ЖУРНАЛ ВЫСШЕЙ НЕРВНОЙ ДЕЯТЕЛЬНОСТИ, 2012, том 62, № 2, с. 250-256
= МЕТОДИКА =
УДК 612.014.42
АДАПТИВНЫЙ МЕТОД РАЗЛОЖЕНИЯ СПЕКТРА ЭЭГ
НА КОМПОНЕНТЫ
© 2012 г. В. Ю. Новотоцкий-Власов1, 2, Т. А. Строганова3, 4, В. П. Ковалев2
1 Учреждение Российской академии наук Институт высшей нервной деятельности и нейрофизиологии РАН, 2 Федеральное государственное бюджетное учреждение "Государственный научный центр социальной и судебной психиатрии им. В.П. Сербского" Минздравсоцразвития РФ, 3 Психологический институт РАО, 4 Государственное образовательное учреждение высшего профессионального образования "Московский городской психолого-педагогический университет", Москва, e-mail: vnovot@mail.ru Поступила в редакцию 28.04.2011 г. Принята в печать 10.10.2011 г.
Предложен новый метод определения частотных характеристик ритмов ЭЭГ — развитие идеи настраиваемых границ частотных компонентов, выдвинутой в предыдущих исследованиях. Для разложения спектра на спектральные компоненты использовали компонентный анализ корреляционной матрицы спектров ЭЭГ с последующим вращением факторных решений. Метод был апробирован на ЭЭГ 14 здоровых испытуемых, зарегистрированной в 17 функциональных состояниях бодрствования. В полосе частот от 0 до 100 Гц выделено 14 спектральных компонентов. Распределение полученных компонентов по частоте соответствует имеющимся представлениям о компонентах ЭЭГ-осцилляций. Преимущество метода — настраиваемое выделение частотных компонентов ЭЭГ, учитывающее индивидуальные особенности ЭЭГ испытуемых. Возможная сфера применения — корректное вычисление мощности, когерентности и других спектральных параметров ритмов ЭЭГ в экспериментальных и клинических исследованиях, изучение частотных свойств ритмов ЭЭГ при смене функциональных состояний человека, изменения частотных свойств ритмов ЭЭГ в возрастном развитии и при патологии мозга.
Ключевые слова:ритмы ЭЭГ, спектр ЭЭГ, корреляционная матрица, метод главных компонент.
Adaptive Method for EEG Spectrum Component Decomposition
V. Y. Novototsky-Vlasov, T. A. Stroganova, V. P. Kovalev
Institute of Higher Nervous Activity and Neurophysiology, Russian Academy of Sciences, Moscow, Serbsky State Scientific Center for Social and Forensic Psychiatry, Psychological Institute, Russian Academy of Education,
Moscow State University of Psychology and Education, Moscow, e-mail: vnovot@mail.ru
A new computerized method for EEG rhythms extraction is proposed as a development of the idea of adjustable boundaries of frequency components that was put forward in previous investigations. Principle component analysis of the correlation matrix of EEG spectra with subsequent rotation of factor solutions was used for decomposition of a spectrum into physically meaningful spectral components. The method was tested on EEG of 14 healthy subjects recorded in 17 functional waking states. Fourteen independent spectral components in the spectral range from 0 to 100 Hz were extracted and their frequency boundaries were consistent with the current knowledge on frequency components of EEG oscillations. Main advantage of the described method is the adjustable estimation of EEG frequency oscillators taking into account characteristic properties of individual EEGs. Possible area of application might be the correct evaluation of spectral power of the EEG rhythms, EEG coherence and other spectral characteristics in clinical and experimental research, studies of the frequency characteristics of the EEG rhythms in different human functional states, changes in frequency characteristics of the EEG rhythms during maturation and in mental pathology.
Keywords: EEG rhythms, EEG spectrum, correlation matrix, principal components analysis.
250
В электроэнцефалографии принято разделять ритмические осцилляции в ЭЭГ на пять условных (общепризнанных, конвенциональных) частотных компонентов, соответствующих ритмам дельта (1—4 Гц), тета (4—8 Гц), альфа (8—13 Гц), бета (14—30 Гц) и гамма (30—100 Гц). Это разделение впитало в себя результаты десятилетних эмпирических наблюдений, демонстрирующих качественное своеобразие функциональной активности мозга в этих частотных границах в норме и при патологии мозга [18]. Удобно считать, что функционально разные ритмы имеют жестко определенные частотные границы. В реальности эти границы достаточно подвижны. Наиболее ярко несостоятельность конвенционального подхода проявляется в онтогенетических исследованиях ЭЭГ. По общему признанию частотные границы ритмов ЭЭГ меняются с возрастом [10]. В этой ситуации исследователь в принципе не может воспользоваться конвенциональными частотными компонентами при анализе. В результате в современной литературе один и тот же частотный компонент ЭЭГ детей раннего возраста исследователи называют дельта- , тета-или альфа-ритмом, фактически отказываясь от содержательной нейрофизиологической интерпретации полученных данных (для обзора см. [21]). Анализ литературы показывает, что изменчивость частотных границ ритмов ЭЭГ проявляется не только в возрастном развитии. Каждый из ритмов ЭЭГ взрослого человека включает в себя несколько типов ос-цилляций с разными свойствами, их частотные границы могут меняться в зависимости от состояния испытуемых и, более того, обнаруживают индивидуальные различия (см. обзор [13]). Неоднозначность определения границ ритмов ЭЭГ усугубляется и тем, что соседние ритмы могут перекрываться по частоте [20]. Например, в работах, использующих спектральные методы оценивания сигналов ЭЭГ, активность с частотой 7—8 Гц относят к компоненту альфа- или тета-ритма без каких-либо обоснований, по выбору исследователя [13].
Вместе с тем корректное разделение спектральных компонентов функционально значимых ритмов, имеющих близкие частоты, крайне важно с содержательной точки зрения. Так, упомянутые альфа- и тета-ритмы демонстрируют противоположную динамику при когнитивных и эмоциональных нагрузках: например, умственное усилие сопровож-
дается блокадой альфа-ритма и появлением тета-ритма на ЭЭГ [9]. Ошибка в определении частотных границ ритмов может привести к потере содержательной информации, в частности к потере информации о наличии и степени блокады альфа-ритма при когнитивной нагрузке из-за того, что неадекватно выбранный частотный диапазон альфа соединит в себе два типа активности с разнонаправленными изменениями, которые компенсируют друг друга [13]. Таким образом, частотные границы спектральных компонентов ЭЭГ должны стать предметом специального исследования.
В настоящей работе предлагается адаптивный метод определения частотных характеристик ритмов ЭЭГ и отказ от идеи дискретных границ между ритмами.
Исторически предшественниками и прототипами описанного алгоритма были два метода.
Первый из них — факторный анализ спектральной мощности узких частотных полос ЭЭГ в состоянии покоя. Изменение во времени спектральной мощности узких частотных полос, входящих в один спектральный компонент ЭЭГ, должно быть взаимосвязано, а если эти полосы принадлежат разным ритмам, их временная динамика независима. Взаимосвязанные группировки узких частотных полос легко выделить с помощью факторного (компонентного) анализа [6, 14, 16, 23] и таким образом разделить спектр на ритмы.
Второй подход возник в возрастных исследованиях и сочетает анализ узких частотных полос с принципом функциональной топографии [22]. Он основан на накопленных физиологией знаниях о функциональных свойствах и электрографических характеристиках ритмов ЭЭГ.
Для полноты исторической перспективы необходимо упомянуть третий подход, реализованный в исследованиях индивидуальных различий изменений ЭЭГ при когнитивной деятельности [13] и достаточно часто упоминаемый в литературе. Способ, предложенный В. Климешем, — определение для каждого индивида частотной моды альфа-ритма по частоте максимума на спектре мощности ЭЭГ покоя (индивидуальная частота альфа). Исходя из этой частоты определяются фиксированные частотные компоненты альфа- и тета-ритмов: альфа — 2 Гц в каждую сторону от индивидуальной частоты альфа-ритма и тета— шириной 4 Гц от нижней границы ком-
понента альфа-ритма. Нетрудно заметить, что метод внутренне противоречив — если индивидуальная частота альфа-ритма и соответственно частотные границы компонентов индивидуально изменчивы, то почему их ширина должна быть жестко фиксирована? Однако метод стал популярен, так как оказался значительно более чувствителен к изменениям ЭЭГ при когнитивной нагрузке, чем стандартные частотные компоненты [13]. Этот факт еще раз демонстрирует, что способ определения частотных границ спектральных компонентов ЭЭГ влияет на содержательные результаты исследования.
В последнее время начали использовать с той же целью анализ независимых компонент (Independent Component Analysis — ICA), который в силу своей сложности не находит пока широкого применения [15]. Сложность использования ICA в контексте работы связана не только с вычислительными затратами, но и с тем, что в отличие от метода главных компонент (Principal Component Analysis — PCA) ICA не ранжирует получаемые компоненты [24]. Поэтому отбор из многих десятков компонентов небольшого их числа, наиболее информативных для описания спектра ЭЭГ, может представлять значительную сложность.
Наш метод является развитием идеи настраиваемых границ частотных компонентов, выдвинутой в предыдущих исследованиях [13, 22], в соединении со специальной процедурой оценивания спектральной мощности автоматически выделяемых спектральных компонентов — ритмов ЭЭГ.
По определению спектральные отсчеты одного компонента должны иметь сходную топографию и синхронно изменяться во всех функциональных состояниях испытуемых, тогда как спектральные отсчеты, относящиеся к разным компонентам, должны хотя бы в некоторых ситуациях меняться разнонаправленно [22]. В корреляционной матрице спектральные отсчеты каждого компонента должны группироваться в тесно коррелированные кластеры, имеющие более низкие корреляции со спектральными отсчетами других компонентов. Это дает возможность разделить спектр ЭЭГ на компоненты методами факторного
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.