregression algorithm
RU2484766C1 (ru) * 2012-02-20 2013-06-20 Федеральное государственное бюджетное учреждение науки Институт радиотехники и электроники им. В.А. Котельникова Российской академии наук Способ ранней электроэнцефалографической диагностики болезни паркинсона
US20160029946A1 (en) * 2013-03-15 2016-02-04 Adam J. Simon Wavelet analysis in neuro diagnostics
RU2565993C1 (ru) * 2014-05-20 2015-10-20 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Саратовский государственный технический университет имени Гагарина Ю.А." (СГТУ имени Гагарина Ю.А.) Способ выделения веретеноподобных паттернов по временным данным электроэнцефалограмм
WO2016113718A1 (en) * 2015-01-16 2016-07-21 Puneet Agarwal System and method to diagnose and predict different systemic disorders and mental states
CN105286860A (zh) * 2015-12-03 2016-02-03 东南大学 一种基于双树复小波能量差的运动想象脑电信号识别方法
CN105677035A (zh) * 2016-01-26 2016-06-15 杭州电子科技大学 基于eemd和小波阈值的运动想象脑电信号消噪方法
CN109924974A (zh) * 2019-01-18 2019-06-25 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于EcoG癫痫神经信号的解码方法和云端解码系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU219313U1 (ru) * 2023-03-30 2023-07-11 ООО "ЭЭГ Технологии для мелких животных" Электродный интерфейс для регистрации ЭЭГ-сигналов мелких лабораторных животных

Similar Documents

Publication Publication Date Title
US8768447B2 (en) Processing of physiological signal data in patient monitoring
Alam et al. Detection of seizure and epilepsy using higher order statistics in the EMD domain
Hämmerer et al. An electrophysiological study of response conflict processing across the lifespan: assessing the roles of conflict monitoring, cue utilization, response anticipation, and response suppression
Ovchinnikov et al. An algorithm for real-time detection of spike-wave discharges in rodents
Sankari et al. Intrahemispheric, interhemispheric, and distal EEG coherence in Alzheimer’s disease
Handy Basic principles of ERP quantification
Ayoubian et al. Automatic seizure detection in SEEG using high frequency activities in wavelet domain
van de Velde et al. Detection of muscle artefact in the normal human awake EEG
EP1880667B1 (en) Detection of focal epileptiform activity
US20110082381A1 (en) Time Frequency Transformation Analysis for Detection and Quantification of Epileptiform Activity Load in Generalized Epilepsies
Aarabi et al. Does spatiotemporal synchronization of EEG change prior to absence seizures?
GB2456375A (en) Distinguishing maternal and foetal electrocardiograph signals using independent component analysis of waveforms from abdominal electrodes
Li et al. An EEG-based method for detecting drowsy driving state
SE532705C2 (sv) Apparat och metod för övervakning av epileptiform aktivitet
Cao et al. Using interictal seizure-free EEG data to recognise patients with epilepsy based on machine learning of brain functional connectivity
JP7098974B2 (ja) 気分障害測定装置および気分障害測定方法
Reed et al. Automatic detection of periods of slow wave sleep based on intracranial depth electrode recordings
RU2751744C1 (ru) Способ автоматического выделения физиологических состояний мелких лабораторных животных
Joshi et al. Spatiotemporal analysis of interictal EEG for automated seizure detection and classification
Tusch et al. Task-irrelevant novel sounds have antithetical effects on visual target processing in young and old adults
Das et al. Discrimination of scalp EEG signals in wavelet transform domain and channel selection for the patient-invariant seizure detection
Kamp et al. Older adults show a higher heartbeat-evoked potential than young adults and a negative association with everyday metacognition
Christensen et al. Late positive ERP peaks observed in stimulus‐response compatibility tasks tested under speed‐accuracy instructions
Zibrandtsen et al. Postictal EEG changes following focal seizures: Interrater agreement and comparison to frequency analysis
Sinha Quantitative EEG: basic principles