Politechnika WarszawskaWydział Elektroniki i Technik InformacyjnychInstytut Systemów Elektronicznych

Marta SzuleckaNUMER INDEKSU 217850

Praca Magisterska

Badanie korelacji bezdechu sennego z sygnałemEEG za pomocą analizyczasowo–częstotliwościowej

Praca wykonana pod kierunkiem

Prof. nzw. dr. hab. inż. Antoniego Grzanki

Warszawa, 2015 r.

Badanie korelacji bezdechu sennego z sy-gnałem EEG za pomocą analizy czasowo–częstotliwościowej

Streszczenie:

Celem pracy było zbadanie korelacji sygnału EEG z bezdechem sennym na

podstawie danych pochodzących z badania polisomnograficznego przeprowadzonego

w Klinice Otolaryngologii Warszawskiego Uniwersytetu Medycznego.

W pracy zaproponowano analizę zjawiska synchronizacji i desynchronizacji fal

mózgowych związanego z wystąpieniem obturacyjnego bezdechu sennego. W tym

celu estymowano zmiany mocy sygnału w dziedzinie czasu według metody opisanej

przez Pfurtschellera. Ponadto przeprowadzono statystykę uśrednionych map czas–

częstotliwość za pomocą metody bootstrap. Dodatkowo opracowano oprogramowa-

nie służące do analizy sygnału EEG pod kątem badania bezdechu sennego.

Na podstawie przeprowadzonej analizy statystycznej nie stwierdzono synchroni-

zacji/desynchronizacji fal związanej z wystąpieniem bodźca. Uzyskane wyniki świad-

czą jednak o wzroście średniej mocy w paśmie δ podczas epizodu bezdechu sennego.

Dodatkowo dla jednego pacjenta zaobserwowano wzmożoną aktywność fal α przed

rozpoczęciem bezdechu sennego. Uzyskane zależności mogą pomóc w zrozumieniu

mechanizmów patofizjologicznych związanych z chorobą a w przyszłości usprawnić

proces leczenia.

1

Investigating EEG signal correlation withsleep apnea by time frequency analysis.

Abstract:

In this thesis analysis of event related synchronization/desynchronization of EEG

waves was conducted. For this purpose, the signal power changes were estimated

using the method described by Pfurtscheller. Moreover, non–parametric statistics

of time–frequency maps was carried out using the bootstrap method. In addition,

the software for EEG signal analysis was developed. Based on statistical analysis,

there was no synchronization/desynchronization of waves associated with the onset

of the stimulus. However, obtained results suggest an increase in power in the δ band

during an episode of sleep apnea. Additionally, for the one patient α wave activity

increased before sleep apnea was noticed. Achieved results can help in understanding

the pathophysiological mechanizms connected with disease and significantly improve

the healing process.

2

Dzienne studia II stopnia

Kierunek: Telekomunikacja

Specjalność: Radiokomunikacja i Techniki Multimedialne

Data urodzenia: 04.10.1988

Data rozpoczęcia studiów: 01.10.2012

Życiorys

Urodziłam się 4 października 1988 roku w Warszawie. W roku 2007 ukończyłam

I Katolickie Liceum Społeczne w Warszawie i rozpoczęłam studia stacjonarne pierw-

szego stopnia na wydziale Elektroniki i Technik Informacyjnych Politechniki War-

szawskiej na Makrokierunku Elektronika, Informatyka i Telekomunikacja. Podczas

studiów wybrałam specjalność Elektronika i Informatyka w Medycynie. W 2009 roku

rozpoczęłam naukę na studiach stacjonarnych pierwszego stopnia na wydziale Fizyki

Uniwersytetu Warszawskiego na kierunku Zastosowanie fizyki w biologii i medycy-

nie, specjalność Neuroinformatyka. W 2012 roku ukończyłam studia inżynierskie na

Wydziale Elektroniki i Technik Informacyjnych oraz rozpoczęłam studia drugiego

stopnia na kierunku Telekomunikacja. W okresie od 5 sierpnia do 15 grudnia 2013

roku zrealizowałam semestr studiów na poziomie Master of Science w Department

of Electrical & Computer Engineering, National University of Singapore.

.........................................

podpis

Spis treści1 WPROWADZENIE 8

1.1 Motywacja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.2 Cel i układ pracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2 WSTĘP TEORETYCZNY 10

2.1 Polisomnografia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.1.1 Elektroencefalografia . . . . . . . . . . . . . . . . . . . . . . . 11

2.1.2 Elektrookulografia . . . . . . . . . . . . . . . . . . . . . . . . 12

2.1.3 Elektrokardiografia . . . . . . . . . . . . . . . . . . . . . . . . 12

2.1.4 Elektromiografia . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.1.5 Czujniki oddechowe . . . . . . . . . . . . . . . . . . . . . . . . 13

2.1.6 Pulsoksymetr . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.1.7 Pozycja ciała . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.2 Architektura snu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.3 Obturacyjny bezdech senny . . . . . . . . . . . . . . . . . . . . . . . 15

2.3.1 Rozpoznanie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.3.2 Leczenie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.3.3 Choroby pokrewne . . . . . . . . . . . . . . . . . . . . . . . . 18

2.4 Sygnał EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.4.1 Biofizyczne podstawy generacji sygnału EEG . . . . . . . . . . 18

2.4.2 Artefakty w EEG . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.4.3 Podstawowe rytmy i grafoelementy . . . . . . . . . . . . . . . 21

2.4.4 Wzbudzenia podczas snu . . . . . . . . . . . . . . . . . . . . . 24

2.5 Miara synchronizacji ERD/ERS . . . . . . . . . . . . . . . . . . . . . 25

3 PRZEGLĄD LITERATURY 28

3.1 Metody badania korelacji sygnału EEG z bezdechem sennym. . . . . 28

3.2 Zmiany mocy w sygnale EEG podczas epizodu bezdechu sennego. . . 29

3.3 Brain mapping. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.4 Analiza parametrów wrzecion snu u osób z OSA. . . . . . . . . . . . . 31

4 METODY 32

4.1 Polisomnografia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4.1.1 Rejestracja sygnału . . . . . . . . . . . . . . . . . . . . . . . . 32

4.1.2 Wybór fragmentów do analizy . . . . . . . . . . . . . . . . . . 33

4.1.3 Format danych . . . . . . . . . . . . . . . . . . . . . . . . . . 34

4

4.2 Metody analizy sygnału . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.2.1 Transformata Fouriera . . . . . . . . . . . . . . . . . . . . . . 35

4.2.2 Krótko–czasowa transformata Fouriera . . . . . . . . . . . . . 35

4.2.3 Ciągła transformata falkowa . . . . . . . . . . . . . . . . . . . 37

4.3 Statystyka map . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.3.1 Hipoteza zerowa . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.3.2 Weryfikacja hipotezy . . . . . . . . . . . . . . . . . . . . . . . 39

4.3.3 Problem wielokrotnych porównań . . . . . . . . . . . . . . . . 41

5 OPIS OPROGRAMOWANIA 43

5.1 Struktura Aplikacji . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

5.1.1 Moduł wizualizacji danych . . . . . . . . . . . . . . . . . . . . 43

5.1.2 Moduł analizy czasowo–częstotliwościowej . . . . . . . . . . . 45

5.1.3 Moduł estymacji mocy . . . . . . . . . . . . . . . . . . . . . . 47

5.2 Opis modułu dodatkowego . . . . . . . . . . . . . . . . . . . . . . . . 47

6 WYNIKI 49

6.1 Mapy CWT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

6.2 Statystyka map . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

6.3 Moc chwilowa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

7 PODSUMOWANIE 57

Literatura 59

Dodatek A – Opis zawartości CD 65

5

Spis rysunków1 Okno programu PSG TWIn 4.5. służącego do analizy sygnału poli-

somnograficznego. Zdjęcie zostało wykonane w Klinice Otolaryngolo-

gii Warszawskiego Uniwersytetu Medycznego. . . . . . . . . . . . . . 10

2 Schemat rozmieszczenia elektrod według systemu 10–20 [21]. . . . . . 12

3 Schematyczny hipnogram 8–godzinnego zapisu snu [21]. . . . . . . . . 14

4 Drogi oddechowe człowieka: a) podczas bezdechu, b) w trakcie nieza-

burzonego snu [34]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

5 Schemat budowy neuronu [21]. . . . . . . . . . . . . . . . . . . . . . . 19

6 Typowe artefakty biologiczne występujące przy rejestracji sygnału

EEG [48]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

7 Przebieg fal mózgowych δ. [21]. . . . . . . . . . . . . . . . . . . . . . 22

8 Przebieg fal mózgowych θ. [21]. . . . . . . . . . . . . . . . . . . . . . 22

9 Przebieg fal mózgowych α. [21]. . . . . . . . . . . . . . . . . . . . . . 22

10 Przebieg fal mózgowych β. [21]. . . . . . . . . . . . . . . . . . . . . . 23

11 Przebieg fal mózgowych γ. [21]. . . . . . . . . . . . . . . . . . . . . . 23

12 Schematyczny przebieg wrzeciona snu i kompleksu K [21]. . . . . . . . 24

13 Estymacja zmian mocy sygnału EEG w dziedzinie czasu: a) przykła-

dowy zapis jednej z realizacji, b)przefiltrowany sygnał w paśmie 15–25

Hz, c)przefiltrowany sygnał podniesiony do kwadratu, d)uśredniony

po realizacjach przebieg mocy pasmowej w czasie, e) wygładzony prze-

bieg, f) względna zmiana sygnału w odniesieniu do okresu referencyj-

nego [21]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

14 Rozmieszczenie elektrod EEG zastosowanych podczas badania poli-

somnograficznego. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

15 Fragment sygnału zawierający obturacyjny bezdech senny z zazna-

czonymi momentami początku i końca. Sygnał pochodzi z 2 stadium

snu NREM pacjenta JK. . . . . . . . . . . . . . . . . . . . . . . . . . 34

16 Wydruk pliku tekstowego zawierającego dane pochodzące z badania. . 34

17 Porównanie metod analizy CWT oraz STFT [73]. . . . . . . . . . . . 38

18 Okno zakładki Setup służącej do wczytania dowolnego fragmentu

z pliku. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

19 Okno zakładki Singnal Waveforms służącej do wyświetlania sygnału

z kolejnych kanałów. . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

20 Okno zakładki CWT przedstawiającej skalogram sygnału pochodzą-

cego z elektrody F3. . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

6

21 Okno zakładki STFT przedstawiającej spektrogram sygnału pocho-

dzącego z elektrody F3. . . . . . . . . . . . . . . . . . . . . . . . . . . 46

22 Okno zakładki Moc pozwalającej na obliczenie mocy spektralnej na

10–sekundowych odcinkach przed, w trakcie i po epizodzie bezdechu

sennego. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

23 Wydruk programu przedstawiający parametry analizy. . . . . . . . . 48

24 a) Mapa CWT przedstawiająca Kompleks K. b) Oryginalny przebieg

sygnału. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

25 Uśredniona mapa wykonana za pomocą CWT. Uśredniono 11 frag-

mentów sygnału z drugiej fazy snu NREM dla pacjenta JG. Pionowa

linia oznacza początek bezdechu sennego. . . . . . . . . . . . . . . . . 50

26 Uśredniona mapa wykonana za pomocą CWT. Uśredniono 9 fragmen-

tów sygnału z drugiej fazy snu NREM dla pacjenta RK. . . . . . . . . 51

27 Uśredniona mapa wykonana za pomocą CWT. Uśredniono 20 frag-

mentów sygnału z drugiej fazy snu NREM dla obu pacjentów. . . . . 51

28 Uśredniona mapa wykonana za pomocą CWT. Uśredniono 5 fragmen-

tów sygnału z fazy snu REM dla pacjenta JG. . . . . . . . . . . . . . 52

29 Uśredniona mapa wykonana za pomocą CWT. Uśredniono 4 fragmen-

ty sygnału z fazy snu REM dla pacjenta RK. . . . . . . . . . . . . . 52

30 Uśredniona mapa wykonana za pomocą CWT. Uśredniono 9 fragmen-

tów sygnału z fazy snu REM dla obu pacjentów. . . . . . . . . . . . 53

31 Okno programu TFStats służącego do analizy statystycznej map czas–

częstotliwość. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

32 Estymacja mocy chwilowej fragmentu sygnału zawierającego kom-

pleks K. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

33 Estymacja zmian mocy sygnału pochodzącego z fazy NREM dla obu

pacjentów, pasmo: a) δ, b) θ, c) α, d) 0,5–32 Hz. . . . . . . . . . . . . 56

34 Estymacja zmian mocy sygnału pochodzącego z fazy REM dla obu

pacjentów, pasmo: a) δ, b) θ, c) α, d) 0,5–32 Hz. . . . . . . . . . . . . 56

7

1 WPROWADZENIESen jest często definiowany jako stan przeciwny do stanu czuwania, charakteryzuje

się czasowym zanikiem świadomości i wrażliwości na niektóre bodźce, obniżoną prze-

mianą materii oraz ograniczoną aktywnością ruchową. Rola snu nie jest do końca

znana, jednak powszechnie uważa się, że odgrywa ważne funkcje fizjologiczne, takie

jak oszczędność energii, regulacja hormonalna, konsolidacja pamięci oraz stymulacja

neuronów, które nie były aktywne podczas stanu czuwania [1]. Sen jest niezbędny

do prawidłowego funkcjonowania organizmu a jego zaburzenie może być przyczyną

dysfunkcji procesów psychicznych i fizjologicznych.

Jedną z chorób występującą podczas snu, która znacząco wpływa na jego jakość

jest bezdech senny (ang. Sleep Apnea). Zaburzenie to charakteryzuje się wielokrotny-

mi epizodami całkowitego lub częściowego ograniczenia przepływu powietrza przez

drogi oddechowe [2], [3]. Choroba ta niesie ze sobą wiele zagrożeń, przede wszyst-

kim może przyczynić się od rozwoju zaburzeń układu sercowo–naczyniowego oraz

oddechowego[4]. W celu zmniejszenia ryzyka pojawienia się powikłań niezbędna jest

szybka diagnoza i leczenie dopasowane do indywidualnych potrzeb pacjenta. Stan-

dardową techniką służącą do wykrywania zaburzeń występujących podczas snu jest

polisomnografia (ang. Polysomnography, PSG) [5], [6]. Dane pochodzące z całonoc-

nego badania są źródłem wielu cennych informacji na temat architektury i ciągłości

snu, liczby bezdechów i wybudzeń. Dzięki odpowiednio dobranym metodom analizy

sygnału możliwe jest uzyskanie większej wiedzy na temat procesów patofizjologicz-

nych związanych z chorobą.

Polisomnografia jest obecnie najczęściej stosowaną techniką oceny parametrów

snu [5]. Największą jej wadą jest długi czas trwania samego badania oraz cza-

sochłonna analiza zarejestrowanego sygnału. Istnieje wiele programów kompute-

rowych, wspomagających decyzje lekarskie przy stawianiu diagnozy. Ich głównym

zadaniem jest wykonanie hipnogramu, obliczenie parametrów snu oraz oznaczenie

epizodów bezdechu. W obecnych czasach oprogramowanie to stanowi niezbędne na-

rzędzie diagnostyczne, jednakże tradycyjna analiza wzrokowa sygnału jest obowiąz-

kowa.

1.1 Motywacja

Bezdech senny jest powszechnie występującą chorobą dotykającą 4% populacji męż-

czyzn i 2% kobiet [7]. Nieleczony może być przyczyną m.in. nadciśnienia tętniczego,

choroby niedokrwiennej serca czy udaru mózgu [4], [8]. Badania neuropsychologiczne

8

wykazały również upośledzenie funkcjonowania pamięci, uwagi oraz kontroli poznaw-

czej [9], [10]. W celu dokładniejszej analizy tych zjawisk, badano zmiany aktywności

kory mózgowej podczas bezdechu sennego [11], [12], [13], [14], [15], [16], [17]. Badacze

są zgodni, że podczas epizodu bezdechu sennego zachodzą zmiany w aktywności fal

mózgowych, które uważane są za przyczynę wyżej wymienionych dysfunkcji neurop-

sychologicznych. Istotną kwestią jest stwierdzenie, czy nastąpił zanik czy wzmożona

aktywność danych fal mózgowych, jednak dotychczasowe wyniki są sprzeczne.

Badanie korelacji sygnału EEG z bezdechem sennym jest doskonałym polem

do zastosowań nowych metod modelowania i analizy sygnału. Obecny stan wiedzy

nie wyjaśnia dokładnie jak zmieniają się fale mózgowe u osób chorych na bezdech

senny oraz jak te zmiany mogą oddziaływać na ludzki organizm. Analiza zjawiska

synchronizacji oraz desynchronizacji fal mózgowych związana z wystąpieniem bez-

dechu sennego może odegrać role nie tylko w diagnostyce, ale i w nauce. Istnieje

możliwość odkrycia nowych zależności, co może stać się podstawą do zrozumienia

mechanizmów patofizjologicznych związanych z bezdechem sennym.

1.2 Cel i układ pracy

Celem pracy jest zbadanie korelacji sygnału EEG z bezdechem sennym a także opra-

cowanie aplikacji służącej do analizy sygnału EEG. Dane wykorzystane w pracy po-

chodzą z badania polisomnograficznego przeprowadzonego w Klinice Otolaryngologii

Warszawskiego Uniwersytetu Medycznego.

W rozdziale 2 zawarte są podstawowe zagadnienia związane z tematem pracy.

W pierwszej kolejności omówiono technikę diagnostyczną – polisomnografię, wyja-

śniono czym jest bezdech senny, architektura snu oraz sygnał EEG. Przedstawiono

również zjawisko synchronizacji i desynchronizacji mocy sygnału z bodźcem. Prze-

gląd dotychczasowego stanu wiedzy został dokładnie omówiony w rozdziale 3. Opis

przebiegu badania polisomnograficznego oraz metod wykorzystanych do analizy sy-

gnału znajduje się w rozdziale 4. Rozdział 5 zawiera szczegółowy opis oprogramowa-

nia powstałego w ramach pracy. Uzyskane wyniki oraz podsumowanie przedstawiono

odpowiednio w rozdziałach 6 i 7.

9

2 WSTĘP TEORETYCZNYBadania prowadzone z wykorzystaniem polisomnografii przyczyniły się do poszerze-

nia wiedzy na temat mechanizmów regulujących sen. Według obecnego stanu wiedzy

zaburzenia snu występują przynajmniej kilka dni w miesiącu u 30% populacji [1].

Drugie wydanie The International Classification of Sleep Disorders opublikowane

przez American Academy of Sleep Medicine zawiera definicje prawie 70 zaburzeń

snu, które podzielono na 8 kategorii: insomnie, parasomnie, zaburzenia oddycha-

nia, hipersomnie, zaburzenia ruchowe, zaburzenia rytmu około–dobowego, zaburze-

nie snu wieku dziecięcego i inne [20]. Jednym z zaburzeń oddychania jest obturacyjny

bezdech senny, który został dokładnie opisany rozdziale 2.3.

2.1 Polisomnografia

Polisomnografia jest techniką diagnostyczną służącą do wykrywania zaburzeń wy-

stępujących podczas snu. W trakcie badania dokonywany jest zapis elektrycznej

aktywności mózgu, ruchu gałek ocznych, czynności mięśni oraz serca. Rejestrowa-

ny jest również przepływ powietrza przez drogi oddechowe, ruchy klatki piersio-

wej i brzucha, zawartość tlenu we krwi, zapis chrapania, oraz zmiany pozycji ciała

w czasie snu. Najczęściej pracownia polisomnograficzna składa się z pokoju pełniące-

go funkcję sypialni pacjenta i dodatkowego pomieszczenia przeznaczonego dla osoby

nadzorującej przebieg badania. Na Rys. 1 przedstawiono okno programu PSG TWIn

4.5.1 służącego do analizy sygnału polisomnograficznego.

Rysunek 1: Okno programu PSG TWIn 4.5. służącego do analizy sygnału polisom-

nograficznego. Zdjęcie zostało wykonane w Klinice Otolaryngologii Warszawskiego

Uniwersytetu Medycznego.

10

Oprogramowanie oblicza ważne parametry takie jak: liczbę przebudzeń, całkowitą

liczbę bezdechów, epizodów spłyconego oddychania, zaburzeń rytmu serca, częstości

i intensywności chrapania oraz częstości zmian pozycji ciała podczas snu. Dzięki

badaniu polisomnograficznemu można zdiagnozować takie zaburzenia jak: bezdech

senny, zaburzenie nadmiernej senności, insomnia, napady lunatyczne czy zaburzenie

rytmiki snu [21].

2.1.1 Elektroencefalografia

Elektroencefalografia (ang. Electroencephalography, EEG) jest najczęściej stosowa-

ną metodą do badania aktywności kory mózgowej. Rozwój nauk o czynności bio-

elektrycznej układu nerwowego nastąpił w XVII wieku. Wtedy to powstała nowa

dziedzina zwana neurofizjologią. Jej rozkwit był ściśle związany z postępem nauk

o elektryczności [21]. Pierwszy opis czynności elektrycznej mózgu pojawił się w 1875

roku a jego autorem był Richard Caton. Jego praca poświęcona była badaniu kore-

lacji między prostymi czynnościami a zmianami potencjału w korze mózgowej [22],

[23]. W 1890 roku Adolf Beck w swojej rozprawie doktorskiej [24] opisał problem

lokalizacji funkcji sensorycznych w mózgu. Ponadto dokonał również dogłębnej anali-

zy samego encefalogramu. Pierwszy zapis czynności bioelektrycznej mózgu człowieka

uzyskał w 1925 roku niemiecki fizjolog i psychiatra Hans Berger. Jego wyniki zostały

opublikowane cztery lata później w artykule „Uber das Elektroenkephalogramm des

Menschen” [25]. Praca ta do dziś stanowi klasykę w dziedzinie elektroencefalografii

[21].

Obecnie EEG jest wykorzystywane przy diagnozie uszkodzeń mózgu, chorób psy-

chicznych, bezsenności, napadów padaczkowych czy oceny wpływu leków na czynno-

ści mózgu [5]. Sygnał jest rejestrowany za pomocą elektrod rozmieszczonych na po-

wierzchni głowy pacjenta. Obecnie, do celów diagnostycznych stosuje się co najmniej

19 elektrod, które najczęściej zlokalizowane są według systemu 10–20. W przypadku

badania polisomnograficznego często stosowana jest mniejsza liczba elektrod.

Największą zaletą polisomnografii jest nieinwazyjność oraz dobra rozdzielczość

czasowa [26]. Amplituda sygnału EEG rzadko przekracza 20 µV, a stosunek sygnału

pochodzącego z mózgu do szumu jest bardzo mały. Źródłem zakłóceń są wszelkie

urządzenia elektryczne, kable sieci zasilającej znajdujące się w najbliższym otoczeniu

osoby badanej a także sam człowiek, który jest generatorem czynności elektrycznej

serca, mięśni czy gałek ocznych [21].

11

Schemat rozmieszczenia elektrod przedstawiono na Rys. 2.

Rysunek 2: Schemat rozmieszczenia elektrod według systemu 10–20 [21].

2.1.2 Elektrookulografia

Elektrookulografia (ang. Electrooculography, EOG) jest badaniem narządu wzroku

opierającym się na pomiarze potencjału spoczynkowego. W technice tej wykorzy-

stywane są dwa kanały do monitorowania ruchów poziomych i pionowych gałek

ocznych. Najczęściej elektroda E1 umieszczona jest 1 cm poniżej zewnętrznego ką-

cika lewego oka, natomiast E2 1cm powyżej zewnętrznego kącika prawego oka [5].

Metoda ta polega na rejestracji różnicy potencjału elektrycznego pomiędzy dodatnio

naładowaną rogówką, znajdującą się w przedniej części gałki ocznej a ujemnie nała-

dowanym tylnym biegunem gałki. Układ ten w przybliżeniu można opisać jako dipol

elektryczny. Podczas ruchów oka zmienia się przestrzenna orientacja dipola co skut-

kuje powstaniem różnic potencjału na elektrodach. Elektrookulografia jest bardzo

ważnym badaniem pozwalającym na wykrywanie szybkich ruchów gałek ocznych,

występujących podczas fazy snu REM a także na ocenę momentu zaśnięcia pacjenta

poprzez rejestracja wolnych pływających ruchów gałek ocznych [27].

2.1.3 Elektrokardiografia

Elektrokardiografia (ang. Electrocardiography, EKG) jest badaniem polegającym na

rejestracji elektrycznej czynności mięśnia sercowego. Włókna mięśnia serca w wyniku

pobudzenia elektrycznego wytwarzają zmieniające się w czasie trwania cyklu pracy

12

serca, pole elektryczne. Liczba czynnych elektrycznie włókien w danej chwili a także

ich kolejność pobudzenia jest zależna od potencjału i kierunku pola elektrycznego.

Sygnał EKG jest wynikiem zsumowania wszystkich potencjałów wygenerowanych

w cyklu pracy serca. Kształt sygnału EKG jest ściśle związany z wybranym układem

pomiarowym. W elektrokardiografii stosuje się 12 odprowadzeń: 3 dwubiegunowe

kończynowe, trzy jednobiegunowe kończynowe oraz sześć odprowadzeń jednobiegu-

nowych przedsercowych. Podczas badania polisomnograficznego stosuje się zmody-

fikowane odprowadzenie II (prawa ręka–biegun ujemny, lewa stopa–biegun dodatni)

[5]. Elektrokardiografia pozwala na stwierdzenie m.in. nieprawidłowej częstości pra-

cy serca, jego rytmu, zaburzeń przewodzenia impulsów elektrycznych w sercu, oznak

zawału serca, niektórych wrodzonych wad serca, oznak zapalenia mięśnia sercowego

lub worka osierdziowego.

2.1.4 Elektromiografia

Elektromiografia (ang. Electromyography, EMG) pozwala na zapis czynności elek-

trycznej mięśni. W polisomnografii badanie EMG znajduje zastosowanie głównie

przy wykrywaniu fazy snu REM. W tym celu rejestrowany jest sygnał pochodzą-

cy od grup mięśniowych położonych na lub poniżej brody. W przypadku zespołu

niespokojnych nóg elektrody rozmieszczane są na mięśniu piszczelowym przednim

w połowie wysokości łydki.

2.1.5 Czujniki oddechowe

Podczas badania polisomnograficznego rejestrowany jest zapis przepływu powietrza

przez drogi oddechowe. Do jego oceny wykorzystuje się czujniki analizujące wła-

sności fizyczne i chemiczne powietrza wdychanego i wydychanego przez pacjenta.

W praktyce stosowane są dwa typy czujników: ustno–nosowy czujnik termiczny do

detekcji braku przepływu powietrza i nosowy czujnik ciśnieniowy do detekcji spły-

ceń. Dzięki elektrodom umieszczonym na klatce piersiowej i brzuchu możliwe jest

monitorowanie ruchów oddechowych.

2.1.6 Pulsoksymetr

Pulsoksymetr jest urządzeniem służącym do nieinwazyjnego pomiaru saturacji krwi.

Działa na zasadzie pomiaru pochłaniania przez tkanki promieniowania o dwóch róż-

nych długościach fali: czerwonego i podczerwonego. Za pomocą pulsoksymetru wy-

konywany jest również pomiar tętna [28].

13

2.1.7 Pozycja ciała

Monitorowanie częstości zmian pozycji ciała pacjenta realizowane jest przy pomocy

dwóch elektrod umieszczanych na mięśniu piszczelowym przednim lewym i prawym.

2.2 Architektura snu

Aktywność mózgowa występująca podczas snu nie jest jednolita i w znacznym stop-

niu różni się od aktywności pojawiającej się w czasie czuwania. W określonych fa-

zach snu można wyróżnić szereg krótkich fragmentów sygnału charakteryzujących

się specyficznymi cechami. Na tej podstawie badacze podzielili sen na dwie fazy:

sen o szybkich ruchach gałek ocznych (ang. Rapid Eye Movement, REM) oraz wol-

nych ruchach gałek ocznych (ang. Non Rapid Eye Movement, NREM). Dodatkowo

wyróżnia się cztery stadia snu NREM.

Sen składa się z następujących po sobie faz NREM i REM, tworzących tzw. cykle

snu. Zazwyczaj występują one w określonej kolejności: N1, N2, N3, N4, REM. Często

każdy z nich kończy się lekkim wybudzeniem. Jeden cykl trwa od 80 do 120 min

i powtarza się w ciągu nocy kilkakrotnie. W pierwszej części nocy dominuje sen

głęboki. Zaobserwowano, że u osób dorosłych, nie cierpiących na niedobory snu po

ok. trzech cyklach sen głęboki zanika. Na Rys. 3 przedstawiono hipnogram (wykres

przedstawiający fazy snu).

Rysunek 3: Schematyczny hipnogram 8–godzinnego zapisu snu [21].

Po zamknięciu oczu, aktywność mózgu spada a rytm β stopniowo zanika, na je-

go miejscu pojawiają się fale α. Ten stan trwający 10–15 min, określany często fazą

0 lub fazą czuwania, nie stanowi fazy snu lecz jest nieodłącznym elementem bada-

nia polisomnograficznego. W zapisie EEG widoczne są ślady ruchów gałek ocznych,

mrugnięć oraz silne artefakty mięśniowe spowodowane poruszaniem się osoby bada-

nej.

Kolejnym etapem jest stadium NREM, czyli sen o wolnych ruchach gałek ocznych.

Fale mózgowe zaczynają zbliżać się do zakresu θ, mięśnie rozluźniają się a w umyśle

14

pojawiają się abstrakcyjne obrazy i skojarzenia. Stan ten określany jest jako stadium

1 (N1). W jego końcowej fazie mogą pojawiać się również grafoelemnety charaktery-

styczne dla stadium 2 tj.: zespoły K, wierzchołkowe fale ostre czy słabo rozwinięte

wrzeciona snu. Stadium 2 (N2) charakteryzuje się jeszcze większym spowolnieniem

częstotliwości fal mózgowych i najczęściej zajmuje większą część całonocnego snu.

Podczas stadium 3 (N3) fale θ ustępują falom δ, które zajmują od 20% do 50% czasu

[5]. Ponadto można zaobserwować stabilizację oddechu, spadek ciśnienia tętniczego,

zanik napięcia mięśni, spadek temperatury ciała a także brak ruchów gałek ocznych.

W stadium 3 często występują wrzeciona snu i kompleksy K, choć nie są one stałym

elementem tej fazy. Stadium 4 (N4) jest stanem najgłębszego snu, w znacznym stop-

niu przypominającym stadium 3 . W zapisie EEG można zaobserwować aktywność

delta przekraczającą 50% zapisu [5]. Faza 3 i 4 uważane są za sen głęboki a ich czas

trwania wynosi do 60 min.

Sen REM nazywany jest snem głębokim, charakteryzującym się względnie ma-

łą synchronizacją w EEG. Pierwszy sen REM, trwający 5-10 min. pojawia się po

okresie ok. 1,5 godziny. Podczas tej fazy można zaobserwować szybkie ruchy gałek

ocznych, wzrost częstości serca i obniżenie pobudzenia mięśni szkieletowych. Domi-

nującymi falami są fale o częstotliwości od 2 do 10 Hz i małej amplitudzie. Innymi

grafoelementami są fale piłokształtne a także występujące w śladowych ilościach fale

α. Podczas stadium REM nie można zaobserwować wrzecion i kompleksów K. W tej

fazie występują marzenia senne. Ponadto mięśnie szkieletowe znajdują się w sta-

nie paraliżu sennego, co uniemożliwia człowiekowi aktywność ruchową podczas snu.

Uważa się, że sen REM i związane z nim mechanizmy fizjologiczne odpowiada za

reorganizację i utrwalanie informacji.

Standardowe kryteria opisujące fazy snu zostały po raz pierwszy przedstawio-

ne w 1968 roku przez Rechtschaffen’a nd Kales’a [29]. Poprawiona wersja została

opublikowana przez American Academy of Sleep Medicine [5].

2.3 Obturacyjny bezdech senny

Bezdech senny jest chorobą polegającą na zaburzeniu oddychania w czasie snu. Cha-

rakteryzuje się wielokrotnymi epizodami całkowitego lub częściowego ograniczenia

przepływu powietrza przez drogi oddechowe. Bezdech definiowany jest jako spadek

amplitudy sygnału z usno–nosowego czujnika termicznego o więcej niż 90%, trwający

przynajmniej 10 sekund [2], [5].

Przypadek gdy następuje redukcja amplitudy od 50% do 90% i spadek satu-

racji krwi o przynajmniej 4% określany jest mianem spłyceniu oddechu. Obecnie

15

lekarze rozróżniają trzy rodzaje bezdechu: obturacyjny (ang. Obstructive Sleep Ap-

nea, OSA), centralny (ang. Central Sleep Apnea, CSA) i mieszany [2]. Zaburzenia

typu obturacyjnego są skutkiem zapadania się światła dróg oddechowych w oko-

licach gardła pomimo wzmożonej pracy mięśni oddechowych. W odróżnieniu od

OSA, w trakcie epizodów CSA nie zaobserwowano wysiłku oddechowego poprzez

cały czas trwania bezdechu. W praktyce często początkowe epizody CSA rozwijają

się w zaburzenia typu obturacyjnego. W przypadku bezdechu mieszanego wysiłek

oddechowy jest nieobecny w początkowej fazie bezdechu, natomiast powraca w jego

trakcie. Obecnie bezdech mieszany występuje często i z medycznego punktu widzenia

traktowany jest jako syndrom OSA [2].

Podczas czuwania napięcie mięśni jest wystarczające do utrzymania drożności

dróg oddechowych. W trakcie snu dochodzi do spadku napięcia mięśni co powo-

duje zapadaniu się ścian gardła [2], [30]. Na Rys. 4 zilustrowano drogi oddechowe

człowieka podczas bezdechu oraz w trakcie niezaburzonego snu.

(a) (b)

Rysunek 4: Drogi oddechowe człowieka: a) podczas bezdechu, b) w trakcie niezabu-

rzonego snu [34].

Dodatkowymi czynnikami sprzyjającymi temu zjawisku jest przerost języczka,

krótka i gruba szyja, obrzęk podniebienia czy przerost tkanki limfoidalnej [31]. Jed-

nym z najczęstszych objawów, który może świadczyć o występowaniu bezdechu jest

chrapanie. Jego powstawanie jest związane z wibracjami podniebienia miękkiego

przy zwężonej drodze oddechowej. Innymi objawami które mogą wskazywać na wy-

stępowanie bezdechu to: uczucie duszenia lub dławienia w nocy, częste wybudzenia,

poranne bóle głowy, zmęczenie w ciągu dnia czy spadek koncentracji [32], [33].

U osób chorych na OSA podczas trwania bezdechu lub spłycenia oddychania wy-

stępuje spadek ciśnienia parcjalnego tlenu i wzrost ciśnienia parcjalnego dwutlenku

16

węgla we krwi tętniczej. Niedotlenienie może być przyczyną upośledzenia pracy mó-

zgu i serca. Nieprawidłowe oddychanie powoduje również spłycenie snu i zaburzenie

jego cykliczności, przez co sen nie jest efektywny [30].

Bezdech senny jest opisywany na podstawie wielu parametrów, pozwalających

na dokładną ocenę stopnia zaawansowania choroby. Jednym z najważniejszych jest

wskaźnik bezdechów i spłyconych oddechów podczas godziny (ang. Apnea–Hypopnea

Index, AHI). O występowaniu OSA można mówić w przypadku gdy wartość wskaź-

nika AHI wynosi przynajmniej 5. Nasilenie określane jest jako łagodne gdy wartość

wskaźnika AHI waha się w przedziale od 5 do 15. Przy wskazaniu od 15 do 30 epi-

zodów na godzinę OSA definiowane jest jako umiarkowane. W sytuacji gdy wartość

AHI wzrasta powyżej 30, mamy do czynienia ze stanem ciężkim [5].

Czynniki, które wpływają na rozwój obturacyjnego bezdechu sennego to: otyłość,

spożywanie alkoholu w dużych ilościach, palenie papierosów, skłonności genetyczne,

wiek powyżej 65 lat [30], [31].

2.3.1 Rozpoznanie

W celu rozpoznania OSA przeprowadzane jest badanie polisomnograficzne pod-

czas którego zliczana jest liczba bezdechów i spłyceń typu obturacyjnego. Bez-

dechy centralne charakteryzują się brakiem ruchów oddechowych mięśni brzucha

i klatki piersiowej. Dodatkowo przeprowadzane jest badanie fizykalne, testy senności

a także szczegółowy wywiad z pacjentem. W przypadku badania w warunkach am-

bulatoryjnych wykorzystuje się uproszczony sprzęt polisomnograficzny, obejmujący

co najmniej cztery parametry. Możliwe jest również stosowanie urządzeń jedno–

kanałowych zapisujących jeden z wymienionych parametrów: saturację, przepływ

powietrza czy ruchy oddechowe. Metody ta są znacznie tańsze a także pozwalają na

monitorowanie istotnych parametrów w domu [35].

2.3.2 Leczenie

W przypadku OSA o łagodnym lub umiarkowanym przebiegiem zalecana jest zmia-

na trybu życia chorego. U pacjentów otyłych utrata masy ciała jest najprostszym

sposobem leczenia. Dzięki redukcji tkanki tłuszczowej przygardłowej możliwe jest

zmniejszenie nasilenia choroby lub jej całkowite wyeliminowanie. Zalecane jest rów-

nież unikanie alkoholu, leków uspokajających, papierosów i leczenia współistnieją-

cych schorzeń. Pacjenci znajdujący się w stanie ciężkim powinni jak najszybciej za-

cząć terapię. Obecnie najskuteczniejszą metodą leczenia bezdechu sennego są, wspo-

magające oddychanie, aparaty CPAP (ang. Continous Positive Airway Pressure).

17

Urządzenie to składa się z pompy powietrznej, która podłączana jest do specjalnej

maski zakładanej na twarz. Powietrze pobierane jest przez filtr, gdzie następnie jest

ogrzewane i nawilżane [36].

2.3.3 Choroby pokrewne

Nieleczony bezdech senny może doprowadzić do poważnych powikłań. Istnieje wie-

le prac potwierdzających związek pomiędzy bezdechem sennym a nadciśnieniem

tętniczym, chorobą niedokrwienia serca, udarem mózgu, zaburzeniem rytmu serca,

niewydolnością serca czy nadciśnieniem płucnym [8], [37], [38], [39].

Bezdech senny również znacząco zaburza architekturę snu. W związku z nie-

dotlenieniem i wielokrotnymi wybudzeniami dochodzi do fragmentacji snu. Osoby

cierpiące na OSA przejawiają senność podczas dnia, upośledzenie zdolności inte-

lektualnych i emocjonalnych [40]. Często obserwuje się u nich również problemy

w koncentracji uwagi oraz zaniki pamięci. W niektórych przypadkach pojawia się

depresja i podwyższony poziom lęku. Fragmentacja snu w następstwie bezdechów

wpływa również na wystąpienie zaburzeń metabolizmu glukozy [41], [42]. Zmiany

metaboliczne mogą prowadzić do upośledzenia tolerancji glukozy i cukrzycy. Ostre

i przewlekłe choroby układu krążenia są główną przyczyną zwiększonej śmiertelności

chorych na bezdech senny.

2.4 Sygnał EEG

2.4.1 Biofizyczne podstawy generacji sygnału EEG

Mózg składa się z wielu struktur i milionów komórek nerwowych nazywanych neu-

ronami. Szacuje się, że w mózgu człowieka znajduje się ok. 1011 neuronów, z których

każdy oddziałuje z innymi neuronami poprzez ok. 7000 połączeń synaptycznych [45].

Neuron zbudowany jest z ciała komórki oraz odchodzących od niego wypustek: akso-

nu i dendrytów. Sygnały wejściowe doprowadzane są za pomocą synaps położonych

na dendrytach natomiast sygnał wyjściowy odprowadzany jest przez akson i jego

rozgałęzienia. Dzięki temu, że wszystkie neurony są zdolne do generowania i prze-

wodzenia potencjałów elektrycznych, informacja przenoszona jest w postaci sygnału

elektrycznego [43].

Zapis elektrycznej aktywności mózgu jest możliwy dzięki sumowaniu prądów

postsynaptycznych w przestrzeni międzykomórkowej. Głównym źródłem rejestrowa-

nego sygnału EEG jest aktywacja synaptyczna dendrytów komórek piramidalnych,

powodująca depolaryzacje błony komórkowej. W przypadku gdy komórka nerwowa

18

nie odbiera bodźców wnętrze komórki nerwowej jest spolaryzowane ujemnie w sto-

sunku do otoczenia. Jeżeli komórka zostanie pobudzona, to rozkład potencjału ule-

gnie zmianie. Pod wpływem dostatecznie silnego bodźca dochodzi do powstania

potencjału czynnościowego, który rozprzestrzenia się wzdłuż aksonu w kierunku sy-

naps. W pobliżu ciał komórkowych wytwarzane jest względne źródło prądu co pro-

wadzi do powstania dipola elektrycznego z ujemnym potencjałem przy powierzchni

kory. W przypadku pobudzenia ze wzgórza wytwarza się lokalny spadek prądu (zlew)

i przez elektrody rejestrowany jest wzrost potencjału. Potencjały czynnościowe ze

względu na krótki czas trwania powodują dużo mniejszy wkład do sygnału EEG niż

potencjały synaptyczne [21], [43]. Schematyczną budowę neuronu przedstawiono na

Rys. 5.

Rysunek 5: Schemat budowy neuronu [21].

2.4.2 Artefakty w EEG

Istotnym problem podczas analizy elektrycznej aktywności mózgu są liczne zakłó-

cenia, których amplituda jest większa od samego sygnału EEG. Występowanie ar-

tefaktów jest zjawiskiem powszechnym, a w badaniach polisomnograficznych ich

obecność może zajmować ponad 40% całego zapisu. Obecność artefaktów może po-

wodować znaczące zmiany w analizie sygnału, dlatego ich eliminacja jest niezwykle

ważna. Z drugiej strony jest to bardzo czasochłonna procedura. Całonocne badanie

19

snu trwa ok. 8 godzin dlatego też, tradycyjna analiza wzrokowa, mająca na celu

oznaczenie artefaktów lub ich usunięcie zajmuje kilka godzin [44]. Artefakty można

podzielić na dwie grupy: biologiczne oraz zależne od zjawisk zewnętrznych.

Artefakty zależne od zjawisk zewnętrznych wynikają z niedoskonałości przyrzą-

dów pomiarowych lub związane są z zastosowaną metodą pomiarową. Można wy-

różnić zakłócenia powstające przy przekazywaniu sygnału z elektrod do aparatury,

związane ze wzmacnianiem sygnału oraz przetwarzaniem analogowo–cyfrowym. Pole

elektryczne sieci zasilającej generuje zakłócenie widoczne w postaci harmonicznego

sygnału o częstotliwości 50 Hz. Innym problemem może być „trzaskanie elektrod”,

które polega na krótkotrwałym kontakcie części elektrody ze skórą [21].

Źródłem artefaktów biologicznych jest ludzki organizm. W zapisie EEG oprócz

potencjałów mierzonych na powierzchni głowy często można zaobserwować sygnał

związany z aktywnością mięśni (EMG). Najczęściej artefakty wywołane są ruchami

kończyn, języka, napięciem mięśni twarzy oraz karku, zaciskaniem szczęki. Innym

źródłem zakłóceń mogą być ruchy gałek ocznych (EOG) oraz mruganie. Rejestro-

wany sygnał może być zakłócony przez aktywność mięśnia sercowego (EKG), puls

oraz oddychanie. Dodatkowym źródłem artefaktów mogą być wibracje powstający-

mi w trakcie chrapania, przymykanie warg czy łzawienie [21], [44]. Typowe artefakty

biologiczne przedstawiono na Rys. 6.

Rysunek 6: Typowe artefakty biologiczne występujące przy rejestracji sygnału EEG

[48].

20

2.4.3 Podstawowe rytmy i grafoelementy

Obecnie sklasyfikowano szereg rytmów i krótkich fragmentów zapisu EEG o danych

cechach (grafoelementów). Badania wykazały, że częstotliwość i amplituda fal mó-

zgowych ściśle zależy od czynności wykonywanej przez umysł. Poniżej omówiono

kształty poszczególnych fal i grafoelementów oraz zakresy częstotliwości w sygnale

EEG osoby zdrowej podczas stanu czuwania jak i snu [21]. W pracy przyjęto granice

poszczególnych pasm zgodnie z „Podręcznikiem encefalografii” Pfurtshellera [46].

• Rytm δ

Fale δ są wysokoamplitudową aktywnością od 0,5 do 4 Hz, pojawiającą się

podczas głębokiego snu lub medytacji. Dodatkowo można je zaobserwować

u niemowląt i dzieci podczas stanu czuwania. W przypadku osób dorosłych

obecność fal δ podczas stanu czuwania zawsze świadczy o dysfunkcji mózgu

[21], [46].

• Rytm θ

Fale θ są aktywnością występującą pomiędzy 4 a 7 Hz. Ich źródłem jest hipo-

kamp (część mózgu odpowiedzialną za kojarzenie i pamięć). Uważa się, że fale

θ występujące podczas płytkiego snu związane są z przyswajaniem i utrwala-

niem wcześniej poznanych treści. Występują także podczas medytacji, hipnozy,

transu, marzeń czy intensywnych emocji [46].

• Rytm α

Rytm α został opisany przez niemieckiego psychiatrę Hansa Bergera w 1929

roku i uznawany jest za jedną z najwcześniej zaobserwowanych struktur EEG.

Fale α są rytmiczną aktywnością kory mózgowej występującą pomiędzy 7 a 13

Hz rejestrowaną głównie w okolicy potyliczno–ciemieniowej. Rytm α najle-

piej widoczny jest podczas stanu rozluźnienia z zamkniętymi oczami. Zanika

w trakcie wysiłku umysłowego lub po otwarciu oczu. Podczas analizy EEG

fale α mają ogromne znaczenie, na ich podstawie ich zaniku może świadczyć

przejście ze stanu czuwania do płytkiego snu[21], [46].

• Rytm β

Fale β to oscylacje o niskiej amplitudzie występujące w przedziale od 12 do

30 Hz. Pojawiają się podczas zwykłej, codziennej aktywności kory mózgowej

(pracy umysłowej oraz percepcji zmysłowej) a także po zażyciu niektórych

leków. W paśmie β można wyróżnić wolne fale β występujące w zakresie od

21

12 do 15 Hz, średnie pasmo β od 15 do 18 Hz i szybkie fale β pojawiające się

powyżej 19 Hz [21], [46].

• Rytm γ

Fale γ oscylują w okolicach 40 Hz (od 30 do 80 Hz) i odnoszą się do przetwa-

rzania informacji z różnych obszarów mózgu. Aktywność powyżej 80 Hz do

200 Hz nazywana jest high γ. Fale γ można zaobserwować podczas czynności

ruchowych i funkcji motorycznych, jednak związane są też z percepcją senso-

ryczną oraz pamięcią. Przypuszcza się, że rytm γ o częstotliwości ok. 40 Hz

związany jest z łączeniem cech obiektu w jedną spójną reprezentacje [21], [46].

Na Rys. 7–11 przedstawiono przebiegi fal mózgowych: δ, θ, α, β, γ.

Rysunek 7: Przebieg fal mózgowych δ. [21].

Rysunek 8: Przebieg fal mózgowych θ. [21].

Rysunek 9: Przebieg fal mózgowych α. [21].

22

Rysunek 10: Przebieg fal mózgowych β. [21].

Rysunek 11: Przebieg fal mózgowych γ. [21].

• Fale piłokształtne

Fale piłokształtne (ang. sawooth waves) występują podczas snu REM i są

definiowane jako pojedyncze lub zgrupowane po kilka, fale o częstotliwości od

do 10 Hz. Ich amplituda wynosi kilkadziesiąt µV [21].

• Wierzchołkowe fale ostre

Wierzchołkowe fale ostre (ang. Vertex shap waves) można zaobserwować w koń-

cowej fazie snu płytkiego. Ich amplituda często osiąga 125 µV [21].

• Iglice

Iglice (ang. spikes) charakteryzują się ostrym wierzchołkami, po których często

następują fale wolne. Czas trwania pojedynczej iglicy wynosi od 20 do 70 ms.

Iglice występują w czasie senności i w trakcie płytkiego snu. Spotykane są

głównie w okresie dojrzewania u dzieci w wieku od 12 do 13 lat [21].

• Kompleksy K

Kompleksy K (ang. K-complexes) mogą występować pojedynczo lub w seriach

po dwa podczas umiarkowanego głębokiego snu. Są one związane z wrzecio-

nami snu i definiowane są jako dwufazowa, wysokonapięciowa, niskoczęsto-

tliwościowa fala, której czas trwania przekracza 0,5s. Mogą pojawiać się jako

odpowiedz na bodźce lub powstawać spontanicznie [21], [46]. Kompleksy K ob-

serwuje się głównie podczas 2 oraz 3 fazy snu NREM. U osób cierpiących na

23

zaburzenia oddychania podczas snu występuje zwiększona liczba kompleksów

K, pojawiająca się wraz z końcem wysiłku oddechowego. Uważa się, że kom-

pleksy K pełnią ważną funkcję regulacji snu. Ich obecność prowadzi do lekkiego

wybudzenia i w ten sposób możliwe jest przywrócenie drożności górnych dróg

oddechowych [49], [50].

• Wrzeciona snu

Wrzeciona snu (ang. Sleep Spindle) są to salwy o częstotliwości 12–14 Hz

i czasie trwania 0,5–1,5 s. Amplituda zmienia się nieznacznie w zależności

od lokalizacji odprowadzeń. Aktywność ta jest charakterystycznym elementem

snu wolnofalowego. Wrzeciona snu często występują razem z Kompleksami

K [21], [46]. Na Rys. 12 przedstawiono schematyczny przebieg wrzeciona snu

i kompleksu K.

Rysunek 12: Schematyczny przebieg wrzeciona snu i kompleksu K [21].

2.4.4 Wzbudzenia podczas snu

Wzbudzenia (ang. Arousal) występujące podczas snu są definiowane jako nagłe zmia-

ny czynności EEG obejmujące fale α, θ oraz fale szybkie (>16 Hz), ale nie wrzeciona

snu. Zmiana ta trwa co najmniej 3 sekundy i poprzedzona jest okresem stabilnego

snu trwającego przynajmniej 10 sekund . Wzbudzenie jest generowane bezpośrednio

przez korę mózgową jako odpowiedź na bodźce wewnętrzne lub zewnętrzne, takie jak

przerwy w oddychaniu, hałaśliwe otoczenie, zmiana ciśnienia krwi lub tętna. W cią-

gu ostatnich 20 lat coraz więcej dowodów wskazuje na ścisły związek przebudzeń

z patofizjologią zaburzeń snu. Według American Academy of Sleep Medicine wzbu-

dzenia są markerami wskazującymi szkodliwy i nieefektywny sen. Prowadzą one do

24

jego fragmentacji i zazwyczaj ich obecności towarzyszy wzrost ciśnienia tętniczego,

zwiększenie częstotliwości rytmu serca, zwiększenie napięcia mięśniowego oraz przy-

spieszeniem oddechu [5]. Zaobserwowano również związek pomiędzy wzbudzeniami

i kompleksami K.

2.5 Miara synchronizacji ERD/ERS

Eksperymenty wykonywane za pomocą encefalografii można podzielić na dwie gru-

py: rejestrację spontanicznej aktywności mózgu oraz badanie zmian aktywności pod

wpływem różnych bodźców. Bodźce mogą być pochodzenia zewnętrznego (wzroko-

we, czuciowe, dźwiękowe) lub wewnętrznego. W przypadku związku fazowego reak-

cji na bodziec z momentem jego wystąpienia mówi się o potencjałach wywołanych

(ang. Event Related Potential, ERP) lub polach wywołanych (ang. Even Related

Field, ERF). Odpowiedzi związane z bodźcem (ang. Event Related EEG responses)

definiowane są jako krótko–czasowa zmiana amplitudy aktywności rytmicznej: syn-

chronizacji (ang. Event Related Synchronization, ERS) lub desynchronizacji (ang.

Event Related Desynchronization, ERD) mocy. W odróżnieniu od ERP, faza tych

potencjałów nie jest związana z bodźcem [21].

Terminy ERS/ERD związane są z fizjologiczną interpretacją zmian mocy sygnału

w wybranych pasmach częstotliwości. Jednym z doświadczeń, które dobrze obrazuje

zjawisko ERS oraz ERD jest świadomy ruch palcem. Uzyskane wyniki wskazują na

desynchronizację w paśmie α ok. 2s przed ruchem. Rytm β zanika przed wystąpie-

niem bodźca, po czym następuje jego synchronizacja. Dodatkowo, występuje wzmo-

żona aktywność w paśmie γ na krótko przed rozpoczęciem ruchu [51]. Na podstawie

przeprowadzonych eksperymentów motorycznych i kognitywistycznych zaobserwo-

wano, że zmiany aktywności rytmicznej związanej z bodźcem wynikają z różnych

mechanizmów neurofizjologicznych.

W 1979 roku Pfurtscheller zaproponował sposób estymowania ERD i ERS. Pierw-

szym krokiem tej metody jest przefiltrowanie sygnału w wybranym paśmie często-

tliwości. Następnym etapem jest wyrównanie wszystkich realizacji względem mo-

mentu wystąpienia bodźca. Moc chwilowa sygnału obliczana jest przez podniesienie

do kwadratu wartości każdej próbki sygnału. Kolejnym krokiem jest uśrednienie

mocy chwilowej po realizacjach i wygładzenie otrzymanego przebiegu filtrem dolno-

przepustowym [51]. Względna zmiana mocy obliczana jest zgodnie z następującym

wzorem:

ERD/ERSf (t) =Pf (t)−Rf

Rf

, (1)

25

gdzie: Pf to średnia moc chwilowa w paśmie częstości f , a Rf jest średnią mocą w pa-

śmie f w okresie referencyjnym. Na Rys. 13 przedstawiono kolejne kroki estymacji

mocy sygnału EEG.

Rysunek 13: Estymacja zmian mocy sygnału EEG w dziedzinie czasu: a) przy-

kładowy zapis jednej z realizacji, b)przefiltrowany sygnał w paśmie 15–25 Hz,

c)przefiltrowany sygnał podniesiony do kwadratu, d)uśredniony po realizacjach prze-

bieg mocy pasmowej w czasie, e) wygładzony przebieg, f) względna zmiana sygnału

w odniesieniu do okresu referencyjnego [21].

26

3 PRZEGLĄD LITERATURY3.1 Metody badania korelacji sygnału EEG z bezde-

chem sennym.

Badanie encefalograficzne jest niezbędne w diagnozie wszelkiego rodzaju zaburzeń

snu i chorób neurologicznych. Określenie schorzenia polega na analizie zmian zacho-

dzących w sygnale EEG: zaniku lub wzmożonej aktywność niektórych fal, dyspro-

porcji stadiów czy występowanie anormalnego profil snu. W ciągu kilku ostatnich lat

powstało wiele narzędzi służących do automatycznego rozpoznawania OSA, opiera-

jących się na analizie spektralnej sygnałów EEG oraz EKG.

Sygnał encefalograficzny pochodzący z badania nocnego charakteryzuje się spe-

cyficznymi przebiegami, które odpowiadają danym fazom snu. Dzięki obliczeniu mo-

cy w danych pasmach sygnału EEG możliwe jest zaobserwowanie zmian zachodzą-

cych w korze mózgowej dla tych pasm w określonych momentach czasu bezdechu

sennego [52]. Istnieją również algorytmy służące do detekcji OSA na podstawie sy-

gnału EKG [53]. Najczęściej stosowanymi metodami do obliczania widmowej gęstości

mocy sygnału jest algorytm szybkiej transformat Fouriera (ang. Fast Fourier Trans-

form, FFT), model autoregresji (ang. Autoregressive, AR) oraz ciągła transformata

falkowa. [52].

Algorytm FFT był używany przez kilkoro badaczy w celu detekcji oraz klasyfi-

kacji bezdechu sennego [54], [55]. Metoda oparta na FFT jest szybka i stosunkowo

prosta w implementacji, jednakże posiada pewne wady. Problem mogą stanowić wy-

razy mieszane, które utrudniają odróżnienie dwóch blisko siebie położonych struktur

[52]. Kolejną wykorzystywaną metodą jest model AR, który w większości wypad-

ków bardzo dobrze sprawdza się dla sygnałów EEG. Otóż teoretyczne widmo takiego

modelu ma postać pewnej liczby składowych o określonym zakresie częstości na tle

szumowym co dobrze odpowiada „rytmom” zawartym w prawdziwym sygnale [56].

Olbrich et al. [57] zastosowali model AR w celu detekcji wrzecion snu i fal δ.

W ciągu ostatnich lat powstało wiele prac w których analizowane są parametry

wrzecion snu u osób cierpiących na OSA. Jedną z najczęściej stosowanych metod

służących do detekcji wrzecion jest algorytm dopasowania kroczącego (ang. Mat-

ching Pursuit, MP). Metoda ta polega na rozkładzie sygnału na funkcje składowe

pochodzące z określonego zbioru. Dzięki zastosowaniu algorytmu MP możliwe jest

lepsze odwzorowanie słabych struktur oraz uzyskanie dokładnej informacji na te-

mat składowych sygnału. Dużą zaletą jest również brak wyrazów mieszanych, które

występowały w przypadku spektrogramu. Metoda ta jednak jest bardzo złożona ob-

28

liczeniowo i trudna w implementacji [58]. Algorytm MP został wykorzystany przez

kilkoro badaczy do automatycznej detekcji wrzecion u osób z zaburzeniami snu [59],

w szczególności cierpiącymi na bezdech senny [60], [61]. Algorytm FFT znalazł rów-

nież zastosowanie w badaniu różnic w częstotliwości wrzecion snu u pacjentów z bez-

dechem sennym i grupy kontrolnej [62].

Do oceny zmiany mocy sygnału EEG stosowane są również algorytmy oparte na

sztucznych sieciach neuronowych (ang.Artificial Neural Networks, ANN). Shimada

et al. [63] rozwinęli model sztucznych sieci neuronowych pozwalający na detekcję

kilku charakterystycznych fal występujących podczas snu. Model ten znalazł za-

stosowanie w detekcji faz snu. Tagluk et al. [64] stworzyli narzędzie do klasyfikacji

bezdechu sennego wykorzystując metodę transformaty Falkowej i sztucznych sieci

neuronowych.

3.2 Zmiany mocy w sygnale EEG podczas epizodubezdechu sennego.

Charakterystyki spektralne sygnału EEG dla pacjentów z OSA były już badane

przez kilka grup naukowców [11], [12], [13], [14], [15], [16], [17]. Zaobserwowano zmia-

ny w widmie sygnału EEG podczas epizodu bezdechu sennego, jednak otrzymane

wyniki nie są jednoznaczne.

Dingli et al. [11] potwierdzili hipotezę, mówiącą o zmianach aktywności kory mó-

zgowej na końcu bezdechu sennego, pomimo niewidocznych zmian w sygnale EEG.

W celu obserwacji zmian aktywności mózgowej przeprowadzono analizę spektralną

na 10–sekundowych odcinkach sygnału, przed i po zakończeniu bezdechu. Głównym

celem [11] było zbadanie i ulepszenie detekcji zmian w sygnale EEG na końcu epi-

zodu bezdechu. Badanie wykonano dla piętnastu pacjentów cierpiących na OSA.

Wyniki eksperymentu świadczą o znaczącym spadku mocy w paśmie θ. Spadek

mocy w paśmie θ, zaobserwowano również w przypadku gdy wybudzenie nie było

widoczne.

Svanborg i Guilleminaulta wykorzystując algorytm FFT wykonali analizę spek-

tralną sygnału EEG dla piętnastu pacjentów z OSA. Wynikiem doświadczenia był

zauważalny wzrost mocy w paśmie δ podczas fazy NREM. W przypadku fazy REM

badacze nie zaobserwowali wzrostu aktywności fal δ. Przyczynę wzrostu aktywności

fal δ podczas fazy NREM wytłumaczyli występowaniem wzbudzeń, które poprze-

dzone są wolnymi falami EEG [15]. Zmiany mocy δ były również tematem badań

prowadzonych przez Berrego et al. [13]. Zaobserwowali oni cykliczny wzrost w paśmie

δ, który był skorelowany ze wzrostem wysiłku oddechowego podczas fazy NREM.

29

Black et al. [12] badali grupę piętnastu pacjentów cierpiących na zespół zwięk-

szenia oporu górnych dróg oddechowych (ang. Upper Airway Resistance Syndrome,

UARS). Za pomocą algorytmu FFT analizowali 26–sekundowe odcinki, podczas któ-

rych wystąpił wzrost ciśnienia w przełyku w górnych drogach oddechowych. Podob-

nie jak u Berrego et al. [30] widoczny był wzrost w paśmie δ. Dodatkowo grupa ta

odnotowała wzrost aktywności fal α i θ. Uzyskane wyniki nie są jednak jednoznacz-

ne ponieważ inne grupy naukowców odnotowały również spadek mocy w paśmie

δ poprzedzony wybudzeniem, kończącym epizod bezdechu [14], [16].

Morisson et al. [17] za pomocą metody FFT wykonał analizę spektralną szesnastu

kanałów EEG (Fp1, Fp2, F3, F4, F7, F8, C3, C4, P3, P4, O1, O2, T3, T4, T5, T6)

podczas fazy REM i stanu czuwania u pacjentów cierpiących na bezdech senny.

Badania przeprowadzone były dla grupy 21 osób i porównane z dziesięcio–osobową

grupą kontrolną. U osób z OSA zaobserwowano spowolnienie fal EEG podczas fazy

snu REM w przedniej, centralnej i ciemieniowej części głowy oraz we wszystkich

obszarach w trakcie stanu czuwania.

Xiromerit et al. [65] szukali korelacji pomiędzy zmianami zachodzącymi w sy-

gnale EEG i stanem zaawansowania OSA. Celem pracy było również sprawdzenie

wpływu aparatów CPAP na leczenie. Badana grupa składała się z 30 osób zdrowych

i 131 cierpiących na OSA. Przeprowadzono analizę FFT szesnastu kanałów (Fp1,

Fp2, F3, F4, F7, F8, C3, C4, P3, P4, O1, O2, T3, T4, T5 i T6). Wyniki ekspery-

mentu wskazują, że u pacjentów chorych na OSA następuje wzrost aktywności fal θ

oraz δ w części potylicznej, skroniowej i ciemieniowej czaszki. Wyższa moc w tych

pasmach jest skorelowana ze stopniem zaawansowania choroby i poczuciem senności

w ciągu dnia. Po 6 miesiącach terapii CPAP zaobserwowano poprawę u pacjentów

z OSA. Aktywność fal θ i α zmniejszyła się, natomiast nastąpił wzrost fal β i δ.

Walsebenen et al. [16] odnotowali ogólny spadek mocy sygnału EEG podczas

trwania bezdechu sennego, który miał związek ze stopniem hipoksemii.

3.3 Brain mapping.

W ciągu ostatnich latach rozwinęły się techniki przestrzennego obrazowania parame-

trów sygnału EEG (amplitudy, częstotliwości, mocy spektralnej), które zazwyczaj są

nanoszone na schematyczny rysunek głowy. Technika ta pozwala na obserwacje ak-

tywności danych części mózgu podczas wybranych momentów snu pacjenta. Wartość

amplitudy zmierzonej w danych kanałach reprezentowana jest poprzez skalę kolo-

rów. Miejsca, w których nie wykonano pomiaru są interpolowane tak aby uzyskać

ciągły obraz.

30

Naukowcy od lat badają topograficzne aspekty EEG snu. Zeithofer et al [66]

zaobserwowali zmiany częstotliwości w różnych jego stadiach. Uzyskane przez nich

wyniki wskazują na wzrost mocy δ podczas przejścia z fazy N1 do N2 oraz spadek

mocy α w obszarze ciemieniowego i potylicznego płata czaszki. Walsleben et al. [16]

wykonali mapy widmowej gęstości mocy sygnału EEG podczas epizodu OSA i zaob-

serwowali spadek mocy podczas epizodu bezdechu sennego. Coito et al. [67] badali

moc sygnału EEG w pasmach: δ, θ, α, β, przed, w trakcie i po epizodzie bezdechu

sennego. Za pomocą metody Brain Mapping wykonali mapy przedstawiające różnice

mocy w danych regionach mózgu. Otrzymane wyniki tego eksperymentu wskazują na

znaczny spadek mocy w paśmie δ podczas epizodu OSA. Dodatkowo moc zmniejsza

się w konkretnych rejonach mózgu dla wszystkich pasm częstotliwości.

3.4 Analiza parametrów wrzecion snu u osób z OSA.

Olbrich et al. [57] zastosowali model AR w celu detekcji wrzecion snu i fal δ. Czę-

stotliwość pojedynczych wrzecion snu była badana przez Himanena et al. [62]. Eks-

peryment został przeprowadzony na grupie dwunastu osób cierpiących na bezdech

senny a następnie uzyskane wyniki zostały porównane z grupą kontrolną. Z sygnału

zostały wycięte fragmenty zawierające wrzeciona snu. Wykorzystując metodę FFT

została zbadana ich częstotliwość. Badania pokazują, że wrzeciona snu pochodzące

od osób cierpiących na OSA charakteryzują się niższą częstotliwością niż te wykona-

ne dla grupy kontrolnej. Częstotliwość wrzecion w środkowej części fazy snu NREM

zwiększa się do końca badania u grupy kontrolnej. U pacjentów z zaburzeniami OSA

nie zaobserwowano takiej zależności. Niska częstotliwość wrzecion snu u pacjentów

z bezdechem sennym może wskazywać na zaburzenia struktury snu. Toledo et al.

[70] za pomocą metody MP badali korelację pomiędzy występowaniem wrzecion snu

w różnych kanałach u pacjentów z OSA.

31

4 METODY4.1 Polisomnografia

Sygnał wykorzystany w pracy pochodzi z badania polisomnograficznego przeprowa-

dzonego w Klinice Otolaryngologii Warszawskiego Uniwersytetu Medycznego. W ba-

daniu uczestniczyło dwóch mężczyzn w wieku 56 i 64 lat. W Tabeli 1 przedstawiono

dane pacjentów a także czasy trwania badań.

wzrost waga obwód szyi wiek czas trwania badania

Pacjent JG 164 cm 92 kg 45 cm 56 lat 7h 30min

Pacjent RK 171 cm 101 kg 45 cm 64 lat 7h 39min

Tabela 1: Dane pacjentów biorących udział w badaniu.

4.1.1 Rejestracja sygnału

Do rejestracji sygnałów polisomnograficznych wykorzystano oprogramowanie PSG

TWIn 4.5. firmy Grass Technologies. Elektrody miseczkowe EEG rozmieszczono

zgodnie z systemem 10–20. W celu uzyskania mniejszej oporności elektrod zastoso-

wano pastę NuPrep. Podczas badania zarejestrowano sygnały z następujących elek-

trod EEG: F3, F4, C3, C4, O1, O2. Jako referencję użyto sygnału z uszu: M1 i M2.

Sygnał przefiltrowano filtrem górnoprzepustowym 70 Hz oraz filtrem dolnoprzepu-

stowym 0,5 Hz. W celu pozbycia się artefaktów pochodzących od sieci zasilającej

użyto tzw. Notch filter, którego zadaniem było usunięcie przebiegu o częstotliwości

50 Hz. Częstotliwość próbkowania sygnału wynosiła 200 Hz.

Dodatkowo rozmieszczono elektrody EKG, EMG, EOG. Sygnał EOG został za-

rejestrowany za pomocą dwóch elektrod E1 i E2, które umieszczono 1 cm poniżej

zewnętrznego kącika lewego oka (E1) i 1 cm powyżej zewnętrznego kącika prawe-

go oka (E2). W celu rejestracji EMG rozmieszczono 3 elektrody: 1 cm centralnie

powyżej krawędzi żuchwy, 2 cm poniżej krawędzi żuchwy i 2 cm w prawo od linii

środkowej, 2 cm poniżej krawędzi żuchwy i 2cm w lewo od linii środkowej. W ce-

lu monitorowania ruchów nóg rozmieszczono dwie elektrody na mięśniu piszczelo-

wym. Zadaniem czujników oddechowych był pomiar: przepływu powietrza przez nos

(AIRFLOW), ruchów klatki piersiowej (CHEST) i brzucha (abd) a także badanie

intensywności chrapania (SNORE). Dodatkowo zarejestrowano sygnał z pulsoksy-

32

metru (SaO2), latencję (LAT) i czujnika określającego pozycję ciała pacjenta (Pos).

Na Rys. 14 przedstawiano rozmieszczenie elektrod zastosowanych podczas badania.

Wykorzystane elektrody zostały oznaczone kolorem czerwonym.

Rysunek 14: Rozmieszczenie elektrod EEG zastosowanych podczas badania polisom-

nograficznego.

4.1.2 Wybór fragmentów do analizy

Zarejestrowany sygnał poddano analizie za pomocą oprogramowania PSG TWIn

4.5.1. Program automatycznie wyznaczył hipnogram, oznaczył momenty wystąpie-

nia bezdechu oraz jego rodzaje. Dodatkowo wynik działania programu został zwe-

ryfikowany przez technika medycznego. Z całonocnego badania snu dwóch osób,

wybrano fragmenty zawierające bezdech typu obturacyjnego kończący się wzbudze-

niem pacjenta. Fragmenty te pochodziły z dwóch różnych faz snu: REM i NREM.

Epizody bezdechu najczęściej pojawiają się podczas drugiego stadium fazy NREM,

dlatego jako reprezentację fazy NREM wybrano to stadium. Następnie sygnał po-

cięto tak aby zawierał epizody bezdechu i 10–sekundowe odcinki referencyjne przed

i po jego wystąpieniu. Fragmenty zawierające artefakty nie zostały uwzględnione

w analizie. W ten sposób uzyskano 9 odcinków z fazy snu REM i 20 z fazy NREM

(N2).

33

Na Rys. 15 przedstawiono sygnał z czujnika AIRFLOW wraz z zaznaczonymi mo-

mentami początku i końca bezdechu.

Rysunek 15: Fragment sygnału zawierający obturacyjny bezdech senny z zazna-

czonymi momentami początku i końca. Sygnał pochodzi z 2 stadium snu NREM

pacjenta JK.

4.1.3 Format danych

Dane zapisano w formacie *.txt. W pierwszym wierszu znajduje się informacja o czę-

stotliwości próbkowania i liczbie wykorzystanych kanałów. Kolumny reprezentują

kanały, a wiersze odpowiadają kolejnym próbkom. Kanały są przedstawione w nastę-

pującej kolejności: E1-M2, E2-M1, F3-M2, F4-M1, C3-M2, C4-M1, O1-M2, O2-M1,

CHIN1-CHIN2, ECG, HR, SNORE, AIRFLOW, ABD, SaO2, LAT, RAT, Pos. Od

kanałów E1, F3, C3, O1 został odjęty sygnał pochodzący z lewego ucha (M2) a od

kanałów E2, F4, C4, O2 z prawego (M1). Wydruk pliku tekstowego zawierającego

dane pochodzące z badania przedstawiono na Rys. 16.

Rysunek 16: Wydruk pliku tekstowego zawierającego dane pochodzące z badania.

34

4.2 Metody analizy sygnału

4.2.1 Transformata Fouriera

Transformata Fouriera (ang. Fourier Transform) jest narzędziem matematycznym

służącym do przekształcenia przebiegu sygnału okresowego z dziedziny czasu do

dziedziny częstotliwości. Sygnał poddany transformacji Fouriera rozkładany jest na

szereg funkcji okresowych tak, że uzyskana transformata podaje w jaki sposób po-

szczególne częstotliwości składają się na pierwotną funkcję. Przekształcenie to jest

bezstratne wiec funkcja może zostać zrekonstruowana ze swojej transformaty Fo-

uriera, która wyrażona jest za pomocą następującego wzoru [69]:

F (s) =∞∫−∞

f(x)e−2πixsdx. (2)

Przekształcenie odwrotne do transformaty Fouriera można opisać zależnością [69]:

f(x) =∞∫−∞

F (s)e2πixsdx. (3)

Transformacja Fouriera najczęściej używana jest do znajdowania globalnych cech

sygnałów stacjonarnych.

Dla sygnałów dyskretnych stosuje się Dyskretną Transformatę Fouriera (ang. Discre-

te Fourier Transform, DTF) będącą transformatą wyznaczoną dla sygnału dyskret-

nego. DTF przekształca skończony ciąg próbek sygnału (x0, x1, x2, ..., xN−1) w ciąg

harmonicznych (X0, X1, X2, ..., XN−1) zgodnie ze wzorem [70]:

X(k) =N−1∑n=0

xne−i 2π

Nkn, (4)

gdzie: k = 0, ..., N − 1, i jest jednostką urojoną, k numerem harmonicznej, n ozna-

cza numer próbki sygnału, an wartość tej próbki, natomiast N jest liczbą próbek

sygnału.

4.2.2 Krótko–czasowa transformata Fouriera

Tradycyjna analiza częstotliwościowa w zastosowaniu do sygnałów niestacjonarnych

nie daje dobrych rezultatów. W tym przypadku należy zastosować analizę wyko-

rzystującą zarówno reprezentację czasową jak i częstotliwościową sygnału. Jest to

możliwe dzięki krótko–czasowej transformacie Fouriera (ang. Short Time Fourier

Transformation, STFT). Przekształcenie to może być rozumiane jako seria transfor-

mat Fouriera wykonanych na sygnale okienkowanym, gdzie położenie okna w czasie

35

w ramach jednej serii przesuwane jest monotonicznie. Krótko–czasowa transformata

Fouriera sygnału x(t) z oknem h(t) zdefiniowana jest następująco [70]:

Fx(τ, f ;h) =∞∫−∞

x(t)h∗(t− τ)e−2πitfdt. (5)

Do wyznaczenia pojedynczej składowej dla tradycyjnej transformaty Fouriera ko-

nieczna jest znajomość funkcji x(t) w całej dziedzinie. W przypadku krótko-czasowej

transformaty Fouriera wymagana jest znajomość x(t) tylko w określonym przedziale.

Dyskretna postać 31 przyjmuje następującą formę [70]:

X(τn, fk;h) = TpN−1∑i=1

x(ti)h∗(ti − τn)e−2πitifk , (6)

gdzie Tp jest okresem próbkowania sygnału.

Kształt okna czasowego h(t) odgrywa kluczową rolę w analizie STFT. Iloczyn szero-

kości okna w dziedzinie czasu i częstotliwości jest wielkością stałą, charakteryzującą

dane okno. Stąd też, zwiększając rozdzielczość w dziedzinie czasu, pogarszamy roz-

dzielczość w dziedzinie częstotliwości. W związku z tym szerokość okna musi być

wybrana drogą kompromisu. Jeśli okno czasowe ma skończoną energię Eh to STFT

jest transformatą odwracalną i można odzyskać z niej sygnał w reprezentacji czaso-

wej zgodnie z następującą zależnością [70]:

x(t) =1Eh

∞∫−∞

∞∫−∞

Fx(τ, f ;h)h(t− τ)ei2πtfdtdf, (7)

gdzie:

Eh =∞∫−∞

|h(t)|2dt. (8)

Widmo amplitudowe sygnału dla każdej chwili t, dla której sygnał jest określony,

wyznaczone z wykorzystaniem STFT może być reprezentowane za pomocą spek-

trogramu. Spektrogram jest kwadratem modułu STFT i stanowi estymatę energii

w przestrzeni czas–częstotliwość. Można go opisać następującą zależnością [69], [70]:

Sp(τ, f) =

∣∣∣∣∣∣∞∫−∞

x(t)h∗(t− τ)e−i2πtfdt

∣∣∣∣∣∣2

. (9)

36

4.2.3 Ciągła transformata falkowa

Ciągła transformata falkowa (ang. Continuous Wavelet Transform, CWT) umoż-

liwia jednoczesne przedstawienie czasowych oraz częstotliwościowych własności sy-

gnałów i prowadzi do aproksymacji sygnałów przez wyodrębnienie ich charaktery-

stycznych elementów strukturalnych. CWT wyrażona jest za pomocą następującego

wzoru [71]:

Px(t, a;ψ) =∞∫0

x(s)ψ∗t,a(s)ds, (10)

gdzie:

ψt,a(s) =1√|a|ψ(s− ta

). (11)

W odróżnieniu od transformacji Fouriera, CWT dokonuje rozbicia sygnału na frag-

menty zwane falkami. Są to przebiegi ciągłe, oscylacyjne o różnych czasach trwania

i o zróżnicowanym widmie. Rodzina falek wykorzystana w transformacie musi speł-

niać założenia: falki są ortogonalne oraz ich średnia wynosi 0. CWT można inter-

pretować jako rzutowanie sygnału na kolejne wersje falki podstawowej (ang. mother

wavelet ) ψ przesunięte o t i przeskalowane o stałą a [72].

Analogicznie jak dla STFT i spektrogramu, dla CWT można wprowadzić pojęcie

skalogramu, będącego estymatą gęstości energii w przestrzeni czas-skala. Skalogram

można opisać następująco [71]:

Sk(t, a;ψ) = |Px(t, a;ψ)|2. (12)

Dla falek dobrze skupionych wokół częstości f0 i skali a0 = 1, spełniona jest zależność

[73], [74]:

f =f0

a. (13)

Uwzględniając relację 13, wzór 12 przekształcono w reprezentację czas–częstotliwość

do następującej postaci [73]:

Sk(t, f ;ψ) = |Px(t, f0/f ;ψ)|2. (14)

37

Istotną różnicą pomiędzy CWT a STFT jest fakt, iż w przypadku CWT rozmiar

okna czasowo-częstotliwościowego nie jest stały lecz jest funkcją jego położenia na

płaszczyźnie skala – czas [73]. Różnice tą zilustrowano na Rys. 17.

Rysunek 17: Porównanie metod analizy CWT oraz STFT [73].

4.3 Statystyka map

Statystykę map czas–częstotliwość stosuje się w celu oceny istotności zmian mocy

sygnału związanej z bodźcem. Pierwszym etapem statystyki jest określenie poziomu

istotności α oraz sformułowanie hipotezy zerowej i alternatywnej. Kolejnym kro-

kiem jest wybranie rodzaju testu służącego do weryfikacji hipotezy. W tym celu,

można wykorzystać klasyczne metody parametryczne lub w przypadku braku in-

formacji o klasie rozkładu, metody nieparametryczne. Zazwyczaj rozkład energii

sygnału EEG nie spełnia założenia o normalności danych dlatego w celu weryfika-

cji hipotezy wybrano test nieparametryczny – bootstrap. Dokładny opis statystyki

map czas-częstotliwość przedstawionej w tym rozdziale został zaproponowany przez

Żygierewicza et al. w [75].

4.3.1 Hipoteza zerowa

W eksperymentach badających zjawisko ERS/ERD występuje N fragmentów (po-

wtórzeń) pewnego zdarzenia, składających się z odcinka referencyjnego tref poprze-

dzającego moment wystąpienia bodźca oraz analizowanego fragmentu tev, podczas

którego spodziewane są zmiany mocy sygnału. Zakłada się, że odcinek tref nie zo-

stał zaburzony przez bodziec. Dla każdego powtórzenia n = 1, ..., N estymowana

jest gęstość energii sygnału En(t, f). Zakładając hipotezę zerową, mówiącą o bra-

ku zmian dla danych współrzędnych czasowo-częstotliwościowych należy zmniejszyć

38

rozdzielczość okna (∆t×∆f). Pozwala to na podział płaszczyzny na resele rn(i, j).

Energię En(t, f) w kolejnych reselach rn(i, j) obliczono poprzez scałkowanie gęstości

energii obszaru zajmowanego przez pojedynczy resel zgodnie z następującą zależno-

ścią:

En(i, j) =(i+1)·∆t∫i·∆t

(i+1)·∆f∫i·∆f

En(t, f)dtdf. (15)

Następnie wyznaczono energię średniego resela E(i, j) ze wszystkich fragmentów

o współrzędnych (i, j) zgodnie ze wzorem:

E(i, j) =1N

∑n=1

NEn(i, j). (16)

Kolejnym etapem było obliczenie energii Eref (j) w okresie referencyjnym uśrednio-

nej po wszystkich realizacjach i chwilach czasu dla danej częstotliwości j według

wzoru:

Eref (j) =1

NNref

N∑n=1

∑i∈tref

En(i, j), (17)

gdzie Nref jest liczbą reseli dla danej częstotliwości w odcinku referencyjnym.

W celu znalezienia obszaru, na którym wystąpiły istotne zmiany mocy związane

z wystąpieniem bodźca sformułowano hipotezę zerową H i,j0 oraz hipotezę do niej

przeciwną H i,j1 :

H i,j0 : E(i, j) = Eref (j), (18)

H i,j1 : E(i, j) 6= Eref (j). (19)

4.3.2 Weryfikacja hipotezy

Pierwszym etapem weryfikacji hipotezy było wybranie poziomu istotności α określa-

jącego prawdopodobieństwo popełnienia błędu polegającego na odrzuceniu hipotezy

zerowej, która w rzeczywistości jest prawdziwa. Jest to zatem maksymalny dopusz-

czalny błąd. Do porównania próby reprezentującej odcinek referencyjny Eref (j) oraz

odcinek, w którym spodziewane są zmiany E(i, j) wykorzystano statystykę t. W tym

celu wprowadzono zmienną t(i, j) opisaną wzorem:

t(i, j) =Eref (j)− E(i, j)

s∆, (20)

39

gdzie s∆ jest wariancją łączoną dla obu prób będącą średnią ważoną estymatorów

wariancji poszczególnych prób. W przypadku porównywania dwóch prób wariancja

łączona przyjmuje następującą postać:

s∆ =NsN

2 +Nref · sref 2

N ·Nref

, (21)

gdzie: sN oraz sNref to estymatory wariancji dla odcinka referencyjnego i badanego.

Szacowanie nieznanych parametrów rozkładu statystyki t wartości energii En(i, j)

przeprowadzono za pomocą metody bootstrap (resampling). Bootstrap należy do

grupy metod nieparametrycznych i może być stosowany zarówno w przypadku prób

o małej liczbie elementów, jak i dla dużych prób [78]. W tym celu wykorzystano

wzór 20 oraz dane z odcinka referencyjnego dla danej częstotliwości j zgodnie z na-

stępującą procedurą:

• ze zbioru En(i, j) dla i ∈ tref wylosowano z powtórzeniami próbę A o rozmiarze

N oraz próbę B o rozmiarze N ·Nref ,

• obliczono t zgodnie ze wzorem 20 uzyskując:

tresamp(j) =EA − EBsAB

. (22)

Powyższe kroki powtórzonoNrep razy. Uzyskany w ten sposób zbiór wartości tresamp(j)

reprezentuje rozkład Tresamp(j). Następnie dla każdego resela wartości t(i, j) porów-

nano z otrzymanym rozkładem, uzyskując prawdopodobieństwo testowe p(i, j) zgod-

nie z zależnością:

p(i, j) = 2 min{P (Tresamp(j) ­ t(i, j)), 1− P (Tresamp(j) ­ t(i, j))}. (23)

Względny błąd p dany jest następującym wzorem:

err =σpp

=

√√√√(1− p)pNrep

. (24)

W ostatnim etapie wartość p(i, j) porównano z ustalonym poziomem istotności α. Je-

śli spełniony jest warunek:

p(i, j) > α, (25)

to nie ma podstaw do odrzucenia hipotezy zerowej. W przeciwnym wypadku hipotezę

należy odrzucić [76].

40

4.3.3 Problem wielokrotnych porównań

Podczas analizy statystycznej danych EEG często występuje problem wielokrotnych

porównań. Jego istotą jest wzrost błędu I rodzaju podczas wielokrotnego testowania

hipotezy, co oznacza, że prawdopodobieństwo odrzucenia hipotezy zerowej, gdy jest

prawdziwa, wzrasta. W celu eliminacji problemu wielokrotnych porównań można

zastosować poprawkę Bonferroniego polegającą na pomnożeniu każdego z prawdo-

podobieństw testowych przez całkowitą liczbę przeprowadzonych badań (lub po-

dzieleniu poziomu istotności przez tą liczbę). Podejście to w większości przypadków

jest zbyt rygorystyczne [76]. Innym rozwiązaniem jest wprowadzenie współczynnika

FDR (ang. False Discovery Rate) opisanego zależnością:

FDR =m

m0, (26)

gdzie m jest liczbą wszystkich odrzuconych hipotez zerowych, a m0 jest liczbą odrzu-

conych hipotez zerowych, które w rzeczywistości były prawdziwe. Jeśli wartość FDR

podczas wykonywania wielokrotnego testowania hipotezy wynosi założoną wartość

α pewnym jest, że wartość α nie wzrosła. Benjamini i Yekutieli w 2001 roku zapro-

ponowali sposób kontroli wartości FDR tak aby [77]:

FDR ¬ α. (27)

Metoda ta polega na wyborze prawdopodobieństwa pk, spośród wszystkich prawdo-

podobieństw pl, l ∈ 〈1;m〉, spełniającego poniższą nierówność:

k = max

l : pl ¬l

m∑mx=1

1x

q

. (28)

Weryfikacja hipotezy polega na sprawdzeniu następującego warunku:

p(i, j) ¬ pk. (29)

Jeśli powyższy warunek jest spełniony to hipoteza zerowa jest odrzucana.

41

W pracy resele r(i, j) uznano za istotne statystycznie jeśli hipoteza zerowa H i,j0

jest odrzucona korzystając z zależności 29. Ze zbioru reseli uznanych za istotne sta-

tystycznie rysowana jest mapa wartości ERD/ERS zgodnie z poniższą zależnością:

ERD/ERS(i, j) =E(i, j)− Eref (j)

Eref (j)(30)

42

5 OPIS OPROGRAMOWANIAPowstałe w ramach pracy oprogramowanie służy do badania korelacji bezdechu sen-

nego z sygnałem elektroencefalograficznym. W celu analizy zmian widmowej gęsto-

ści mocy w czasie wykorzystano krótko-czasową transformatę Fouriera oraz ciągłą

transformatę falkową. Ponadto przeprowadzono analizę średniej mocy sygnału na

odcinkach przed, w trakcie i po epizodzie bezdechu sennego. Dodatkowo estymowa-

no zmiany mocy sygnału w dziedzinie czasu korzystając z metody zaproponowanej

przez Pfurtschellera w 1979 roku.

Oprogramowanie zrealizowano w środowisku Python 2.7. Składa się ono z dwóch

głównych części: aplikacji wraz z interfejsem oraz moduł dodatkowego służącego do

uśredniania map czas–częstotliwość i estymowania zmiany mocy sygnału w dziedzi-

nie czasu. Interfejs graficzny aplikacji zrealizowano przy użyciu zestawu przenośnych

bibliotek dedykowanych dla języka Python Qt 4.8.. W celu wizualizacji czasowych

przebiegów sygnału wykorzystano biblioteki QWT. Do zdefiniowania graficznego in-

terfejsu użytkownika wykorzystano aplikację Qt Designer. Interfejs składa się z pię-

ciu zakładek (Signal Waveforms, CWT, STFT, Moc, Setup) odpowiadających za

wymienione funkcje.

5.1 Struktura Aplikacji

Aplikację podzielono na trzy moduły. Zadaniem pierwszego jest wizualizacja 19 ka-

nałów pochodzących z badania polisomnograficznego. Moduł drugi służy do wy-

konania map czas–częstotliwość przy pomocy STFT oraz CWT. Obliczenie mocy

sygnału na wybranych odcinkach czasu jest możliwe dzięki trzeciemu modułowi.

Podział aplikacji na moduły ułatwia dodawanie nowych funkcji programu. Ponadto

wykorzystanie wielowątkowości znacznie przyśpiesza działanie programu, co może

być istotne w dalszych etapach rozwoju oprogramowania.

5.1.1 Moduł wizualizacji danych

Moduł umożliwia wczytanie fragmentu sygnału EEG zapisanego w pliku tekstowym

o długości zdefiniowanej przez użytkownika. Format pliku wejściowego narzucony

jest przez medyczne oprogramowanie PSG TWIn 4.5.1. W celu wczytania pliku

należy w zakładce Setup nacisnąć przycisk Selectfile oraz wybrać odpowiedni plik

z danymi. Zakładkę Setup przedstawiono jest na Rys. 18.

43

Rysunek 18: Okno zakładki Setup służącej do wczytania dowolnego fragmentu z pli-

ku.

Rysunek 19: Okno zakładki Singnal Waveforms służącej do wyświetlania sygnału

z kolejnych kanałów.

44

Zakres wyświetlanego sygnału definiowany jest w panelu Signal Range przy pomocy

pól START oraz STOP. Po zmianie zakresu sygnału, w celu uwzględnienia przez

aplikacje wprowadzonych zmian, należy nacisnąć przycisk Replot. Po wybraniu frag-

mentu w zakładce Signal Waveforms zostają wyświetlone sygnały ze wszystkich

kanałów. Interfejs modułu do wizualizacji sygnałów przedstawiono na Rys. 19.

5.1.2 Moduł analizy czasowo–częstotliwościowej

Zadaniem modułu jest wykonanie map czas–częstotliwość za pomocą STFT oraz

CWT. Algorytmy realizujące CWT, STFT oraz estymację mocy spektralnej zaim-

plementowano zgodnie ze wzorami podanymi w Rozdziale 4.2. Do implementacji

algorytmów realizujących mapy czas–częstotliwość wykorzystano biblioteki mate-

matyczne Numpy oraz Scipy. Algorytm FFT zaimplementowano w oparciu o moduł

fftpack z biblioteki Scipy. Do filtracji sygnałów użyto filtru Butterwortha z biblio-

teki Scipy. Filtrowanie cyfrowe odbywało się za pomocą funkcji filtfilt dostępnej

w pakiecie scipy.signal.

Po wczytaniu wybranego odcinka sygnału w zakładce CWT i STFT pojawiają

się mapy czasowo–częstotliwościowe. Dodatkowo pod każdym z wykresów umiesz-

czono oryginalny przebieg sygnału. Użytkownik ma możliwość wyboru kanału dzięki

polu znajdującym się w lewym dolnym rogu. Zakładki CWT i STFT przedstawiono

odpowiednio na Rys. 20 oraz Rys. 21.

45

Rysunek 20: Okno zakładki CWT przedstawiającej skalogram sygnału pochodzące-

go z elektrody F3.

Rysunek 21: Okno zakładki STFT przedstawiającej spektrogram sygnału pocho-

dzącego z elektrody F3.

46

5.1.3 Moduł estymacji mocy

Moduł estymacji mocy umożliwia obliczenie mocy spektralnej na 10–sekundowych

odcinkach przed, w trakcie i po bezdechu. Obliczoną moc unormowano do mocy

sygnału na odcinku przed bezdechem. W oknie apnea oraz post wyświetlona jest

odpowiednio moc sygnału w trakcie trwania bezdechu oraz na odcinku po bezde-

chu. Oprogramowanie umożliwia wybranie dowolnego kanału oraz obliczenie mocy

w zadanym paśmie. Moc obliczana jest po naciśnięciu przycisku Calc. Na Rys. 22

przedstawiono okno zakładki Moc.

Rysunek 22: Okno zakładki Moc pozwalającej na obliczenie mocy spektralnej na

10–sekundowych odcinkach przed, w trakcie i po epizodzie bezdechu sennego.

5.2 Opis modułu dodatkowego

Moduł dodatkowy służy do uśredniania map czas–częstotliwość oraz estymacji zmian

mocy sygnału w dziedzinie czasu. Moduł zaimplementowano tak aby możliwe było

wczytanie danych zapisanych w formacie stosownym dla aplikacji. Skrypt pozwa-

la na wczytanie dowolnej liczby sygnałów, których nazwy zapisane są w sektorze

signals. Parametry sygnału takie jak częstotliwość próbkowania, pasmo częstotliwo-

ści, długość sygnału oraz odcinek referencyjny definiowane są bezpośrednio w kodzie

skryptu.

47

Wydruk programu zawierający parametry analizy przedstawiono na Rys. 23:

Rysunek 23: Wydruk programu przedstawiający parametry analizy.

48

6 WYNIKIDane wykorzystane w pracy pochodzą z badania polisomnograficznego przeprowa-

dzonego dla dwóch pacjentów (JG oraz RK) w Klinice Otolaryngologii Warszaw-

skiego Uniwersytetu Medycznego. Z sygnału wybrano 20 fragmentów z drugiej fazy

NREM i 9 fragmentów z fazy REM. Fragmenty wyrównano względem momentu

wystąpienia bezdechu. Każdy z nich składa się z 10–sekundowego odcinka referen-

cyjnego i następujących po nich 10 s zawierających bezdech. Analizowany sygnał

pochodzi z elektrody F3. Za pomocą filtru Butterwortha 2 rzędu odfiltrowano czę-

stotliwości poniżej 0,5 Hz. Wyniki interpretowane są w wybranych pasmach często-

tliwości: δ (0,5-4 Hz) , θ (4-7 Hz), α (7-13 Hz), β (13-30 Hz).

6.1 Mapy CWT

Przedstawione w tym rozdziale uśrednione mapy wykonano przy pomocy CWT. Do

realizacji map czas–częstotliwość wykorzystano falki Morleta. Na Rys. 24 przedsta-

wiono mapę frgmentu sygnału zawierającego kompleks K.

Rysunek 24: a) Mapa CWT przedstawiająca Kompleks K. b) Oryginalny przebieg

sygnału.

49

Na Rys. 25 przedstawiono uśrednioną mapę (11 fragmentów) dla pacjenta JG po-

chodzącą z fazy NREM (N2).

Rysunek 25: Uśredniona mapa wykonana za pomocą CWT. Uśredniono 11 frag-

mentów sygnału z drugiej fazy snu NREM dla pacjenta JG. Pionowa linia oznacza

początek bezdechu sennego.

Zaobserwowano wyraźną aktywność w paśmie δ, podczas trwania epizodu bez-

dechu sennego. W pozostałych pasmach nie zauważono wyraźnych zależności.

Na Rys. 26 zamieszczono uśrednioną mapę (9 fragmentów) dla pacjenta RK z fa-

zy NREM. Podobnie jak w przypadku badanego JG zaobserwowano wyraźny wzrost

aktywności fal w paśmie δ. Na Rys. 27 przedstawiono uśrednioną mapę fragmentów

pochodzących od obu pacjentów z fazy NREM. Aktywność w paśmie δ jest najbar-

dziej widoczna od 15 s do 20 s. Podobną analizę przeprowadzono dla fazy REM.

Analizie podlegało 5 fragmentów pochodzących z badania pacjenta JG i 4 z ba-

dania pacjenta RK. Uśrednione mapy przedstawiono na Rys. 28–30. Dla pacjenta

JG zaobserwowano wyraźny wzrost pasma δ zaczynający się ok. 1 s przed momen-

tem wystąpienia bezdechu i trwającym do ok. 17 s. W przypadku badanego RK

zauważono również aktywność w paśmie δ podczas trwania bezdechu. Dodatkowo

zaobserwowano silną aktywność w paśmie α, która zanika na 1 s przed początkiem

bezdechu sennego. Mapa przedstawiona na Rys. 30 reprezentuje wszystkie 9 frag-

mentów pochodzących od obu pacjentów.

50

Rysunek 26: Uśredniona mapa wykonana za pomocą CWT. Uśredniono 9 fragmen-

tów sygnału z drugiej fazy snu NREM dla pacjenta RK.

Rysunek 27: Uśredniona mapa wykonana za pomocą CWT. Uśredniono 20 fragmen-

tów sygnału z drugiej fazy snu NREM dla obu pacjentów.

51

Rysunek 28: Uśredniona mapa wykonana za pomocą CWT. Uśredniono 5 fragmen-

tów sygnału z fazy snu REM dla pacjenta JG.

Rysunek 29: Uśredniona mapa wykonana za pomocą CWT. Uśredniono 4 fragmenty

sygnału z fazy snu REM dla pacjenta RK.

52

Rysunek 30: Uśredniona mapa wykonana za pomocą CWT. Uśredniono 9 fragmen-

tów sygnału z fazy snu REM dla obu pacjentów.

53

6.2 Statystyka map

Statystykę map czas-częstotliwość przeprowadzono zgodnie z procedurą przedstawio-

ną w rozdziale 4.3. W tym celu wykorzystano pakiet TFStats dostępny na stronie:

http://eeg.pl/Members/jarekz/tfstats-package. Statystyka została wykonana oddziel-

nie dla fazy REM oraz NREM. Jako odcinek referencyjny wybrano fragment sygnału

od 2 do 6 s zakładając, że obszar ten nie został zaburzony przez bodziec. Na Rys.

31 przedstawiono okno programu TFStats służącego do analizy statystycznej map

czas-częstotliwość.

Rysunek 31: Okno programu TFStats służącego do analizy statystycznej map czas–

częstotliwość.

Rozdzielczość czasową ustawiono na 0,2 s. natomiast rozdzielczość częstotliwościowa

obliczana jest według poniższego wzoru:

∆f =1

2∆t. (31)

W celu eliminacji problemu wielokrotnych porównań zastosowano poprawkę FDR,

z poziomem istotności α = 0, 05 (q). Parametr Nrep (number of bootstraps) wynosi

2 · 106. Do estymacji energii zastosowano skalogram oraz spektrogram.

Na podstawie przeprowadzonej analizy statystycznej map czas-częstotliwość dla

fazy REM oraz NREM, stwierdzono, że nie ma podstaw do odrzucenia hipotezy

zerowej. Nie oznacza to jednak, że zjawisko ERD/ERS nie zachodzi. Wykorzystany

54

w eksperymencie zbiór danych był niewielki dlatego podobną analizę należy prze-

prowadzić na dużym zbirze danych.

6.3 Moc chwilowa

robinson crusoe Estymację mocy chwilowej przeprowadzono zgodnie ze sposobem

zaproponowanym przez Pfurtschellera w 1979 roku. Metoda ta umożliwia obserwa-

cję zmian mocy w dowolnym momencie. Na Rys. 32 przedstawiono kolejne kroki

estymacji mocy fragmentu sygnału zawierającego kompleks K. Sygnał dodatkowo

przefiltrowano w paśmie δ. Na Rys. 32d zaobserwowano wyraźny wzrost mocy chwi-

lowej w momencie wystąpienia kompleksu K.

Rysunek 32: Estymacja mocy chwilowej fragmentu sygnału zawierającego kompleks

K.

Na Rys. 33 przedstawiono wykres estymacji zmian mocy sygnału pochodzącego

z fazy NREM dla obu pacjentów w wybranych pasmach częstotliwości (δ, θ, α).

W paśmie δ odnotowano wzrost mocy chwilowej od 15 s do 20 s .

55

Rysunek 33: Estymacja zmian mocy sygnału pochodzącego z fazy NREM dla obu

pacjentów, pasmo: a) δ, b) θ, c) α, d) 0,5–32 Hz.

Analizując Rys. 33 d) zaobserwowano wzrost mocy w tych samych momentach.

Na tej podstawie stwierdzono, że całkowita moc chwilowa również wzrosła, co jest

spowodowane wzrostem w paśmie δ. Na Rys. 33 c) zaobserwowano, że na odcinku

referencyjnym wartość mocy chwilowej w paśmie α jest wyższa niż podczas epizodu

bezdechu sennego.

Rys. 34 przedstawia wykres estymacji zmian mocy sygnału pochodzącego z fazy

REM dla obu pacjentów w wybranych pasmach częstotliwości. Dla pasma α zaob-

serwowano wyższą wartość mocy przed rozpoczęciem bezdechu.

Rysunek 34: Estymacja zmian mocy sygnału pochodzącego z fazy REM dla obu

pacjentów, pasmo: a) δ, b) θ, c) α, d) 0,5–32 Hz.

56

7 PODSUMOWANIEBezdech senny jest chorobą występującą u znacznego odsetka populacji. Nieleczony

prowadzi do wielu schorzeń i zmian neurologicznych, upośledzenia funkcjonowania

pamięci, uwagi oraz kontroli poznawczej [9], [10]. Przypuszcza się, że zaburzenia

neuropsychologiczne związane są z zanikiem lub wzmożoną aktywnością niektórych

fal mózgowych.

Dotychczasowe badania opierały się w głównej mierze na obliczeniu mocy spek-

tralnej na odcinkach przed, w trakcie i po bezdechu sennym [11], [12], [13], [14],

[15], [16], [17]. Badacze są zgodni, że podczas OSA zachodzą zmiany w aktywności

fal mózgowych, które uważane są za przyczynę wyżej wymienionych dysfunkcji neu-

ropsychologicznych, jednak otrzymane wyniki nie są jednoznaczne. Istnieje potrzeba

dokładniejszego zbadania zjawisk zachodzących w korze mózgowej podczas epizodu

OSA.

W pracy zbadano korelację sygnału EEG z obturacyjnym bezdechem sennym.

W tym celu zaproponowano analizę zjawiska synchronizacji/desynchronizacji fal mó-

zgowych z bezdechem sennym, która nie była wcześniejszym przedmiotem badań.

W celu analizy zjawiska ERD/ERS estymowano zmiany mocy sygnału EEG w dzie-

dzinie czasu według metody zaproponowanej przez Pfurtschellera. Na podstawie

otrzymanych wyników stwierdzono wzrost mocy chwilowej w fazie NREM w paśmie

δ, 5 s po rozpoczęciu epizodu OSA. W przypadku fazy REM odnotowano spadek

mocy chwilowej w paśmie α podczas bezdechu sennego. W pracy przeprowadzono

również analizę statystyczną map czas–częstotliwość. W tym celu wykorzystano pa-

kiet TFStats. Testowany zbiór składał się z fragmentów pochodzących od obu bada-

nych, następnie zjawisko ERD/ERS zweryfikowano dla każdego z pacjentów osobno.

Jako hipotezę zerową przyjęto brak istotnych zmian mocy w sygnale EEG podczas

bezdechu sennego. Poziom istotności α określono jako 5%. Powszechnie uważa się, że

rozkład energii sygnału EEG nie spełnia założenia o rozkładzie normalnym danych

dlatego do weryfikacji hipotezy wybrano test nieparametryczny–bootstrap. W celu

eliminacji problemu wielokrotnych porównań zastosowano poprawkę FDR. Na pod-

stawie przeprowadzonej analizy statystycznej stwierdzono, że nie ma podstaw do

odrzucenia hipotezy zerowej. Nie oznacza to, że zjawisko ERD/ERS nie zachodzi.

Wykorzystany w eksperymencie zbiór danych był niewielki dlatego zaproponowaną

metodologię należałoby powtórzyć przy użyciu większego zbioru danych.

Na podstawie uśrednionych map CWT stwierdzono, że aktywność kory mózgowej

zmienia się podczas trwania epizodu OSA. Zaobserwowano wzrost mocy w paśmie

δ podczas bezdechu sennego. Podobne wyniki zostały odnotowane przez kilka grup

57

naukowców [11], [13], [15]. Wzrost ten prawdopodobnie związany jest ze zwiększoną

liczbą kompleksów K występujących podczas bezdechu. Uważa się, że struktury te

pełnią funkcje regulujące sen oraz pomagają w przywróceniu drożności dróg odde-

chowych. Dodatkowo dla jednego pacjenta zaobserwowano wzmożoną aktywność fal

α przed rozpoczęciem epizodu OSA.

W ramach pracy powstało oprogramowanie służące do badania korelacji bez-

dechu sennego z sygnałem EEG. Dzięki aplikacji możliwe jest wczytanie dowolne-

go pliku i wyświetlenie wszystkich kanałów jednocześnie, wykonanie spektrogramu

i skalogramu a także obliczenie średniej mocy sygnału na odcinkach przed, w trak-

cie i po epizodzie bezdechu sennego. Zaimplementowano również metodę estymacji

zmian mocy chwilowej sygnału. Aplikację napisano z podziałem na moduły dlate-

go w przyszłości w łatwy sposób może zostać rozszerzona o nowe funkcje analizy

sygnału.

Zaproponowana w pracy metodologia w przyszłości może pomóc w zrozumieniu

zjawisk zachodzących w korze mózgowej podczas bezdechu sennego. Dokładniejsza

analiza aktywności fal mózgowych ułatwi opracowanie metod leczenia pacjentów

z OSA.

58

Literatura[1] Thorpy M.J., Approach to the patient with a sleep complaint. Semin Neurol.

2004 Sep,24(3), 225-35.

[2] Kushida C., Obstructive sleep apnea: Pathophysiology, comorbidities and con-sequences. Informa Heathcare USA, 2007.

[3] Randerath W.J., Sanner B.M., Somers V.K., Sleep apnea: Current diagnosisand treatment. Karger Medical and Scientific Publishers, 2006.

[4] Somers V., White D., Amin R., Abraham W., Costa F., Culebras A., et al.,Sleep apnea and cardiovascular disease. Journal of the American College ofCardiology. 2008,52(8), 313.

[5] Iber C., Ancoli-Israel S., Chesson A., Quan S., The aasm manual for the scoringof sleep and associated events: Rules, terminology and technical specifications.American Academy of Sleep Medicine. 2007.

[6] Kushida C.A., Littner M.R., Morgenthaler T., Alessi C.A., Bailey D., ColemanJ.,Jr, et al., Practice parameters for the indications for polysomnography andrelated procedures: An update for 2005. Sleep. 2005 Apr,28(4), 499-521.

[7] Young T., Palta M., Dempsey J., Skatrud J., Weber S., Badr S., The occur-rence of sleep-disordered breathing among middle-aged adults. N Engl J Med.1993,328(17), 1230-5.

[8] Shamsuzzaman A.S., Gersh B.J., Somers V.K., Obstructive sleep apnea: Impli-cations for cardiac and vascular disease. JAMA. 2003,290(14), 1906-14.

[9] Naegele B., Launois S.H., Mazza S., Feuerstein C., Pepin J., Levy P., Whichmemory processes are affected in patients with obstructive sleep apnea? an eva-luation of 3 types of memory. Sleep-New York Them Westchester-. 2006,29(4),533.

[10] Naismith S., Winter V., Gotsopoulos H., Hickie I., Cistulli P., Neurobehavio-ral functioning in obstructive sleep apnea: Differential effects of sleep quality,hypoxemia and subjective sleepiness. Journal of clinical and experimental neu-ropsychology. 2004,26(1), 43-54.

[11] Dingli K., Assimakopoulos T., Fietze I., Witt C., Wraith P.K., Douglas N.J.,Electroencephalographic spectral analysis: Detection of cortical activity changesin sleep apnoea patients. Eur Respir J. 2002 Nov,20(5), 1246-53.

[12] Black J.E., Guilleminault C., Colrain I.M., Carrillo O., Upper airway resistan-ce syndrome: Central electroencephalographic power and changes in breathingeffort. American journal of respiratory and critical care medicine. 2000,162(2),406-11.

[13] Berry R.B., Asyali M.A., McNellis M.I., Khoo M.C., Within-night variation inrespiratory effort preceding apnea termination and EEG delta power in sleepapnea. J Appl Physiol (1985). 1998 Oct,85(4), 1434-41.

59

[14] Bandla H.P., Gozal D., Dynamic changes in EEG spectra during obstructiveapnea in children. Pediatr Pulmonol. 2000,29(5), 359-65.

[15] Svanborg E., Guilleminault C., EEG frequency changes during sleep apneas.Sleep. 1996 Apr,19(3), 248-54.

[16] Walsleben J.A., O’Malley E.B., Bonnet K., Norman R.G., The utility of topo-graphic EEG mapping in obstructive sleep apnea syndrome. Sleep: Journal ofSleep Research & Sleep Medicine. 1993.

[17] Morisson F., Lavigne G., Petit D., Nielsen T., Malo J., Montplaisir J., Spec-tral analysis of wakefulness and REM sleep EEG in patients with sleep apnoeasyndrome. Eur Respir J. 1998 May,11(5), 1135-40.

[18] Lockley S.W., Barger L.K., Ayas N.T., Rothschild J.M., Czeisler C.A., Lan-drigan C.P., Effects of health care provider work hours and sleep deprivationon safety and performance. Joint Commission Journal on Quality and PatientSafety. 2007,33(Supplement 1), 7-18.

[19] Copinschi G., Metabolic and endocrine effects of sleep deprivation. Essent Psy-chopharmacol. 2005,6(6), 341-7.

[20] Sateria M., The international classification of sleep disorders. diagnostic andcoding manual. American Academy of Sleep Medicine. 2005, 1–297.

[21] Durka P., Duszyk A., Kamiński M., Kuś R., Suffczyński P., Żygierewicz J., etal., Elektryczny ślad myśli i interfejsy mózg-komputer. 2012. Available from:http://brain.fuw.edu.pl/edu/EEG:Skryp

[22] Wolf J., Narkiewicz K., Zespół bezdechu sennego a choroby układu krążenia.Choroby Serca i Naczyń. 2007,4(1), 40-7.

[23] Wolpaw J.R., Birbaumer N., McFarland D.J., Pfurtscheller G., Vaughan T.M.,Brain–computer interfaces for communication and control. Clinical neurophy-siology. 2002,113(6), 767-91.

[24] Beck A., Oznaczenie lokalizacji w mózgu i rdzeniu za pomocą zjawisk elektrycz-nych. Rozprawy Wydziału Mat-Przyr Polska Akademia Umiejętności. 1981,186.

[25] Berger H., Uber das elektrenkephalogramm des menschen. Eur Arch Psychia-try Clin Neurosci. 1929,87(1), 527-70

[26] Churchland P.S., Sejnowski T.J., Perspectives on cognitive neuroscience. Scien-ce. 1988 Nov 4,242(4879), 741-5.

[27] Butkov N., Lee-Chiong T.L., Fundamentals of sleep technology. LippincottWilliams & Wilkins, 2007.

[28] Jubran A., Pulse oximetry. Crit Care. 1999,3(2), R11-7.

60

[29] Rechtschaffen A., Kales A., A manual of standardized terminology, techniquesand scoring systems for sleep stages of human subjects. National Institute ofHealth. 1968(204th ed.).

[30] White D.P., Pathogenesis of obstructive and central sleep apnea. American jo-urnal of respiratory and critical care medicine. 2005,172(11), 1363-70.

[31] Ciuba I., Obturacyjny bezdech senny. Zamojskie Studia i Materiały. 2011,1(34).

[32] Dębska G., Ławska W., Ziółkowska A., Wpływ obturacyjnego bezdechu sennegona jakość życia pacjenta. Piel. Zdr. Publ. 2011,1(4), 313-20.

[33] Wolf J., Narkiewicz K., Zespół bezdechu sennego a choroby układu krążenia.Choroby Serca i Naczyń. 2007,4(1), 40-7.

[34] Effective sleep apnea treatment with oral appliance therapy. USA: 2013. Availa-ble from: http://www.beaumontfamilydentistry.com/services/sleep-apnea.php.

[35] Flemons W.W., Littner M.R., Rowley J.A., Gay P., Anderson W.M., HudgelD.W., et al., Home diagnosis of sleep apnea: A systematic review of the literatu-re: An evidence review cosponsored by the american academy of sleep medicine,the american college of chest physicians, and the american thoracic society.CHEST Journal. 2003,124(4), 1543-79.

[36] Ferini-Strambi L., Baietto C., Di Gioia M., Castaldi P., Castronovo C., ZucconiM., et al., Cognitive dysfunction in patients with obstructive sleep apnea (OSA):Partial reversibility after continuous positive airway pressure (CPAP). BrainRes Bull. 2003,61(1), 87-92.

[37] Zwillich C., Devlin T., White D., Douglas N., Weil J., Martin R., Bradycar-dia during sleep apnea. characteristics and mechanism. J Clin Invest. 1982Jun,69(6), 1286-92.

[38] Ueno L.M., Drager L.F., Rodrigues A.C., Rondon M.U., Mathias W., KriegerE.M., et al., Day–night pattern of autonomic nervous system modulation in pa-tients with heart failure with and without sleep apnea. Int J Cardiol. 2011,148(1),53-8.

[39] Hayakawa T., Terashima M., Kayukawa Y., Ohta T., Okada T., Changes in ce-rebral oxygenation and hemodynamics during obstructive sleep apneas. CHESTJournal. 1996,109(4), 916-21.

[40] Mathieu A., Mazza S., Decary A., Massicotte-Marquez J., Petit D., GosselinN., et al., Effects of obstructive sleep apnea on cognitive function: A comparisonbetween younger and older OSAS patients. Sleep Med. 2008,9(2), 112-20.

[41] Bonnet M.H., Arand D.L., Clinical effects of sleep fragmentation versus sleepdeprivation. Sleep medicine reviews. 2003,7(4), 297-310.

[42] Verstraeten E., Neurocognitive effects of obstructive sleep apnea syndrome. Cur-rent neurology and neuroscience reports. 2007,7(2), 161-6.

61

[43] Michajlik A., Ramotowski W., Anatomia i fizjologia człowieka. WydawnictwoLekarskie PZWL, 2003

[44] Klekowicz H., Opis i identyfikacja struktur przejściowych w sygnale EEG. 2012.

[45] Drachman D.A., Do we have brain to spare? Neurology. 2005 Jun 28,64(12),2004-5.

[46] Pfurtsheller G., Da Silva F.L., Handbook of electronencephalo-graphy and clini-cal neurophysiology, revised series. Elsevier Science B.V. 1999.

[47] Kandel E.R., Schwartz J.H., Jessell T.M., Principles of neural science. McGraw-Hill New York, 2000.

[48] Kołodziej M., Przetwarzanie, analiza i klasyfikacja sygnału EEG na użytek in-terfejsu mózg-komputer. 2013.

[49] Wauquier A., Aloe L., Declerck A., K-complexes: Are they signs of arousal orsleep protective? J Sleep Res. 1995,4(3), 138-43.

[50] Nicholas C.L., Trinder J., Colrain I.M., [?] Sleep. 2002 Dec,25(8), 882-7.

[51] Pfurtscheller G., Quantification of ERD and ERS in the time domain. Pfurt-sheller and da Silva. 1999,6.

[52] Muthuswamy J., Thakor N.V., Spectral analysis methods for neurological si-gnals. J Neurosci Methods. 1998,83(1), 1-14.

[53] Penzel T., McNames J., De Chazal P., Raymond B., Murray A., Moody G.,Systematic comparison of different algorithms for apnoea detection based onelectrocardiogram recordings. Medical and Biological Engineering and Compu-ting. 2002,40(4), 402-7.

[54] De Chazal P., Heneghan C., Sheridan E., Reilly R., Nolan P., O’Malley M.,Automated processing of the single-lead electrocardiogram for the detectionof obstructive sleep apnoea. Biomedical Engineering, IEEE Transactions on.2003,50(6), 686-96. 50(6), 2003.

[55] De Chazal P., Penzel T., Heneghan C., Automated detection of obstructive sle-ep apnoea at different time scales using the electrocardiogram. Physiol Meas.2004,25(4), 967.

[56] Takalo R., Hytti H., Ihalainen H., Tutorial on univariate autoregressive spectralanalysis. J Clin Monit Comput. 2005,19(6), 401-10.

[57] Olbrich E., Achermann P., Analysis of oscillatory patterns in the human sleepEEG using a novel detection algorithm. J Sleep Res. 2005,14(4), 337-46.

[58] Mallat S.G., Zhang Z., Matching pursuits with time-frequency dictionaries. Si-gnal Processing, IEEE Transactions on. 1993,41(12), 3397-415.

62

[59] Sommermeyer D., Schwaibold M., Scholler B., Grote L., Hedner J., Bolz A. In:Detection of sleep disorders by a modified matching pursuit algorithm. Worldcongress on medical physics and biomedical engineering, september 7-12, 2009,munich, germany, Springer, 2010, p. 1271-4.

[60] Schonwald S.V., Carvalho D.Z., de Santa-Helena E.L., Lemke N., GerhardtG.J., Topography-specific spindle frequency changes in obstructive sleep apnea.BMC Neurosci. 2012 Jul 31,13, 89,2202-13-89.

[61] Gerhardt G.J., Lemke N., Carvalho D.Z., de Santa-Helena E.L., SchonwaldS.V., Dellagustin G., et al., Analysis of EEG sleep spindle parameters from ap-nea patients using massive computing and decision tree. Scientia cum Industria.2014,2(1), 15-8.

[62] Himanen S., Virkkala J., Huupponen E., Hasan J., Spindle frequency remainsslow in sleep apnea patientsthroughout the night. Sleep Med. 2003,4(4), 361-6.

[63] Shimada T., Shiina T., Saito Y., Detection of characteristic waves of sleepEEG by neural network analysis. Biomedical Engineering, IEEE Transactionson. 2000,47(3), 369-79.

[64] Tagluk M.E., Akin M., Sezgin N., Classıfıcation of sleep apnea by using wavelettransform and artificial neural networks. Expert Syst Appl. 2010,37(2), 1600-7.

[65] Xiromeritis A.G., Hatziefthimiou A.A., Hadjigeorgiou G.M., GourgoulianisK.I., Anagnostopoulou D.N., Angelopoulos N.V., Quantitative spectral analysisof vigilance EEG in patients with obstructive sleep apnoea syndrome. Sleep andBreathing. 2011,15(1), 121-8.

[66] Zeitlhofer J., Anderer P., Obergottsberger S., Schimicek P., Lurger S., Mar-schnigg E., et al., Topographic mapping of EEG during sleep. Brain Topogr.1993,6(2), 123-9.

[67] Belo D., Coito A.L., Paiva T., Sanches J.M., Topographic EEG brain mappingbefore, during and after obstructive sleep apnea episodes. In: Pattern Recogni-tion and Image Analysis. Springer, 2011. p. 564-71.

[68] De Souza, Rafael Toledo F, Rybarczyk Filho J.L., Lemke N., Schonwald S.V.,de Santa-Helena E., Gerhardt G.J. In: Poster: Quantification of correlationsbetween sleep spindles in EEG for patients with sleep apnea. Computationaladvances in bio and medical sciences (ICCABS), 2013 IEEE 3rd internationalconference on, IEEE, 2013, p. 1-.

[69] Zieliński T.P., i Łączności W.K., Cyfrowe przetwarzanie sygnałów: Od teorii dozastosowań. Wydawnictwa Komunikacji i Łączności, 2007.

[70] Bremaud P., Mathematical principles of signal processing: Fourier and waveletanalysis. Springer Science & Business Media, 2002.

[71] Stark H., Wavelets and signal processing: An application-based introduction.Springer Science & Business Media, 2005.

63

[72] Daubechies I., Ten lectures on wavelets. SIAM, 1992.

[73] Mallat S., A wavelet tour of signal processing. Academic press, 1999.

[74] Mallat S.G., A theory for multiresolution signal decomposition: The waveletrepresentation. Pattern Analysis and Machine Intelligence, IEEE Transactionson. 1989,11(7), 674-93.

[75] Żygierewicz J., Durka P., Klekowicz H., Franaszczuk P., Crone N., Computa-tionally efficient approaches to calculating significant ERD/ERS changes in thetime–frequency plane. J Neurosci Methods. 2005,145(1), 267-76.

[76] Durka P.J., Zygierewicz J., Klekowicz H., Ginter J., Blinowska K.J., On thestatistical significance of event-related EEG desynchronization and synchroni-zation in the time-frequency plane. Biomedical Engineering, IEEE Transactionson. 2004,51(7), 1167-75.

[77] Benjamini Y., Yekutieli D., The control of the false discovery rate in multipletesting under dependency. Annals of statistics. 2001, 1165-88.

[78] Pekasiewicz D., Bootstrapowa weryfikacja hipotez o wartości oczekiwanej popu-lacji o rozkładzie asymetrycznych. Acta Universitatis Lodziensis, Folia Oecono-mica. 2012(271), 151-159.

64

Dodatek A – Opis zawartości CD

Struktura katalogów załączonego do pracy nośnika CD wygląda następująco:

Praca magisterska Szulecka M.pdf – treść pracy dyplomowej,

src – pliki źródłowe oprogramowania,

data – dane analizowanego sygnału.

65

OświadczenieOświadczam, że pracę dyplomową – magisterską pt. „Badanie korelacji bezde-

chu sennego z sygnałem EEG za pomocą analizy czasowo–częstotliwościowej”, którą

kierował prof. nzw. dr hab. inż. Antoni Grzanka, wykonałam samodzielnie co po-

świadczam własnoręcznym podpisem.

...............................

66