Изучение активности мозга по электрическим ритмам является одним из эффективных подходов к анализу его работы. Методы электроэнцефалографии сегодня применяются не только в медицинской практике, но и в системах анализа и контроля состояний профессиональных спортсменов, операторов сложных технических объектов, испытателей и других людей, чья профессиональная деятельность связана с экстремальными физическими или психологическими нагрузками на организм. Поэтому разработку систем регистрации и анализа электрических ритмов головного мозга для широкого круга пользователей, можно считать актуальной задачей.
На сегодняшний день для регистрации и анализа биологических потенциалов мозга применяются электроэнцефалографы стационарного типа (например, «Мицар ЭЭГ 10/70» и «Нейрон спектр 1») и портативного типа (например, «Neurotravel рекордер»), позволяющие регистрировать биологические ритмы при ходьбе, отдыхе, психологических нагрузках и т.д. Такие электроэнцефалографы находятся в поликлиниках или медицинских центрах для обследования больных.
Плюсом стационарных устройств над портативными аналогами, идет высокая точность при регистрации и анализе электроэнцефалограммы. У устройств портативного типа большим плюсом является возможность регистрации электроэнцефалограммы в подвижном состоянии обследуемого. За счет того, что снятие биологических потенциалов происходит в подвижном состоянии, количество факторов влияющих на обследуемого намного больше, чем у аналогов стационарного типа, где установлены фоно и моно-стимуляторы. Применяемые сегодня электроэнцефалографы портативного типа могут в основном только регистрировать биологические потенциалы и записывать на съемный накопитель данные, для последующей обработки на персональном компьютере.
С каждым годом все больше и больше используются беспроводные технологии. Поэтому на сегодняшний день актуально и технически возможно использовать беспроводные технологии, при реализации системы анализы биологических потенциалов. В частности целесообразно использовать мобильный телефон в качестве модуля предварительной обработки и передачи данных. Таким образом, система будет состоять из трех компонентов: Модуля сбора данных – шлем с электродами закрепляющийся на голове; Модуль передачи с первичной обработкой (телефон); Сервер сбора и анализа данных.
Современные смартфоны имеют очень широкий функционал и позволяют решать ряд задач связанных с обработкой данных. Производительность топовых моделей составляет порядка 326,4 GFLOPS. Такой производительности достаточно для модуля передачи данных.
Система обеспечивает снятие показаний с головного мозга человека, перевод данных из аналоговой в цифровую форму, с последующей передачей информации на сервер для обработки. Модуль сбора данных состоит из электродов, непосредственно снимающих ритмы головного мозга, усилителей фильтра низких частот, аналого–цифрового преобразователя, преобразующего аналоговые данные в цифровые для последующей обработки микропроцессором и интерфейса для последующей передачи данных на смартфон.
Для эффективного анализа ЭЭГ-сигналов необходимо выполнять их оцифровку с разрешением не менее 16 двоичных разрядов. Так как модуль сбора данных разрабатываемой системы является портативным, на точность преобразования существенное влияние будут оказывать внешние помехи. Данным условиям наилучшим образом удовлетворяют интегрирующие АЦП, в частности сигма-дельта (ΣΔ) архитектуры. Высокое разрешение и наличие встроенного предварительного усилителя с программируемым коэффициентом усиления позволяют применять серийные ΣΔ-АЦП для непосредственной оцифровки сигналов малого уровня, к которым относятся ЭЭГ-сигналы поступающие с электродов. Высокое разрешение в интегрирующих АЦП данного класса обеспечивается возможностью производить обмен разрешающей способности на время преобразования [1,3,4], а подавление внешних помех – увеличением количества интегрирующих звеньев в структуре преобразователя, либо методами весового интегрирования [2,3].
Для визуализации работы системы было разработано алгоритмическое обеспечение средствами языка UML 2.0.
На рисунке 1 представлена диаграмма вариантов, иллюстрирующая, взаимодействие между пользователями системы и самой системой.
Рисунок 1. Диаграмма вариантов использования
В функции регистрация биопотенциалов участвуют два актера «Пациент» и «Подсистема сбора данных». На пациента надевается шлем и подключается к телефону, далее идет снятие ритмов с головного мозга и первичная обработка шлемом.
Функция анализ данных, которая позволяет проанализировать полученные данные «Доктору» и «Пациенту». Пациент может посмотреть первичный результат обработки после снятия ритмов на телефоне, за счет интерфейса можно увидеть отклонения или нормы снятых ритмов головного мозга. В этой функции участвуют три актера «Пользователь», «Пациент», «База данных». Телефон получает данные с шлема первично обрабатывает и отправляет на сервер, заме сервер делает полный анализ ритмов головного мозга и после этого записывает все данные в базу данных для хранения или последующей проверки.
Зарегистрированные в цифровом виде ЭЭГ-сигналы посредством смартфона передаются на сервер обработки и анализа. Кроме стандартных средств обработки используемых при исследовании ритмов головного мозга (таких как спектральное преобразование) в системе предлагается дополнительно реализовать аппарат автоматической идентификации типовых отклонений сигналов от нормы, для выявления известных патологий. Автоматический анализ не отменяет последующее исследование получаемых данных квалифицированным специалистом (Доктором). Однако позволит автоматически обнаруживать отклонения и сигнализировать о них круглосуточно в режиме близком к режиму «реального времени» (задержки определяются только временем, затрачиваемым на передачу и обработку сигналов). При этом результаты данного автоматического анализа может запросить «Пациент» по средством своего смартфона.
Функция администрирование базы данных доступна только «Пользователю» (администратору). С помощью этой функции пользователь записывает, редактирует и удаляет информацию из базы данных.
«Передача данных в базу данных» данная функция позволяет передавать информацию по каналу связи GPRS удаленно на сервер, за счет такой функции снятие биологических потенциалов головного мозга можно снимать в полевых условиях.
На рисунке 2 представлена диаграмма активности системы, описывающая активное состояние системы, в котором она выполняет некоторую работу. После ее завершения происходит переход между активностями.
Рисунок 2. Диаграмма активности
Последовательность снятия данных происходит следующим образом: пользователь включает питание шлема и заходит в интерфейс специализированной программы установленной на телефоне, которая устанавливает связь с шлемом, если связь установлена шлем начинает снимать биологические потенциалы мозга и одновременно посылать данные на телефон. Когда показатели будут сняты, телефон ждет подключения к серверу после успешного подключения с сервером идет передача данных для полного анализа на сервере, после все данные попадают в базу данных для хранения.
Отдельно показана работа микропроцессора на рисунке 3.
Рисунок 3. Диаграмма активности микропроцессора
При включении питания шлема идет включение микропроцессора, далее микропроцессор устанавливает связь с модулем передачи (телефон) если связь не установлена счетчику присваивается значение +1, если счетчик будет равен трем микропроцессор покажет на индикаторе ошибку. При успешной связи микропроцессора и телефона происходит инициализация АЦП, если АЦП не инициализируется, микропроцессор показывает системную ошибку при успешной инициализации АЦП, сигналы снятые электродами с головы поступают на АЦП. АЦП преобразует входной аналоговый сигнал в цифровой для последующей обработки микропроцессором. Обработанный сигнал передается на телефон, через интерфейс установленный на телефоне, можно увидеть обработанные сигналы и передать их на сервер для последующей обработки.
В современных информационных системах для решения задач идентификации, классификации сигналов активно используют интеллектуальные нейронные сети [5]. Была построена диаграмма последовательности подсистемы идентификации показывающая очередность следования друг за другом различных стимулов (сообщения), с помощью которых объекты взаимодействуют между собой [6].
Рисунок 4. Диаграмма последовательности подсистемы идентификации
Идентификация патологий происходит следующим образом. Подсистема идентификации забирает стандарты сигналов патологий, далее с модуля сбора данных на подсистему идентификации поступают биологические потенциалы, после получения стандартов патологий и биологических ритмов, создается интеллектуальная нейронная сеть, которая в дальнейшем обучается для идентификация патологий. После обучения нейронной сети начинается идентификация патологий, в завершении все результаты записываются в базу данных.
Было разработано алгоритмическое обеспечение для разрабатываемой информационной системы представленное набором UML диаграмм. На основе представленных диаграмм в дальнейшем могут быть построены математические и имитационные модели необходимые при разработке данной информационной системы.
Библиографический список
- Юрманов В.А., Пискаев К.Ю., Куц А.В. Реализации передискретизации в ΣΔ-АЦП на непрерывных интеграторах // Прикаспийский журнал: управление и высокие технологии. – 2014. – №1(25). – С.113 – 121.
- Куц А.В., Пискаев К.Ю., Юрманов В.А. Реализация весового интегрирования в высокоточных интегрирующих АЦП // Вопросы радиоэлектроники. – 2010. – Т. 3. – № 5. – С. 157 – 165.
- Пискаев К.Ю. Анализ проблемы повышения точности интегрирующих аналого-цифровых преобразователей // Вестник Самарского государственного технического университета. Серия: Технические науки. – 2013. – №1(37). – С. 227 – 230.
- Михеев М.Ю., Юрманов В.А., Пискаев К.Ю. Интегрирующие АЦП с частотно-импульсной модуляцией // Труды международного симпозиума Надежность и качество. – 2014. – Т. 1. – С. 315-318.
- Жашкова Т.В. Обобщенная процедура синтеза алгоритмов нейросетевой идентификации на базе теории целых функций экспоненциального типа // Прикаспийский журнал: управление и высокие технологии. – 2013. – № 4. – С. 094-101.
- Мурашкина Е.Н., Михеев М.Ю. Применение UML-моделирования для управления структурной динамикой сложных технических систем нейросетевой идентификации сигналов сложной формы // Труды международного симпозиума Надежность и качество. – 2014. – Т. 1. – С. 244-247.