Spis treści Desynchronizacja i synchronizacja EEG związana z

Spis treści
1 Desynchronizacja i synchronizacja EEG związana z bodźcem (ERD/ERS)
1.1 Definicja
1.2 Interpretacja fizjologiczna
1.3 Klasyczne metody liczenia ERD/ERS
1.4 Rozszerzenie na przestrzeń czas-częstość
1.5 Ocena istotności
1.6 Podstawowe wyniki eksperymentów
2 Literatura
3 Problem odwrotny w elektro- i magnetoencefalografii
4 Literatura
5 Oprogramowanie do analizy danych EEG i MEG
5.1 Pakiety otwarte (Open Source, GPL)
5.1.1 Fieldtrip
5.1.2 EEGLAB
5.1.3 SPM
5.2 Pakiety komercyjne
5.2.1 Curry
5.2.2 BESA
Desynchronizacja i synchronizacja EEG związana z bodźcem
(ERD/ERS)
W rozdziale dotyczącym analizy sygnałów EEG w dziedzinie czasu opisaliśmy klasyczne podejście do
badania odpowiedzi mózgu na bodźce, tj. potencjały wywołane. Ale:
W podobny sposób badać możemy też odpowiedzi na bodźce wewnętrzne, jak na przykład
dobrowolna decyzja machnięcia palcem. Wtedy badanie systematycznych zmian w EEG/MEG
również przed bodźcem nie będzie zaprzeczać przyczynowości.
Nie wszystkie systematyczne zmiany w sygnale będą widoczne po uśrednieniu -- na przykład
aktywność występująca po każdym bodźcu w ściśle określonym paśmie częstości i zawsze z
tym samym opóźnieniem, ale z przypadkowymi fazami, będzie znikać po uśrednieniu
odpowiednio dużej ilości przebiegów (rys. 1).
Powyższa symulacja pokazuje efekt uśredniania dla
a) odpowiedzi związanej fazowo z bodźcem
b) odpowiedzi niezwiązanej fazowo z bodźcem
Opisane powyżej odpowiedzi związane z bodźcem bez zachowania stałych zależności fazowych
nazywamy aktywnością indukowaną (induced), w odróżnieniu od opisanej w poprzednim rozdziale
aktywności wywołanej (evoked).
Definicja
Klasycznymi miarami takich odpowiedzi są desynchronizacja i synchronizacja EEG związana z
bodźcem (event-related desynchronization and synchronization, ERD/ERS). Jest to spadek
(desynchronizacja, ERD) lub wzrost (synchronizacja, ERS) mocy w określonym paśmie częstości,
występujący w okolicy czasowej zdarzenia, mierzony jako procentowa zmiana w stosunku do odcinka
sygnału odzwierciedlającego czynność mózgu nie związaną z bodźcem (Pfurtscheller i Arnibar,
1979). Względna zmiana mocy może przyjmować wartości dodatnie i ujemne. Tradycyjnie ujemne
wartości nazywane są ERD, a dodatnie ERS. ERD/ERS można wyrazić następującym wzorem:
gdzie:
- średnia moc chwilowa w paśmie częstości . Uśrednianie przebiega po realizacjach.
- średnia moc w paśmie w okresie referencyjnym. Uśrednianie przebiega po realizacjach i
po czasie trwania okresu referencyjnego.
Interpretacja fizjologiczna
Tradycyjne nazwy ERD i ERS mają swoje źródło w fizjologicznej interpretacji zmian mocy sygnału w
określonych pasmach. Wspominaliśmy już w naszym podęczniku Biofizyczne podstawy generacji
sygnałów EEG[1]), że źródłem mierzalnego na zewnątrz głowy sygnału elektrycznego lub
magnetycznego jest synchroniczna aktywność wielu neuronów (głównie piramidalnych kory).
Szacuje się, że wpływ na wielkość sygnału EEG lub MEG ma głównie stopień synchronizacji
neuronów wytwarzających ten sygnał, a w drugiej kolejności ich ilość. Tak więc wzrost mocy w
pewnym paśmie (np. alfa ERS) interpretowany jest jako wzrost synchronizacji aktywności neuronów
generujących aktywność EEG w tym paśmie, zaś spadek mocy (np. alfa ERD) interpretowany jest
jako spadek synchronizacji neuronów generujących aktywność EEG w tym paśmie częstości. Przy
takiej interpretacji należy pamiętać o skali w jakiej dokonywany jest pomiar. Zarówno elektrody EEG
jak i sensory MEG mierzą sygnały średnie pochodzące od olbrzymich ilości neuronów. Zatem spadek
mocy w tym sygnale odpowiada desynchronizacji w skali globalnej (rzędu 106 - 107 neuronów). Nie
musi on jednak implikować desynchronizacji w skali mikro. Łatwo możemy wyobrazić sobie
następujący model: w okresie referencyjnym mamy do czynienia ze słabo związaną oscylującą metapopulacją neuronów, która pod wpływem bodźca rozpada się na wiele mniejszych populacji
neuronów, z których każda z osobna może mieć zwiększoną synchronizację wewnętrzną, ale
pomiędzy sobą te populacje są rozsynchronizowane.
Klasyczne metody liczenia ERD/ERS
Klasyczne obliczanie ERD/ERS.
a) Przykładowy zapis EEG jednej z
realizacji
b) przefiltrowany sygnał EEG w wybranym paśmie (tutaj: [15 25] Hz)
c) przefiltrowany sygnał podniesiony do kwadratu — w ten sposób
uzyskujemy przebieg mocy pasmowej w czasie
d) uśredniony po realizacjach przebieg mocy pasmowej w czasie
e) wygładzony przebieg z d) za pomocą średniej biegnącej (tutaj okienko
0.25 s) czerwone pionowe linie wyznaczają okres referencyjny
f) ERD/ERS - względna zmiana sygnału e) w odniesieniu do okresu
referencyjnego.
Klasycznie estymowanie ERD/ERS polega na wykonaniu następujących kroków (patrz rys.%i 2. ):
1.
2.
3.
4.
5.
filtrowanie pasmowe
wyrównanie realizacji względem bodźca
obliczanie mocy chwilowej (podniesienie do kwadratu wartości każdej próbki sygnału)
uśrednienie mocy chwilowej po realizacjach
wygładzenie przebiegu czasowego uśrednionej mocy chwilowej średnią biegnącą lub innym
filtrem dolnoprzepustowym
6. zastosowanie wzoru (%i 1) do wyliczenia względnych zmian mocy
Filtrowanie pasmowe dobrze jest wykonać przed pocięciem sygnału na realizacje aby
zminimalizować efekty brzegowe filtra. Więcej na temat klasycznych metod liczenia można znaleźć w
Pfurtscheller (1999), Pfurtscheller i Lopes da Silva (1999).
Rozszerzenie na przestrzeń czas-częstość
Średnia gęstości energii fragmentów EEG, liczonych
osobno dla każdego z odcinków zsynchronizowanych
według momentu niewymuszonego ruchu palcem (chwila
0). Oś pozioma w sekundach, oś pionowa w hercach, w
górnym panelu energia proporcjonalna do wysokości, w
środkowym do jasności. Widać desynchronizację (zanik) w
paśmie alfa (8 - 12 Hz) w okolicy ruchu; ponadto,
wysokorozdzielcza estymata uzyskana za pomocą
algorytmu MP (Durka, 2007a, b) wyraźnie rozdziela dwie
składowe tego pasma o bliskich sobie częstościach.
Widoczny również wzrost w paśmie beta (15 - 20 Hz) po
ruchu. W dolnym panelu pierwszych piętnaście z 57
odcinków EEG, wykorzystanych do uśrednienia gęstości
energii.
Klasyczna technika zaproponowana przez Pfurtscheller i Arnibar (1979) polega na uśrednianiu
energii sygnałów przefiltrowanych w wybranym paśmie częstości. Wymaga ona wyboru reaktywnych
pasm częstości, dających największe zmiany mocy. Pasm takich zwykle poszukiwano metodą prób i
błędów. Pełen obraz zmian gęstości energii w przestrzeni czas - częstość można uzyskać uśredniając
czasowo - częstościowe estymaty gęstości energii, obliczone dla każdego powtórzenia osobno.
Najczęściej stosowanymi estymatorami są: spektrogram (krótkoczasowa transformata FourieraSTFT) (Makeig, 1993) lub ciągłą transformata falkowa (CWT) (Tallon-Baudry et al., 1996). W
sytuacjach gdy istotna jest wysoka rozdzielczość czasowo - częstotliwościowa stosowane jest
dopasowanie kroczące (MP) (Durka et al., 2001) (rys. 3). Następnie dla każdego binu częstości,
obliczana jest miara ERD/ERS, przy pomocy wzoru (%i 1). W efekcie uzyskiwana jest mapa
prezentująca ERD/ERS w przestrzeni czas - częstość (rys. 3 środkowy panel).
Ocena istotności
Podobnie jak opisane w poprzednim rozdziale potencjały wywołane, ERD i ERS widoczne są jako
efekty statystyczne w zapisach co najmniej kilkunastu powtórzeń. Klasyczne oraz czasowo częstotliwościowe estymatory ERD/ERS obrazują zarówno istotne efekty jak i przypadkowe
fluktuacje. Aby wyłowić istotne efekty musimy posłużyć się testami statystycznymi. Poniżej omówimy
procedurę oceny istotności dla map czas - częstość (Durka et al., 2004; Zygierewicz et al., 2005). W
przypadku klasycznym przebiega ona analogicznie.
Każdą z map rozkładu gęstości energii dzielimy na elementy resele o rozmiarach
.W
ramach resela gęstość energii jest całkowana dając energię. Uzyskujemy w ten sposób podział
przestrzeni na pasma częstości i na okienka czasowe.
Następnie formułujemy zestaw hipotez. Dla każdego resela w analizowanym obszarze czas częstość hipoteza zerowa
stwierdza, że jego średnia energia jest równa średniej energii w
reselach o tej samej częstości w okresie referencyjnym. Hipotezą alternatywną jest brak
równości.
Każdą z hipotez testuje się przy pomocy testu statystycznego (może to być test , test
permutacyjny lub repróbkowany, test nieparametryczny np. Wilcoxona (ten akurat testuje
równość median). W wyniku, dla każdego resela dostajemy prawdopodobieństwo, że
prawdziwa jest dla niego hipoteza
.
Aby przyjąć bądź odrzucić hipotezę
trzeba ustalić poziom istotności biorąc pod uwagę
fakt, że wykonaliśmy wiele testów. Odpowiedni poziom istotności można wyznaczyć stosując
np. metodę FDR (False Discovery Rate) (Benjamini i Yekutieli, 2001).
Ostatecznie w reselach dla których została odrzucona hipoteza
prezentowany jest
odpowiadający im fragment mapy ERD/ERS.
Procedura ta została zilustrowana na rys. 4.
Kolejne kroki prowadzące do obliczenia ERD/ERS w obszarach istotnych statystycznie
zmian. W lewej kolumnie w oparciu o estymatę gęstości energii obliczoną z algorytmu
MP, a w prawej w oparciu o STFT, a) i d) Mapy rozkładu gęstości energii w dziedzinie
czas - częstość. Pionowymi liniami zaznaczony jest okres referencyjny REF. Przerywana
pionowa linia wskazuje moment ruchu. b) i e) mapy ERD/ERS zaprezentowane dla
odcinka czasu po okresie referencyjnym c) i f) statystycznie istotne obszary map b) i e).
Na mapie c) zaznaczone są typowe efekty ERD/ERS A i B - desynchronizacja w okresie
okołoruchowym odpowiednio w paśmie alfa i w paśmie beta, C - odrzut (ERS) w paśmie
beta po ruchu (ang. beta rebound), D - wyższa harmoniczna odrzutu w paśmie beta. Dane
pochodzą z eksperymentu polegającego na świadomym ruchu palca wskazującego prawej
ręki. Przedstawione mapy obliczone są na podstawie 57 ruchów dla sygnału zebranego
przez elektrodę C3 (znajdującą się nad kontralateralną korą ruchową) odniesionego do
średniego potencjału z czterech sąsiadujących elektrod (tzw. transformata Hjorhta —
przybliżenie dwuwymiarowego laplasjanu)
Podstawowe wyniki eksperymentów
Poniżej wymienimy najczęściej obserwowane efekty ERD/ERS. Są one związane z poszczególnymi
rytmami obserwowanymi w zapisach EEG i MEG. Bardzo ogólnie można powiedzieć, że rytm alfa jest
interpretowany jako rytm spoczynkowy dużych populacji neuronów. Rytm beta wiązany jest z uwagą,
zaś rytm gamma z aktywnym przetwarzaniem informacji.
ERD w paśmie alfa
Spadek mocy w paśmie alfa w danej okolicy kory mózgowej interpretowany jest jako aktywacja
znajdujących się tam neuronów, co powoduje ich wyjście ze stanu spoczynkowego. Blokowanie rytmu
alfa często wywołane jest pojawieniem się bodźców w modalności, którą reprezentuje dany fragment
kory (np. otwarcie oczu powoduje zanik rytmu alfa w korze wzrokowej, zaciśnięcie pięści blokuje fale
o częstości alfa w korze czuciowej ręki). Spadek mocy w paśmie alfa często poprzedza
zaangażowanie danego fragmentu kory w zamierzone działanie (np. ERD alfa w korze ruchowej ręki,
zaczyna się już na 1 - 2 s przed wykonaniem zamierzonego ruchu tą ręką - rys 4c) struktura A).
Efekt centrum-obrzeże
Efekt ten polega na wystąpieniu ERD w paśmie alfa w pewnym miejscu kory i jednoczesnym ERS w
paśmie alfa w sąsiednich obszarach związanych z inną modalnością bądź kończyną (np. przy ruchu
ręką obserwujemy ERD alfa w obszarze ręki i ERS alfa w obszarze nogi)
ERD w paśmie beta
Efekt ten polega na spadku mocy w paśmie beta w obszarze kory mózgowej odpowiadającej
modalności, na której skupiona jest uwaga, np. rys. 4c) struktura B.
Odrzut ERS w paśmie beta
Efekt ten polega na przejściowym wzroście mocy powyżej poziomu z okresu referencyjnego,
następujący po zakończeniu działania, któremu towarzyszył ERD w paśmie beta, np. rys 4c)
struktura C.
ERS w paśmie gamma
Efekt ten polegający na zwiększeniu mocy w paśmie gamma powyżej poziomu z okresu
referencyjnego. Efekt ten obserwowany jest w niektórych eksperymentach EEG i w wielu
eksperymentach z wykorzystaniem ECoG (elektrod umieszczonych bezpośrednio na korze) w trakcie
gdy w danym fragmencie kory zachodzi przetwarzanie informacji. W EEG, gamma ERS zazwyczaj
występuje w niskim paśmie około 40 Hz, natomiast w ECoG widoczne jest szerokopasmowe ERS
gamma nawet w paśmie 40 - 120 Hz.
Literatura
Benjamini, Y., Yekutieli, Y. The control of the false discovery rate under dependency. Ann Stat 29:
1165–1188, 2001.
Durka, P.J. Matching Pursuit, Scholarpedia, p. 20910, 2007a [2]
Durka, P. J. Matching Pursuit and Unification in EEG analysis. Engineering in Medicine and Biology.
Artech House, 2007b. ISBN 978-1-58053-304-1.
Durka, P. J., Ircha, D., Neuper, C., Pfurtscheller, G. Time-frequency microstructure of event-related
desynchronization and synchronization. Med Biol Eng Comput 39(3): 315–321, 2001.
Durka, P.J., Zygierewicz, J., Klekowicz, H., Ginter, J., Blinowska, K. On the statistical significance of
event-related EEG desynchronization and synchronization in the time-frequency plane. IEEE
TransBiomed Eng 51: 1167–1175, 2004.
Makeig, S. Auditory event-related dynamics of the EEG spectrum and effects of exposure to tones.
Electroencephalogr Clin Neurophysiol 86: 283–293, 1993.
Pfurtscheller, G. Quantification of ERD and ERS in the time domain. W Pfurtscheller, G., Lopes da
Silva, F. H. (Edytorzy), Event-related desynchronization. Vol. 6. Elsevier, 89–105, 1999.
Pfurtscheller, G., Arnibar, A.Evaluation of event-related desynchronization(ERD) preceding and
following voluntary self-paced movements. Electroencephalogr Clin Neurophysiol 46: 128–146,
1979.
Pfurtscheller, G., Lopes da Silva, F. H. Event-related EEG/MEG synchronization and
desynchronization: basic principles. Clinical Neurophysiology 110: 1842–1857, 1999.
Tallon-Baudry, C., Bertrand, O., Delpuech, C., Pernier, J. Stimulus specificity of phase-locked and
non-phase-locked 40Hz visual responses in human. Journal of Neuroscience 16(13): 4240–4249,
1996.
Zygierewicz, J., Durka, P., Klekowicz, H., Crone, N., Franaszczuk, P. Computationally efficient
approaches to calculating significant ERD/ERS changes in the time-frequency plane. J Neurosci
Methods 145(1–2): 267–276, 2005.
Problem odwrotny w elektro- i magnetoencefalografii
Jednym z najważniejszych i jednocześnie najtrudniejszych problemów elektroencefalografii (oraz
MEG) jest lokalizacja przestrzenna źródeł aktywności rejestrowanej na zewnątrz czaszki, czyli
rozwiązanie tzw. problemu odwrotnego EEG/MEG. Nawet przyjmując drastycznie uproszczony model
źródeł jako dipoli prądowych, umieszczonych w jednorodnym przestrzennie przewodniku o kształcie
idealnej kuli, stajemy przed problemem nie mającym jednoznacznego rozwiązania: istnieje
nieskończenie wiele różnych konfiguracji prądów wewnątrz kuli, generujących dokładnie ten sam
rozkład potencjałów na jej powierzchni -- co udowodnił von Helmholz już w roku 1853. Inaczej
mówiąc, rozwiązania problemów odwrotnych są niejednoznaczne. Dlatego uzyskane tą drogą
przestrzenne rozkłady źródeł aktywności są -- mimo pozornego podobieństwa -- czymś zupełnie
innym niż obrazy uzyskiwane z tomografii komputerowej czy jądrowego rezonansu magnetycznego.
W przypadku tych ostatnich, obraz trójwymiarowy rekonstruujemy z przekrojów o rozdzielczości
znanej bezpośrednio z natury zjawisk fizycznych wykorzystywanych w procesie obrazowania. W
przypadku rozwiązań odwrotnych EEG/MEG sytuacja jest niejako odwrócona: najpierw wybieramy
zestaw kryteriów spośród wspomnianych w skrócie w dalszej części rozdziału, po czym na jego
podstawie wybieramy jeden z możliwych rozkładów przestrzennych prądów, który na koniec możemy
ew. wizualizować w postaci przekrojów. Dlatego nie powinno się używać w odniesieniu do rozwiązań
problemu odwrotnego terminu tomografia.
Problem wprost to znalezienie rozkładu potencjałów
mierzalnych na powierzchni czaszki, generowanego przez
daną konfigurację prądów płynących wewnątrz. Problem
odwrotny to próba odtworzenia tych prądów na podstawie
zmierzonego rozkładu potencjałów. W przypadku analizy
źródeł aktywności obserwowanej w szeregach czasowych
EEG/MEG należy z nich najpierw wyodrębnić aktywność
związaną z badanym zjawiskiem
Pierwszym krokiem na drodze do rozwiązania problemu odwrotnego jest tzw. problem wprost,
polegający na obliczeniu rozkładu potencjałów mierzonych na powierzchni głowy przy założeniu
znanego rozkładu gęstości prądu wewnątrz mózgu. Należy jednak pamiętać, że:
pola przenoszą się przez mózg, płyn owodniowy, czaszkę i skórę, mające różne przewodnictwa
elektryczne. Przestrzenny kształt tych struktur anatomicznych jest różny dla każdego
człowieka.
nawet w/w ośrodki nie są jednorodne; szczególnie mózg, ze względu na obecność neuronów,
wykazuje dużą anizotropowość przewodnictwa, czyli niejednorodność, zależnie od kierunku.
Zwykle przyjmuje się podział przestrzenny mózgu na elementy objętości zwane wokselami, od ang.
volume element (analogicznie do piksela od picture element). W każdym wokselu przyjmujemy stałą
wartość i kierunek gęstości prądu. Jeśli wartości te dla każdego woksela ułożymy w wektor o
wymiarze trzykrotnie większym niż ilość wokseli
(dla każdego woksela kierunek i wartość prądu
określają trzy współrzędne przestrzenne), a potencjały mierzone na elektrodach umieścimy w
wektorze o wymiarze
równym liczbie czujników (elektrod), to propagację pola z każdego
woksela do każdego czujnika opisywać będzie tzw. macierz przejścia (lead field) o wymiarach
na
. Po uwzględnieniu nie objętego modelem szumu , problem wprost przyjmuje postać z
równania (Equation 2)
Macierz znajdujemy rozwiązując równania Maxwella w przybliżeniu niskich częstości z więzami
wyznaczonymi przez granice ośrodków. Najczęściej były one przybliżane modelem trzech
koncentrycznych sfer, ale coraz częściej stosuje się np. metodę elementów skończonych dla
obliczenia propagacji dla konkretnego mózgu, którego kształty znamy z segmentacji i
trójwymiarowej rekonstrukcji obrazów MRI. W każdym przypadku informacje morfologiczne
wykorzystuje się dla ograniczenia przestrzeni rozwiązań do fizjologicznie możliwych lokacji źródeł
(np. kora mózgowa i hipokamp). W braku MRI dla danego pacjenta wykorzystuje się często dane z
Atlasu Mózgu Człowieka (Talairach i Turnoux 1988).
Opisane powyżej problemy ze znalezieniem macierzy , czyli rozwiązaniem problemu wprost, to
dopiero wstęp do rozwiązania problemu odwrotnego. Gęstości prądów dla wszystkich wokseli z
powyższego równania wyznaczane są drogą minimalizacji szumu . Jednak choćby z faktu, że
, widać konieczność przyjęcia dodatkowych więzów, takich jak np. jednoczesna
minimalizacja normy rozwiązania (minimum energii) czy laplasjanu (maksymalna gładkość
przestrzenna). Są to tzw. rozwiązania rozproszone (distributed solutions). W uzasadnionych
przypadkach można też szukać rozwiązań w postaci z góry ustalonej liczby dipoli -- wtedy
optymalizacji podlegać będą ich pozycje, kierunki i natężenia. Przegląd znanych rozwiązań znaleźć
można w Scholarpedii (Ramirez i Makeig 2008).
Na koniec należy przypomnieć, że punktem wyjścia dla praktycznych rozwiązań problemu
odwrotnego EEG nie są rozkłady potencjału, ale wielozmienne szeregi czasowe mierzone na każdej z
elektrod (rys. 5). Można szukać rozwiązań dla każdego punktu w czasie z osobna, ale takie dane
wejściowe będą obciążone dużym szumem, który szczególnie źle wpływa na rozwiązania odwrotne.
Dlatego zwykle stosujemy przetwarzanie wstępne dla wyodrębnienia z danych aktywności
związanych z badanym zjawiskiem, jak np. opisane rozdziale Metody analizy sygnałów EEG - analiza
w dziedzinie czasu [3] uśrednianie potencjałów wywołanych. Duże nadzieje na poprawę jakości
rozwiązań odwrotnych EEG/MEG daje czułość i selektywność adaptacyjnych przybliżeń czas-częstość
(Durka 2007a, b; Durka et al., 2005).
Literatura
Durka, P.J. Matching Pursuit, Scholarpedia, p. 20910, 2007a [4]
Durka, P. J. Matching Pursuit and Unification in EEG analysis. Engineering in Medicine and Biology.
Artech House, 2007b. ISBN 978-1-58053-304-1.
Durka, P. J., Matysiak, A., Montes, E. M., Valdes-Sosa P. i Blinowska, K. J. Multichannel matching
pursuit and EEG inverse solutions. Journal of Neuroscience Methods, 148(1):49-59, 2005.
Ramírez R. R. i Makeig, S. Source localization, Scholarpedia, 2008
[http:www.scholarpedia.org/article/source_localization]
Talairach J. i Tournoux P. Co-Planar Stereotaxic Atlas of the Human Brain. Stuttgart, 1988.
Oprogramowanie do analizy danych EEG i MEG
Jako program do analizy danych EEG/MEG rozumiemy program implementujący przynajmniej część
z metod analizy omówionych w poprzednim i bieżącym rozdziale. Pewną funkcjonalność w tym
zakresie posiadają programy dostarczane przez producentów sprzętu rejesrującego czynność
EEG/MEG. Każdy z nich ma przynajmniej możliwość wyświetlania sygnałów, bardzo często
oznaczania interesujących fragmentów danych lub artefaktów, filtrowania w zadanych pasmach
częstości, czasem możliwe jest wykonywanie analizy spektralnej dla zaznaczonego fragmentu
danych.
Bardziej zaawansowane analizy prowadzi się zwykle w dedykowanych do tego programach. Poniżej
krótko omówimy najbardziej popularne obecnie pakiety. Omówiony jest stan tych pakietów w
czerwcu 2009. Dziedzina analizy sygnałów EEG i MEG rozwija się obecnie bardzo dynamicznie więc
aktualne informację na temat każdego ze wspomnianych poniżej pakietów należy szukać na
podanych stronach internetowych.
Pakiety otwarte (Open Source, GPL)
Obecnie dominują trzy pakiety. Wszystkie są toolboxami działającymi w środowisku Matlab. Każdy
wyrósł z nieco odmiennych korzeni i stąd cechuje go pewna specyfika podejścia do problemów
analizy, ale w chwili obecnej oferują one podobną funkcjonalność i zarówno dzięki wspólnej
platformie jak i wysiłkom tworzących je ludzi możliwa jest mniej lub bardziej łatwa integracja funkcji
z różnych toolboxów. Ponieważ pakiety te są wykonywane w Matlabie mają zaletę przenośności
między różnymi systemami operacyjnymi, na których działa Matlab tzn. Linux, Unix, Windows i Mac
OS X.
Fieldtrip
Fieldtrip jest typowym toolboxem tzn. nie posiada on własnego interface'u. W związku z tym wymaga
on znajomości programowania w Matlabie. Dostarcza natomiast wielu funkcji służących do analiz
czasowych i spektralnych sygnałów EEG/MEG. Jego specjalnością są implementacje metod
rozwiązywania problemów wprost i odwrotnych i ich wizualizacja. Z funkcji dostępnych w toolboxie
łatwo można składać skrypty do potokowego przetwarzania danych i lokalizacji źródeł.
Więcej informacji na stronie: http://fieldtrip.fcdonders.nl/
EEGLAB
EEGLAB jest interaktywnym toolboxem matlabowym do przetwarzania zarówno ciągłych jak i
związanych z bodźcami danych EEG i MEG. Wyrósł jako narzędzie do analizy EEG na pozimie
sensorów. Dostarcza on możliwość analizy składowych niezależnych (ICA), analiz czasowoczęstotliwościowych i wiele narzędzi do wizualizacji danych i wyników. Dzięki współpracy z
toolboxem Fieldtrip możliwa jest lokalizacja źródeł czynności EEG i MEG.
EEGLAB ma dość przejrzysty interfejs użytkownika, tak że większość standardowych procedur
analizy danych można "wyklikać". Dodatkowo tworzona jest historia wywoływanych funkcji. Ułatwia
ona pisanie skryptów do obliczeń nieinteraktywnych. Mechanizm wtyczek (plug-inów) umożliwia
rozbudowywanie funkcjonalności interfejcu EEGLABa.
Mocną stroną jest import wielu formatów danych. EEGLAB wspiera analizę zarówno pojedynczych
datasetów jak i zbiorów danych agregowanych w tzw. studtset. Więcej informacji na stronie:
http://sccn.ucsd.edu/eeglab/
SPM
SPM jest interaktywnym toolboxem. Ma bardzo rozbudowany interfejs. Ale wspiera też pisanie
własych skryptów przetwarzania danych. Pakiet sięga korzeniami do analizy danych PET, MRI i
fMRI. Aktualna wersja (SPM8) została rozbudowana o stosunkowo wygodną wersję do wczytywania i
wstępnej obróbki szeregów czasowych. Bardzo mocną stroną SPM jest statystyczna obróbka
wyników i bardzo dobra segmentacja obrazów MRI w oparciu o statysyki bayesowskie. Więcej
szczegółów na stronie: http://www.fil.ion.ucl.ac.uk/spm/software/spm8/
Pakiety komercyjne
Curry
Curry oferuje pełną ścieżkę przetwarzania danych: od wstępnego przetwarzania danych, filtrowania
sygnałów, przez analizy składowych głównych (PCA) lub składowych niezależnych (ICA) do
lokalizacji źródeł aktywności elektrycznej.
Integruje informacje z różnych modalności obrazowych(MRI, fMRI, PET, SPECT and CT) do
tworzenia indywidualnych modeli głowy metodą elementów granicznych BEM (Boundary Element
Method).
Lokalizacja źródeł może być prowadzona przy użyciu indywidualnego modelu głowy, lub
standardowych modeli głowy BEM lub modeli głowy opartych na elementach skończonych - Finite
Element Method (FEM).
Metody lokalizacji źródeł to fitowanie dipoli, MUSIC, dla źródeł rozciągłych: beamforming, Lp norms,
sLORETA, SWARM.
Możliwy jest eksport wyników do formatów Excel, MATLAB i SPM. Co ważne w zastosowaniach
klinicznych produkt ma FDA Market Clearance for intended clinical applications.
Więcej szczegółów na stronie producenta: [5]
BESA
BESA jest programem nakierowanym na analizę źródeł czynności elektrycznej w mózgu. Można w
niej przeprowadzić pełną ścieżkę od przeglądania i preprocesowania danych (filtrowanie, usuwanie
artefaktów, uśrednianie) danych.
Do dyspozycji mamy standardowe modele głowy FEM.
Zaimplementowane metody lokalizacji źródeł dipolowych to multiple source probe scan (MSPS) for
model validation i RAP-MUSIC z algorytmem genetycznym szukania optymalnego dopasowania.
Metody obrazowania źródeł rozciągłych: wieloźródłowy beamformer (multiple source beamformer
(MSBF)), metody minimalizacji normy rozwiązania: LORETA, sLORETA, swLORETA, LAURA,
SSLOFO.
Pakiet oferuje dodatkowo możliwości analiz czasowo - częstotliwościowych ERD/ERS oraz analizy
koherencji źródeł.
Więcej informacji na stronie producenta: [6]