Разработка SMETS алгоритмов обработки временных рядов ЭЭГ
|
Аннотация 1
Оглавление 3
Обозначения и сокращения 5
Введение 6
Глава 1 Обзор литературы 9
1.1 Теоретические основы ЭЭГ 9
1.1.1 Источники ЭЭГ-сигнала: анатомические и физиологические
аспекты 9
1.1.2 Виды сигналов ЭЭГ, их нормальные и патологические
паттерны 9
1.1.3 Методы и оборудование для регистрации ЭЭГ 12
1.1.4 Артефакты ЭЭГ 14
1.1.5 Характеристики ЭЭГ-сигналов как временных рядов 15
1.2 Обзор существующих методов анализа временных рядов ЭЭГ .. 16
1.2.1 Предобработка ЭЭГ-сигналов: фильтрация при регистрации и
удаление артефактов 16
1.2.2 Выделение признаков ЭЭГ-сигналов 19
1.2.3 Применение методов машинного обучения для анализа ЭЭГ 22
1.3 Алгоритм SMETS 25
1.3.1 Математическая основа SMETS 26
Глава 2 Материалы и методы исследования 29
2.1 Датасет ЭЭГ CHB-MIT Physionet для исследования эпилепсии .. 29
2.1.1 Описание датасета CHB-MIT Physionet 29
2.1.2 Протокол сбора данных и клиническая информация 29
2.1.3 Характеристики ЭЭГ-данных в датасете 30
2.1.4 Предобработка и подготовка датасета к анализу 31
2.2 Программное обеспечение и инструментарий для обработки ЭЭГ
и SMETS-анализа 35
2.3 Этапы реализации SMETS-алгоритма для анализа ЭЭГ 37
Глава 3 Результаты исследования и их обсуждение 40
3.1 Результаты применения SMETS-алгоритма к датасету CHB-MIT
41
3.1.1 Обзор проведенных экспериментов 41
3.1.2 Анализ результатов основного эксперимента 43
3.1.3 Анализ дополнительного эксперимента 48
3.2 Сравнение SMETS с другими методами анализа ЭЭГ 54
3.3 Обсуждение ограничений и перспектив исследования 55
Заключение 58
Список литературы 60
Приложение А 69
Приложение Б 70
Оглавление 3
Обозначения и сокращения 5
Введение 6
Глава 1 Обзор литературы 9
1.1 Теоретические основы ЭЭГ 9
1.1.1 Источники ЭЭГ-сигнала: анатомические и физиологические
аспекты 9
1.1.2 Виды сигналов ЭЭГ, их нормальные и патологические
паттерны 9
1.1.3 Методы и оборудование для регистрации ЭЭГ 12
1.1.4 Артефакты ЭЭГ 14
1.1.5 Характеристики ЭЭГ-сигналов как временных рядов 15
1.2 Обзор существующих методов анализа временных рядов ЭЭГ .. 16
1.2.1 Предобработка ЭЭГ-сигналов: фильтрация при регистрации и
удаление артефактов 16
1.2.2 Выделение признаков ЭЭГ-сигналов 19
1.2.3 Применение методов машинного обучения для анализа ЭЭГ 22
1.3 Алгоритм SMETS 25
1.3.1 Математическая основа SMETS 26
Глава 2 Материалы и методы исследования 29
2.1 Датасет ЭЭГ CHB-MIT Physionet для исследования эпилепсии .. 29
2.1.1 Описание датасета CHB-MIT Physionet 29
2.1.2 Протокол сбора данных и клиническая информация 29
2.1.3 Характеристики ЭЭГ-данных в датасете 30
2.1.4 Предобработка и подготовка датасета к анализу 31
2.2 Программное обеспечение и инструментарий для обработки ЭЭГ
и SMETS-анализа 35
2.3 Этапы реализации SMETS-алгоритма для анализа ЭЭГ 37
Глава 3 Результаты исследования и их обсуждение 40
3.1 Результаты применения SMETS-алгоритма к датасету CHB-MIT
41
3.1.1 Обзор проведенных экспериментов 41
3.1.2 Анализ результатов основного эксперимента 43
3.1.3 Анализ дополнительного эксперимента 48
3.2 Сравнение SMETS с другими методами анализа ЭЭГ 54
3.3 Обсуждение ограничений и перспектив исследования 55
Заключение 58
Список литературы 60
Приложение А 69
Приложение Б 70
Актуальность темы
Эпилепсия остается одним из наиболее распространенных неврологических заболеваний, затрагивающих миллионы людей по всему миру. По данным Всемирной организации здравоохранения, около 50 миллионов человек страдают от этого недуга, причем значительная часть случаев приходится на страны с ограниченными медицинскими ресурсами [49]. Неконтролируемые эпилептические приступы существенно снижают качество жизни пациентов, увеличивают риск травматизма и даже летального исхода, что делает своевременную диагностику и мониторинг состояния критически важными задачами здравоохранения [20]. Традиционные методы анализа электроэнцефалограмм (ЭЭГ), основанные на визуальной интерпретации специалистами, требуют значительных временных затрат и высокой квалификации, что ограничивает их эффективность в условиях массового применения или нехватки экспертов [27].
Современные исследования активно развивают автоматизированные подходы к детекции эпилептических приступов на основе ЭЭГ-сигналов, однако существующие методы, такие как машинное обучение, не всегда обеспечивают достаточную точность и универсальность, особенно при работе с многомерными данными различной размерности [17]. Проблема заключается в том, что сложные паттерны эпилептической активности трудно выявить без учета временных и пространственных особенностей сигналов, а также различий в количестве каналов ЭЭГ. Это создает разрыв между имеющимися знаниями о методах анализа временных рядов и потребностью в новых алгоритмических решениях, способных преодолеть указанные ограничения. Разработка SMETS-алгоритмов (Semi Metric Ensemble Time Series) для анализа ЭЭГ представляет собой перспективное направление, которое может устранить эти противоречия, обеспечив более точную автоматическую детекцию приступов, что подчеркивает актуальность данной работы.
В учебной и методической литературе тема применения SMETS для детекции эпилептических приступов остается недостаточно освещенной, что делает исследование не только своевременным, но и востребованным с научной и практической точек зрения.
Цель исследования
Целью данной выпускной квалификационной работы является разработка и оценка SMETS-алгоритма для детекции эпилептических приступов на основе временных рядов ЭЭГ с использованием данных из датасета CHB-MIT.
Задачи исследования:
1. Провести литературный обзор в области обработки и анализа временных рядов электроэнцефалограмм.
2. Описать принципы и основные понятия SMETS.
3. Выполнить разведочный анализ и обработку данных из датасета CHB-MIT.
4. Программно реализовать алгоритм SMETS для анализа ЭЭГ.
5. Применить реализацию алгоритма к предварительно обработанным данным.
6. Провести валидацию результатов работы алгоритма на выбранном датасете.
Научная новизна
Научная новизна работы заключается в разработке и применении SMETS-алгоритма для детекции эпилептических приступов на основе ЭЭГ- временных рядов. Данный подход ранее не использовался в этой области, что делает исследование уникальным и открывает новые перспективы для анализа сигналов электроэнцефалографии. Предложенное решение позволяет учитывать различия в размерности данных и выявлять сложные паттерны активности.
Теоретическая и практическая значимость
Теоретическая значимость исследования состоит в расширении знаний о применении полуметрических ансамблевых методов, таких как SMETS, к анализу ЭЭГ-сигналов, что обогащает научную базу в области обработки временных рядов. Практическая значимость заключается в создании инструмента для автоматической детекции эпилептических приступов, который может быть интегрирован в системы клинического мониторинга. Это позволит повысить эффективность диагностики, сократить время анализа данных и улучшить качество медицинской помощи пациентам с эпилепсией.
Объект исследования
Нейронная модель мозга.
Субъект исследования
Патологические сигналы электрической активности мозга.
Методология и методы исследования
В работе применялись следующие методы: литературный поиск и систематизация данных в области обработки и анализа ЭЭГ-сигналов, а также детекции событий на временных рядах электроэнцефалограмм; математическое моделирование для разработки SMETS-алгоритма; анализ и обработка данных с использованием языка программирования Python 3.12 и соответствующих библиотек (MNE, PyWavelets, NumPy, scikit-learn); описание хода экспериментов и их результатов в среде Word Microsoft Windows 11.
Структура работы
Работа состоит из трех глав:
1. Глава 1 посвящена обзору литературы по теоретическим основам ЭЭГ и методам ее анализа, а также изучению принципов алгоритма SMETS.
2. Глава 2 описывает материалы и методы исследования, включая разработку и реализацию SMETS-алгоритма.
3. Глава 3 содержит результаты применения алгоритма, их анализ и обсуждение.
Эпилепсия остается одним из наиболее распространенных неврологических заболеваний, затрагивающих миллионы людей по всему миру. По данным Всемирной организации здравоохранения, около 50 миллионов человек страдают от этого недуга, причем значительная часть случаев приходится на страны с ограниченными медицинскими ресурсами [49]. Неконтролируемые эпилептические приступы существенно снижают качество жизни пациентов, увеличивают риск травматизма и даже летального исхода, что делает своевременную диагностику и мониторинг состояния критически важными задачами здравоохранения [20]. Традиционные методы анализа электроэнцефалограмм (ЭЭГ), основанные на визуальной интерпретации специалистами, требуют значительных временных затрат и высокой квалификации, что ограничивает их эффективность в условиях массового применения или нехватки экспертов [27].
Современные исследования активно развивают автоматизированные подходы к детекции эпилептических приступов на основе ЭЭГ-сигналов, однако существующие методы, такие как машинное обучение, не всегда обеспечивают достаточную точность и универсальность, особенно при работе с многомерными данными различной размерности [17]. Проблема заключается в том, что сложные паттерны эпилептической активности трудно выявить без учета временных и пространственных особенностей сигналов, а также различий в количестве каналов ЭЭГ. Это создает разрыв между имеющимися знаниями о методах анализа временных рядов и потребностью в новых алгоритмических решениях, способных преодолеть указанные ограничения. Разработка SMETS-алгоритмов (Semi Metric Ensemble Time Series) для анализа ЭЭГ представляет собой перспективное направление, которое может устранить эти противоречия, обеспечив более точную автоматическую детекцию приступов, что подчеркивает актуальность данной работы.
В учебной и методической литературе тема применения SMETS для детекции эпилептических приступов остается недостаточно освещенной, что делает исследование не только своевременным, но и востребованным с научной и практической точек зрения.
Цель исследования
Целью данной выпускной квалификационной работы является разработка и оценка SMETS-алгоритма для детекции эпилептических приступов на основе временных рядов ЭЭГ с использованием данных из датасета CHB-MIT.
Задачи исследования:
1. Провести литературный обзор в области обработки и анализа временных рядов электроэнцефалограмм.
2. Описать принципы и основные понятия SMETS.
3. Выполнить разведочный анализ и обработку данных из датасета CHB-MIT.
4. Программно реализовать алгоритм SMETS для анализа ЭЭГ.
5. Применить реализацию алгоритма к предварительно обработанным данным.
6. Провести валидацию результатов работы алгоритма на выбранном датасете.
Научная новизна
Научная новизна работы заключается в разработке и применении SMETS-алгоритма для детекции эпилептических приступов на основе ЭЭГ- временных рядов. Данный подход ранее не использовался в этой области, что делает исследование уникальным и открывает новые перспективы для анализа сигналов электроэнцефалографии. Предложенное решение позволяет учитывать различия в размерности данных и выявлять сложные паттерны активности.
Теоретическая и практическая значимость
Теоретическая значимость исследования состоит в расширении знаний о применении полуметрических ансамблевых методов, таких как SMETS, к анализу ЭЭГ-сигналов, что обогащает научную базу в области обработки временных рядов. Практическая значимость заключается в создании инструмента для автоматической детекции эпилептических приступов, который может быть интегрирован в системы клинического мониторинга. Это позволит повысить эффективность диагностики, сократить время анализа данных и улучшить качество медицинской помощи пациентам с эпилепсией.
Объект исследования
Нейронная модель мозга.
Субъект исследования
Патологические сигналы электрической активности мозга.
Методология и методы исследования
В работе применялись следующие методы: литературный поиск и систематизация данных в области обработки и анализа ЭЭГ-сигналов, а также детекции событий на временных рядах электроэнцефалограмм; математическое моделирование для разработки SMETS-алгоритма; анализ и обработка данных с использованием языка программирования Python 3.12 и соответствующих библиотек (MNE, PyWavelets, NumPy, scikit-learn); описание хода экспериментов и их результатов в среде Word Microsoft Windows 11.
Структура работы
Работа состоит из трех глав:
1. Глава 1 посвящена обзору литературы по теоретическим основам ЭЭГ и методам ее анализа, а также изучению принципов алгоритма SMETS.
2. Глава 2 описывает материалы и методы исследования, включая разработку и реализацию SMETS-алгоритма.
3. Глава 3 содержит результаты применения алгоритма, их анализ и обсуждение.
1. В рамках проведения литературного обзора в области обработки и анализа временных рядов электроэнцефалограмм было сформировано представление о современных методах обработки ЭЭГ-сигналов, включая подходы на основе вейвлет-преобразований, кратковременного преобразования Фурье и глубокого обучения. Результатом выполнения данной задачи стало формирование теоретической базы, которая определила направление исследования и выбор подходов для обработки данных.
2. Описаны принципы и основные понятия SMETS (Semi Metric Ensemble Time Series). Детально рассмотрены теоретические основы SMETS, включая использование спектрального анализа для выделения характеристик ЭЭГ-сигналов, связанных с эпилептическими приступами. Были определены ключевые параметры метода, такие как частотные диапазоны и пороги детекции, а также описаны этапы обработки сигналов. Результатом стало создание методологической основы, которая обеспечила понимание принципов работы алгоритма и его адаптацию к задачам анализа ЭЭГ.
3. Выполнен анализ и обработка данных из датасета CHB-MIT. В рамках задачи были проанализированы все 686 файлов датасета, включающего 544 нормальные записи и 142 записи с эпилептическими приступами. Проведена предобработка данных, включающая фильтрацию артефактов (мышечных, глазных и внешних помех), нормализацию амплитуды сигналов и сегментацию записей на временные окна. Результатом стало создание подготовленного набора данных, пригодного для обработки алгоритмом SMETS, с минимизированным влиянием шумов и артефактов, что повысило качество последующего анализа.
4. Программно реализован алгоритм SMETS для анализа ЭЭГ. На этом этапе был разработан программный модуль на языке Python с использованием библиотек NumPy и SciPy для спектрального анализа сигналов. Алгоритм включал этапы вычисления спектральной плотности мощности, выделения частотных характеристик, связанных с приступами, и классификации сегментов сигнала с применением порогового метода. Результатом стала рабочая реализация алгоритма, способная обрабатывать ЭЭГ-сигналы в автоматическом режиме, с возможностью настройки параметров для адаптации к различным типам данных.
5. Реализация алгоритма применена к предварительно обработанным
данным. Алгоритм SMETS был применен ко всем 686 файлам датасета CHB- MIT, что позволило провести анализ ЭЭГ-сигналов в полном объеме. В ходе выполнения задачи были рассчитаны метрики качества (чувствительность, точность, FT-мера) для каждого файла, а также измерено время обработки. Результаты показали, что 597 файлов (87.03%) достигли идеальных метрик (чувствительность, точность и FT-мера равны 1.00), 83 файла (12.10%)
продемонстрировали нулевую точность, а 6 файлов (0.87%) показали промежуточные значения Т1-меры. Среднее время обработки составило 2.77 секунд на файл, что подтвердило возможность использования алгоритма в реальном времени.
6. Проведена валидация результатов работы алгоритма на выбранном датасете, которая подтвердила высокую эффективность алгоритма для 87.03% файлов, что сопоставимо с результатами глубоких нейронных сетей (Т1-мера 0.96), но с меньшим временем обработки (2.77 секунд против 10.5 секунд у Deep CNN). Однако 12.10% проблемных случаев (83 файла), включая 22 случая пропуска приступов и 61 случай ложных срабатываний, указали на необходимость доработки алгоритма. Результатом стало обоснование применимости метода в медицинской практике с четким определением направлений для его дальнейшего улучшения.
2. Описаны принципы и основные понятия SMETS (Semi Metric Ensemble Time Series). Детально рассмотрены теоретические основы SMETS, включая использование спектрального анализа для выделения характеристик ЭЭГ-сигналов, связанных с эпилептическими приступами. Были определены ключевые параметры метода, такие как частотные диапазоны и пороги детекции, а также описаны этапы обработки сигналов. Результатом стало создание методологической основы, которая обеспечила понимание принципов работы алгоритма и его адаптацию к задачам анализа ЭЭГ.
3. Выполнен анализ и обработка данных из датасета CHB-MIT. В рамках задачи были проанализированы все 686 файлов датасета, включающего 544 нормальные записи и 142 записи с эпилептическими приступами. Проведена предобработка данных, включающая фильтрацию артефактов (мышечных, глазных и внешних помех), нормализацию амплитуды сигналов и сегментацию записей на временные окна. Результатом стало создание подготовленного набора данных, пригодного для обработки алгоритмом SMETS, с минимизированным влиянием шумов и артефактов, что повысило качество последующего анализа.
4. Программно реализован алгоритм SMETS для анализа ЭЭГ. На этом этапе был разработан программный модуль на языке Python с использованием библиотек NumPy и SciPy для спектрального анализа сигналов. Алгоритм включал этапы вычисления спектральной плотности мощности, выделения частотных характеристик, связанных с приступами, и классификации сегментов сигнала с применением порогового метода. Результатом стала рабочая реализация алгоритма, способная обрабатывать ЭЭГ-сигналы в автоматическом режиме, с возможностью настройки параметров для адаптации к различным типам данных.
5. Реализация алгоритма применена к предварительно обработанным
данным. Алгоритм SMETS был применен ко всем 686 файлам датасета CHB- MIT, что позволило провести анализ ЭЭГ-сигналов в полном объеме. В ходе выполнения задачи были рассчитаны метрики качества (чувствительность, точность, FT-мера) для каждого файла, а также измерено время обработки. Результаты показали, что 597 файлов (87.03%) достигли идеальных метрик (чувствительность, точность и FT-мера равны 1.00), 83 файла (12.10%)
продемонстрировали нулевую точность, а 6 файлов (0.87%) показали промежуточные значения Т1-меры. Среднее время обработки составило 2.77 секунд на файл, что подтвердило возможность использования алгоритма в реальном времени.
6. Проведена валидация результатов работы алгоритма на выбранном датасете, которая подтвердила высокую эффективность алгоритма для 87.03% файлов, что сопоставимо с результатами глубоких нейронных сетей (Т1-мера 0.96), но с меньшим временем обработки (2.77 секунд против 10.5 секунд у Deep CNN). Однако 12.10% проблемных случаев (83 файла), включая 22 случая пропуска приступов и 61 случай ложных срабатываний, указали на необходимость доработки алгоритма. Результатом стало обоснование применимости метода в медицинской практике с четким определением направлений для его дальнейшего улучшения.
