• Разработка и исследование методов выделения диагностической информации при заболеваниях головного мозга

  Руководитель направления Обухов Юрий Владимирович г.н.с., д.ф.-м.н эл. почта: [email protected] тел.: +7 (495) 629-72-85

  
  

   
  – Разработка и исследование методов количественной диагностики пациентов на ранней стадии болезни Паркинсона (БП) и пациентов с эссенциальным тремором (ЭТ) на основе электроэнцефалографических (ЭЭГ), электромиографических (ЭМГ) и акселерометрических сигналов.
  – Разработка и исследование методов выявления диагностических признаков эпилепсии и отсроченной ишемии головного мозга в данных многосуточного видео-ЭЭГ мониторинга пациентов.
  – Разработка и исследование методов количественной оценки диагностики черепно-мозговой травмы средней степени тяжести и динамики реабилитации пациентов по анализу межканальной фазовой синхронизации многоканальной ЭЭГ.
  

• Объектно-ориентированное логическое программирование

  Руководитель направления Морозов Алексей Александрович с.н.с., к.ф.-м.н эл. почта: [email protected] тел.: +7 (495) 629-72-85

  
  

  – Разработка объектно-ориентированного логического языка Акторный Пролог.
  – Исследование и разработка логических методов анализа биомедицинских сигналов.
  – Исследование и разработка логических методов анализа видеоизображений в видимом, тепловизионном и терагерцовом диапазонах частот.
  – Исследование и разработка логических методов трёхмерного интеллектуального видеонаблюдения.

• Разработана методика совместных измерений ЭЭГ, ЭМГ и тремора (Рис. 1). Разработан специальный вид графических диаграмм для поиска закономерностей в частотно-временных свойствах сигналов – AUC-диаграммы (см. пример на Рис. 2). Идея AUC-диаграмм заключается в отображении степени отличия между выборками данных в зависимости от границ диапазона исследуемого параметра с помощью цветовой шкалы. По оси абсцисс откладывается нижняя граница диапазона, по оси ординат – верхняя граница диапазона. С помощью разработанного метода были выявлены характеристики цугов колебаний ЭЭГ и ЭМГ (частота, спектральная плотность мощности, длительность в периодах, ширина полосы частот), позволяющие диагностировать болезнь Паркинсона на ранней (доклинической) стадии. Были исследованы характеристики различных видов тремора. Обнаружена статистически значимая отрицательная корреляция между количеством цугов паркинсонического (4-6 Гц) и физиологического (8-12 Гц) тремора у пациентов на первой стадии болезни Паркинсона, а также статистически значимая отрицательная корреляция между количеством цугов физиологического тремора и возрастом пациентов. Были обнаружены закономерности в парных ЭМГ-сигналах мышц-антагонистов пациентов с болезнью Паркинсона и пациентов с эссенциальным тремором. Обнаружено, что ЭМГ-сигналы мышц-антагонистов демонстрируют одновременно несколько закономерностей противоположной направленности. Разработанный метод является универсальным и может быть применён для анализа других видов биомедицинских сигналов.

  Рис. 1. Проведение совместных измерений ЭЭГ, ЭМГ и тремора у пациентов с нейродегенеративными заболеваниями.

  Рис. 2. Пример диагностической AUC-диаграммы. Красная область на диаграмме показывает отличие ЭМГ-данных у пациентов с болезнью Паркинсона и контрольных испытуемых в частотном диапазоне 8-20 Гц.

  Публикации:
  

  • Sushkova O.S., Morozov A.A., Gabova A.V., Karabanov A.V., Illarioshkin S.N. A statistical method for exploratory data analysis based on 2D and 3D area under curve diagrams: Parkinson’s disease investigation // Sensors / Ernest N. Kamavuako (Eds.). – MDPI, 2021. – V. 21, Issue 14. – P. 4700
  • Sushkova O.S., Morozov A.A., Kershner I.A., Khokhlova M.N., Gabova A.V., Karabanov A.V., Chigaleichick L.A., Illarioshkin S.N. Investigation of Phase Shifts Using AUC Diagrams: Application to Differential Diagnosis of Parkinson’s Disease and Essential Tremor // Sensors / Sebastian Zaunseder, Christoph M. Friedrich (Eds.). – MDPI, 2023. – V. 23, Issue 3. – P. 1531.

• Разработан метод выделения эпилептических приступов в присутствии артефактов жизнедеятельности пациента в данных круглосуточного видео-ЭЭГ мониторинга, основанные на анализе спектральной плотности мощности (СПМ) и интервалов времени межканальной синхронизации хребтов вейвлет-спектрограмм. На рисунке 3 представлено изображение пациента с эпилепсией при предоперационном многосуточном видео-ЭЭГ мониторинге.
  На рисунке 4 приведён пример фрагмента сигнала с синхронизированными точками хребтов всех отведений ЭЭГ (верхний рисунок) и с сегментированными хребтами вейвлет-спектрограмм (нижний рисунок), характерного для эпилептического приступа. Использование разработанного метода выделения эпилептических приступов позволило примерно в 80 раз сократить время анализа врачом данных ежесуточного видео-ЭЭГ мониторинга.

  Рис. 3. Проведение круглосуточного видео-ЭЭГ-мониторинга у пациента с эпилепсией. На рисунке изображено: 1 – беспроводная шапочка ЭЭГ; 2 – портативное записывающее устройство с картой резервного хранения данных. Устройство взаимодействует с компьютерной установкой с помощью беспроводных технологий (Bluetooth\Wi-Fi).

  Рис. 4. Фрагмент сигнала, характерный для эпилептического приступа. Верхний график – синхронизированные точки хребтов вейвлет-спектрограммы ЭЭГ, нижний – сегменты хребтов со значениями спектральной плотности мощности (СПМ) выше заданного порога. В левом столбце указаны названия каналов, отображённых на нижнем рисунке, в правом столбце – на верхнем.

  Публикации:
  

  • Obukhov Y.V., Kershner I.A., Tolmacheva R.A., Sinkin M.V., Zhavoronkova L.A. Wavelet ridges in EEG diagnostic features extraction: Epilepsy long-time monitoring and rehabilitation after traumatic brain injury // Sensors. – MDPI, 2021. – V. 21, Issue. 18. – P. 5989

• Разработан метод количественной оценки нарушения межканальной фазовой связанности ЭЭГ у пациентов с черепно-мозговой травмой средней степени тяжести с помощью моторных и когнитивных тестов. Разность фаз сигналов оценивается в точках хребтов вейвлет-спектрограмм ЭЭГ. На рисунке 5 представлены фазово-связанные пары ЭЭГ-каналов пациента до реабилитации (пунктирные линии) и после реабилитации (сплошные линии) при когнитивном счётно-логическом тесте (Рис. 5, а), при когнитивном пространственно-образном тесте (Рис. 5, б) и при моторном тесте (Рис. 5, в). Видна положительная динамика реабилитации когнитивной функции при счётно-логическом тесте, заключающаяся в активизации связи в лобной области, и когнитивном пространственно-образном тесте, заключающаяся в активизации связи в лобной области и между полушариями. Отсутствие прогресса после реабилитации моторной функции при моторном тесте демонстрируется отсутствием фазово-связанных пар в центральной моторной зоне.

  а)

  б)

  в)

  Рис. 5. Фазово-связанные пары ЭЭГ-каналов пациента до реабилитации (пунктирные линии) и после реабилитации (сплошные линии): а) при когнитивном счётно-логическом тесте; б) при когнитивном пространственно-образном тесте. в) при моторном тесте.

  Публикации:
  

  • Tolmacheva R.A., Obukhov Y.V. and Zhavoronkova L.A. The estimation of inter-channel EEG phase connectivity in patients with traumatic brain injury // 2021 International Conference on Information Technology and Nanotechnology (ITNT-2021), Samara, Russia, 2021. – Washington: IEEE Xplore Digital Library. – 2021. – P. 1-4.

• Разработаны методы и средства терагерцового интеллектуального видеонаблюдения, то есть, автоматического анализа видеоизображений в терагерцовом диапазоне частот. Терагерцовое видеонаблюдение открывает уникальные возможности в сфере обеспечения безопасности, в частности, оно позволяет дистанционно выявлять оружие и опасные предметы, скрытые под одеждой на теле человека. Вместе с тем, особенности терагерцового видеоизображения, такие как низкое разрешение, слабый контраст и низкое соотношение сигнал/шум, приводят к необходимости разработки новых методов и подходов к автоматическому анализу видеоизображений. Типичное терагерцовое видеоизображение представляет собой набор цветных или монохромных пятен. Чтобы понять терагерцовое видеоизображение, оператор системы видеонаблюдения сопоставляет его с изображениями в других диапазонах частот (видимом или инфракрасном). В терминах автоматического анализа видео это означает, что учитывается контекст наблюдаемых событий и объектов, или, другими словами, осуществляется семантическое слияние (сопоставление) терагерцового видеоизображения с видеоизображениями, полученными на основе иных физических принципов. Авторы рассматривают семантическое слияние видеоизображений как основу для реализации терагерцового интеллектуального видеонаблюдения. Разработаны экспериментальные средства объектно-ориентированного логического программирования для решения задачи семантического слияния терагерцового и трёхмерного видеоизображений (Рис. 6).
  Набор терагерцовых видеоданных и дистрибутив Акторного Пролога опубликованы на сайте: www.fullvision.ru/monitoring/description_eng.php

  Рис. 6. Пример логической программы, осуществляющей сбор и анализ мультиспектральных видеоизображений. На терагерцовом видеоизображении виден объект, скрытый под одеждой.

  Публикации:
  

  • Morozov A.A., Sushkova O.S. Development of a Publicly Available Terahertz Video Dataset and a Software Platform for Experimenting with the Intelligent Terahertz Visual Surveillance // Advances in Intelligent Systems and Computing: The International Conference on Frontiers in Computing and Systems (COMSYS-2020), Jalpaiguri Government Engineering College, West Bengal, India, January 13-15, 2020, Proceedings / D. Bhattacharjee, D.K. Kole, N. Dey, S. Basu, D. Plewczynski (Eds.). – Springer, Singapore, 2021. – V. 1255. – P. 105-113

Выполняемые гранты:
1. Государственное задание «Фундаментальные основы применения методов радиоэлектроники для задач биомедицины».
2. Проект РНФ № 22-75-10079 «Разработка высокочувствительных методов ранней и дифференциальной диагностики нейродегенеративных заболеваний с дрожательным гиперкинезом».
3. Междисциплинарный проект РНФ № 22-69-00102 «Интеллектуальный автоматизированный комплекс детектирования и классификации в реальном времени диагностических показателей длительного синхронного видео-ЭЭГ мониторинга отсроченной ишемии головного мозга после субарахноидального кровоизлияния».
4. Стипендия Президента Российской Федерации для молодых ученых и аспирантов, осуществляющих перспективные научные исследования и разработки по приоритетным направлениям модернизации российской экономики.

Научная коллаборация:
– Совместно с ФГБНУ «Научный центр неврологии» проводятся разработка методов диагностики нейродегенеративных заболеваний;
– Совместно с Институтом высшей нервной деятельности и нейрофизиологии РАН проводятся исследования нейродегенеративных заболеваний на основе данных пациентов и животных моделей, а также исследования данных пациентов с черепно-мозговой травмой;
– Совместно с НИИ скорой помощи им. Н.В. Склифосовского разрабатываются методы диагностики отсроченной ишемии головного мозга после хирургического лечения по поводу нетравматического субарахноидального кровоизлияния;
– Совместно с Jadavpur University осуществляется разработка нейросетевых методов анализа терагерцовых видеоизображений.


Неофициальный сайт лаборатории: www.fullvision.ru/lab144/