AbstractsPsychology

Analýza spánkového signálu EEG

by Martin Ježek




Institution: Brno University of Technology
Department:
Year: 0
Keywords: spánek; probuzení; arousal; microarousal; polysomnografie; EEG; analýza signálu; automatická detekce; FFT; STFT; waveletová transformace; sleep; arousal; microarousal; polysomnography; EEG; signal analysis; automated detection; FFT; STFT; wavelet transform
Record ID: 1097650
Full text PDF: http://hdl.handle.net/11012/7833


Abstract

Cílem této práce byl vývoj programu pro automatickou detekci arousalu v signálu spánkového EEG s použitím metod časově-frekvenční analýzy. Předmětem studie bylo 13 celonočních polysomnografických nahrávek (čtyři svody EEG, EMG, EKG a EOG), tj. celkově více než 100 hodin záznamu. Jednalo se o část dat z dřívějších výzkumných prací expertní lékařky v problematice spánku Dr. Emilie Sforzy, Ženeva, Švýcarsko, která rovněž poskytla základní hodnocení těchto dat. V záznamech bylo celkem označeno 1551 arousal událostí. Pro usnadnění výběru konkrétní metody časově-frekvenční analýzy byla následně vytvořena sada nástrojů pro vizualizaci jednotlivých signálů a jejich různých časově-frekvenčních vyjádření. S ohledem na závěry vizuální analýzy, charakter signálu EEG a efektivitu výpočetních metod byla pro analýzu vybrána waveletová transformace s mateřskou vlnkou Daubechies řádu 6. Jednotlivé svody EEG byly dekomponovány do šesti frekvenčních pásem. Z takto odvozených signálů a signálu EMG byly následně stanoveny ukazatele možné přítomnosti události arousalu. Tyto ukazatele byly dále váhovány lineárním klasifikátorem, jehož hodnoty vah byly optimalizovány pomocí genetického algoritmu. Na základě hodnoty lineárního klasifikátoru bylo rozhodnuto o přítomnosti události arousalu v daném svodě EEG – arousal byl detekován, jestliže hodnota klasifikátoru překročila danou mez na dobu více než 3 a méně než 30 vteřin. V celém záznamu pak byl arousal označen, byl-li detekován alespoň v jednom ze svodů EEG. Následně byly odvozeny míry senzitivity a selektivity detekce, jež byly rovněž základem pro stanovení fitness funkce genetického algoritmu. Pro učení genetického algoritmu byly vybrány první čtyři záznamy. Na základě takto optimalizovaných vah vznikl program pro automatickou detekci, který na celém souboru 13 záznamů dosáhl ve srovnání s expertním hodnocením míry senzitivity 76,09%, selektivity 53,26% a specificity 97,66%.; The aim of this study was to develop an automatic detection program for scoring the sleep EEG arousals, based on one of time-frequency analysis methods. The subject of the study was 13 overnight polysomnographic recordings (four leads of EEG, EMG, ECG and EOG), i.e over 100 hours in total. It was a subset of data used in former studies by sleep expert Dr. Emilia Sforza, Geneva, Switzerland, who also provided baseline arousal scoring. Total number of 1551 arousal events were marked in the recordings. Next, several tools for recordings' visualization were developed to facilitate the decision on methods of analysis. Following the conclusions made after extensive visualization of input recordings in different time-frequency representations and regarding the character of EEG as neuroelectric waveforms and computing efficiency, discrete wavelet decomposition with Daubechies order 6 mother wavelet was chosen. The EEG signals were decomposed into six frequency bands. The results together with EMG recordings were used to evaluate a set of indices describing EEG and EMG changes accompanying arousals. These indices were weighted…