АЛГОРИТМ АНАЛИЗА ЭЛЕКТРОЭНЦЕФАЛОГРАММ В ЧАСТОТНОЙ ОБЛАСТИ

3 АЛГОРИТМ АНАЛИЗА ЭЛЕКТРОЭНЦЕФАЛОГРАММ В ЧАСТОТНОЙ ОБЛАСТИ

 

Схема алгоритма показана в приложении А. В начале построения программы вводятся данные сигнала 'eeg_Fp1.txt' (1), которые представлены в виде файла с оцифрованной электроэнцефалограммой.

Далее переходим к вводу периода дискретизации и рассчитываем частоту дискретизации(2).

fd=1/Td;

Рассчитываем частоту Найквиста (2).

fn=fd/2;

После, рассчитываем параметры АЧХ (3), АКФ (4), периодограммы (5), спектрограммы (6).

Устанавливаем параметры фильтра для выделения альфа-ритма (7,8) и фильтруем сигнал (9). Рассчитываем параметры АЧХ (11), АКФ (10), периодограммы (12) и спектрограммы (13) для альфа-ритма сигнала.

Результаты выводятся на экран в двух окнах программной среды MatLab. Затем с помощью программы анализируются сигналы eeg_Fp2.txt, eeg_T4.txt, eeg_C3.txt, eeg_P4.txt.

4 ПРОГРАММА АНАЛИЗА ЭЭГ

Для реализации алгоритма анализа ЭЭГ используется программный пакет MATLAB.

Для чтения и обработки данных из файлов 'eeg_Fp1.txt', 'eeg_Fp2.txt', 'eeg_T4.txt', 'eeg_C3.txt', 'eeg_P4.txt' использовались следующие функции:

fid=fopen('EEG\eeg_T4.txt','rt'); – функция, позволяющая открыть файл исходного сигнала ЭЭГ;

f - считывание данных с файла;

fid – идентификатор файла;

[2,512] – размер;

fd - период дискретизации;

t – вектор времени;

y – вектор сигнала ЭЭГ;

fclose – функция, реализующая закрытие файла идентификатора;

fd – частота дискретизации;

subplot – разбивает окно для построения в нем нескольких графиков;

plot – строит график;

length – команда для определения длины массива y;

fx - вектор из двох переменных, нижняя и верхняя граничные частоты для фильтра;

figure - выбор окна, в котором реализуется текущее построение графиков;

A - получение абсолютного значения;

title - изменяет название графика;

trapz - рассчитывает площадь;

AKF - расчет параметров АКФ;

[P,f]=pmtm(y,[],[],fd) - расчет периодограммы по методу Томпсона;

specgram(y,[],fd,100) - расчет параметров для построения спектрограммы;

hamming - установка параметров окна.

Графические результаты приведены в приложении В.

ВЫВОДЫ

В процессе разработки курсовой работы была создана программа в среде MatLab, на базе этой программы был проведен автоматизированный анализ оцифрованных энцефалограмм в частотной области. С помощью программы были получены графики периодограмм альфа-ритма, которые были сравнены с нормой. Все сигналы в пределах нормы, в некоторых наблюдаются шумы, возможно это связано с аппаратурой или электродами.

Несложность программы дает возможность ее широкого использования в диагностических целях в медицине. Она соответствует всем требованиям, поставленным в задании курсовой работы.

ПЕРЕЧЕНЬ ССЫЛОК

1.           Методичні вказівки до лабораторних робіт з дисципліни «Автоматизація обробки і аналізу біомедичної інформації» Упоряд.: Жемчужкіна Т.В., Козіна О.А. - Харків: ХНУРЕ, 2007. – 92 с.

2.           Павлова О.Н., Павлов А.Н. «Регистрация и предварительная обработка сигналов с помощью измерительного комплекса МР100» Саратов: Научная книга, 2008. – 80 с.

3.           В.Г. Потемкин. MATLAB: Справочное пособие – М.: «Диалог МИФИ», 1997.-350с.

4.           Сахаров В.Л. «Методы и средства анализа медико-биологической информации: Учебно-методическое пособие» Таганрог: Изд-во ТРТУ, 2001. 70 с.

Приложение А

АЛГОРИТМ АНАЛИЗА ЭЛЕКТРОЭНЦЕФАЛОГРАММЫ В ЧАСТОТНОЙ ОБЛАСТИ

Приложение Б

ПРОГРАММА ДЛЯ АНАЛИЗА ЭЭГ В ЧАСТОТНОЙ ОБЛАСТИ

clear all;

figure(1);

fid=fopen('eeg_Fp2_1.txt','rt');

f=fscanf(fid,'%f',[2,512]);

t=f(1,:);

y=f(2,:);

fclose(fid);

subplot(5,1,1);

plot(t,y);

title('eeg_Fp2_1.txt');

T=0.001;

A=abs(fft(y));

fd=1/T;

fn=fd/2;

f=-fd/2:fd/(length(y)-1):fd/2;

subplot(5,1,2);

stem(f,fftshift(A));

title('spectrum');

AKF=xcorr(y);

tau=-t(length(t)):2*t(length(t))/(length(AKF)-1):t(length(t));

subplot(5,1,3);

plot(tau,AKF);

title('AKF');

[P,f]=pmtm(y,[],[],fd);

subplot(5,1,4);

plot(f,P);

title('periodogram');

subplot(5,1,5);

specgram(y,[],fd,100);

title('specgram');

%filt param

 

n=170;

a=1;

w=hamming(length(y)+1);

fn=fd/2;

 

%alpha Fp1

 

figure(2);

fx=[8 13];

b=fir1(n,fx/fn);

[h,wn]=freqz(b,a);

subplot(6,1,1);

plot(wn*fn/pi,abs(h));

title('filter');

y1=filtfilt(b,a,y);

subplot(6,1,2);

plot(t,y1);

title('alpha eeg_ Fp2_1.txt');

AKF=xcorr(y1);

tau=-t(length(t)):2*t(length(t))/(length(AKF)-1):t(length(t));

subplot(6,1,3);

plot(tau,AKF);

title('alpha AKF');

A1=abs(fft(y1));

f1=-fd/2:fd/(length(y1)-1):fd/2;

subplot(6,1,4);

stem(f1,fftshift(A1));

title('alpha spectrum');

[P,f_1]=pmtm(y1,[],[],fd);

subplot(6,1,5);

plot(f_1,P);

title('periodogram');

subplot(6,1,6);

specgram(y1,[],fd,100);

title('specgram');

Приложение В

РЕЗУЛЬТАТЫ АНАЛИЗА ЭЭГ В ПРОГРАММНОЙ СРЕДЕ MATLAB

 

Рисунок B.1 – Входной ЭЭГ сигнал ('eeg_Fp1.txt'), его АЧХ, АКФ, периодограмма и спектрограмма

Рисунок B.2 – Фильтр альфа-ритма сигнала 'eeg_Fp1.txt', альфа-ритм, его АКФ, АЧХ, периодограмма и спектрограмма

Рисунок B.3 – Входной ЭЭГ сигнал ('eeg_Fp2.txt'), его АЧХ, АКФ, периодограмма и спектрограмма

Рисунок B.4 – Фильтр альфа-ритма сигнала 'eeg_Fp2.txt', альфа-ритм, его АКФ, АЧХ, периодограмма и спектрограмма

Рисунок B.5 – Входной ЭЭГ сигнал ('eeg_T4.txt'), его АЧХ, АКФ, периодограмма и спектрограмма

Рисунок B.6 – Фильтр альфа-ритма сигнала 'eeg_T4.txt', альфа-ритм, его АКФ, АЧХ, периодограмма и спектрограмма

Рисунок B.7 – Входной ЭЭГ сигнал ('eeg_C3.txt'), его АЧХ, АКФ, периодограмма и спектрограмма

Рисунок B.8 – Фильтр альфа-ритма сигнала 'eeg_C3.txt', альфа-ритм, его АКФ, АЧХ, периодограмма и спектрограмма

Рисунок B.9 – Входной ЭЭГ сигнал ('eeg_P4.txt'), его АЧХ, АКФ, периодограмма и спектрограмма

Рисунок B.10 – Фильтр альфа-ритма сигнала 'eeg_P4.txt', альфа-ритм, его АКФ, АЧХ, периодограмма и спектрограмма