Медицинская Техника / Медицинская техника №2, 2019 / с. 18-22

Частотно-временной анализ электроэнцефалографических сигналов с использованием преобразования Гильберта-Хуанга

А.Ю. Тычков

Аннотация

В представленной статье предлагается новое применение преобразования Гильберта-Хуанга (HHT) в задачах предварительной обработки и анализа ЭЭГ-сигналов. Записи ЭЭГ-сигналов проанализированы с использованием HHT для исследования закономерностей их изменения у пациентов с психическими расстройствами. Проанализированы варианты представления ЭЭГ-сигналов в различных системах координат. Полученные результаты анализа ЭЭГ-сигналов показали зависимость амплитудно-временных параметров HHT от наличия у пациентов психических расстройств

Вернуться к содержанию

Сведения об авторах

Александр Юрьевич Тычков, канд. техн. наук, зам. директора, Научно-исследовательский институт фундаментальных и прикладных исследований, г. Пенза,

e-mail: tychkov-a@mail.ru

Список литературы

1. Борисов С.В., Каплан А.Я. и др. Структурная организация альфа-активности ЭЭГ подростков, страдающих расстройствами шизофренического спектра // Журнал высш. нервн. деят. 2005. № 55. С. 351-357.

2. Sakkalis V. Review of advanced techniques for the estimation of brain connectivity measured with EEG/MEG // Comput. Biol. Med. 2011. Vol. 41. № 12. PP. 1110-1117.

3. Лапшина Т.Н. Психофизиологическая диагностика эмоций человека по показателям ЭЭГ / Дис. канд. псих. наук. 19.00.02. – М.: МГУ, 2007. 190 с.

4. Sakkalis V. Review of advanced techniques for the estimation of brain connectivity measured with EEG/MEG // Comput. Biol. Med. 2011. Vol. 41. № 12. PP. 1110-1117.

5. Gandhi T., Panigrahi B.K., Bhatia M., Anand S. Expert model for detection of epileptic activity in EEG signature // Expert System and Applications. 2010. Vol. 37. PP. 3513-3520.

6. Кислова О.О., Русалова М.Н. Уровни когерентности ЭЭГ человека: связь с успешностью распознавания эмоций в голосе // Рос. физиол. журн. 2008. Т. 94. № 6. С. 650-660.

7. Костюнина Н.Б., Куликов В.Г. Частотные характеристики спектров ЭЭГ при эмоциях // Журнал ВНД. 1995. Т. 45. № 3. С. 453-457.

8. Шульц Е.В., Вахренева О.А. Дифференциальная диагностика клиникo-электроэнцефалографическим методом неврастении и церебральных резидуально-органических расстройств с неврозоподобными проявлениями // Вестник психотерапии. 2013. № 48. С. 68-79.

9. Бабин С.М. и др. Невротические, связанные со стрессом и соматоформные расстройства / Уч. пособие. – СПб., 2015. 118 с.

10. Караваева Т.А. и др. Критерии и алгоритм диагностики тревожно-фобических расстройств // Обозрение психиатрии и медицинской психологии имени В.М. Бехтерева. 2015. № 4. С. 117-122.

11. He P., Wilson G. et al. Removalofocular artifacts from the EEG: A comparison between time-domain regression method and adaptive leering method using simulated data // Med. Biol. Eng. Comput. 2007. Vol. 45. № 5. PP. 495-503.

12. Каплан А.Я., Борисов С.В. Динамика сегментных характеристик альфа-активности ЭЭГ человека в покое и при когнитивных нагрузках // Журнал высш. нервн. деят. 2003. № 53. С. 22-32.

13. Bau D., Trefethen L. Numerical linear algebra. – Philadelphia: Society for Industrial and Applied Mathematics, 1997. 390 p.

14. Borse S. EEG de-noising using wavelet transform and fast ICA // IJISET – International Journal of Innovative Science, Engineering & Technology. 2015. Vol. 2. Iss. 7. PP. 200-206.

15. Santillan-Guzm’an A., Fischer M. et al. Real-time empirical mode decomposition for EEG signal enhancement / EUSIPCO. 2013. PP. 1-5.

16. Turnip A., Pardede J. Artefacts Removal of EEG Signals with Wavelet Denoising / MATEC Web of Conferences. 2017. PP. 1-10.

17. Минаков Э.В., Кудашова Е.А., Воронина Е.А. Способ диагностики аффективных расстройств у пациентов с ИБС по данным энцефалографического исследования / Патент РФ. № 2419383. 27.05.2011.

18. Обухов Ю.В., Королев М.С., Габова А.В. и др. Способ ранней электроэнцефалографической диагностики болезни Паркинсона / Патент РФ. № 2484766. 20.06.2013.

19. Bajaj V., Pachori R. EEG Signal Classification Using Empirical Mode Decomposition and Support Vector Machine / Proceedings of the International Conf. on SocProS. 2011. PP. 581-592.

20. Pachori R., Bajaj V. Analysis of Normal and Epileptic Seizure EEG Signals using Empirical Mode Decomposition // Compote Methods Programs Biomed. 2011. № 3. PP. 373-381.

21. Huang N. The Hilbert-Huang Transform and its Applications / World Scientific Publishing. 2005. 526 р.

22. Huang N. An Introduction to Hilbert-Huang Transform: A Plea for Adaptive Data Analysis / Research Center for Adaptive Data Analysis. 2007. 257 р.

23. Tychkov A.Y. Development and Study of a Virtual Encephalograph // Biomedical Engineering. 2015. Vol. 49. Iss. 1. PP. 37-41.

24. Kuzmin A.V., Tychkov A.Y., Alimuradov A.K. Development of Effective Noise Biomedical Signals Processing Method // International Journal of Applied Engineering Research. 2015. Vol. 10. № 4. PP. 8527-8531.

25. Bodin O.N., Churakov P.P. et al. An information-measurement system for preprocessing of photofluorographic images // Measurement Techniques. 2011. № 4. PP. 41-44.

26. Alimuradov A.K., Frantsuzov M.V. et al. Program Implementation of an Algorithm for Recognition of Speech Signals in the Labview Graphics Programming Environment // Measurement Techniques. 2015. Vol. 58. Iss. 9. PP. 965-969.