Локальный пространственный анализ ЭЭГ-сигналов с помощью лапласиановского монтажа

Цели. Одной из актуальных задач, возникающих при регистрации сигналов мозговой активности с помощью электроэнцефалографии (ЭЭГ), является уменьшение влияния помех (артефактов). В данном исследовании рассматривается один из способов решения данной задачи с помощью дифференциального оператора Лапласа. Цель работы – определение количества электродов, входящих в лапласиановский монтаж, а также выяснение требований к геометрической форме их расположения для обеспечения наилучшего качества обработки сигналов ЭЭГ.

Методы. Метод лапласиановского монтажа основывается на использовании отдельных электродов для определения второй производной сигнала, которая пропорциональна электрическому току в соответствующей точке поверхности головы. Этот подход позволяет оценить потенциал нейронной активности источника, находящегося в малой области, ограниченной комплексом электродов. При использовании небольшого количества равноудаленных электродов вокруг целевого электрода при лапласиановском монтаже удается получить значительно более качественный сигнал из области, находящейся под электродным комплексом. Результаты. Для всех рассмотренных в статье способов построения лапласиановского монтажа, было показано, что комплекс, состоящий из 16 + 1 отдельных электродов, является наиболее предпочтительным для использования. Выбор схемы 16 + 1 обусловлен наилучшим компромиссом между качеством обработки сигналов ЭЭГ и сложностью изготовления электродного комплекса при заданных геометрических параметрах. Оценка качества проводилась моделированием сигнала помехи, с помощью чего удалось оценить правильность выбора схемы построения монтажа.

Выводы. Установлено, что применение метода лапласиановского монтажа способно значительно уменьшить влияние артефактов. С помощью предложенной схемы монтажа обеспечивается высокий уровень подавления помеховых сигналов, источники которых находятся далеко за пределами проекции электродного комплекса. Однако не все помехи, источники которых лежат в глубине мозга, могут быть эффективно подавлены с помощью одной лишь схемы лапласиановского монтажа. Необходимо использовать различные цифровые методы обработки сигналов, учитывающие их статистические свойства.

1. Acharya J.N., Acharya V.J. Overview of EEG Montages and Principles of Localization. J. Clin. Neurophysiol. 2019;36(5): 325–329. https://doi.org/10.1097/wnp.0000000000000538

2. Tsuchimoto S., Shibusawa S., Iwama S., Hayashi M., Okuyama K., Mizuguchi N., Kato K., Ushiba J. Use of common average reference and large-Laplacian spatial-filters enhances EEG signal-to-noise ratios in intrinsic sensorimotor activity. J. Neurosci. Methods. 2021;353:109089. https://doi.org/10.1016/j.jneumeth.2021.109089

3. Gordon R., Rzempoluck E.J. Introduction to Laplacian Montages. Am. J. Electroneurodiagnostic Technol. 2004;44(2): 98–102. http://doi.org/10.1080/1086508X.2004.11079469

4. Hjorth B. An on-line transformation off EEG scalp potentials into orthogonal source derivations. Electroencephalogr. Clin. Neurophysiol. 1975;39(5):526–530. https://doi.org/10.1016/0013-4694(75)90056-5

5. Alzahrani S.I., Anderson C.W. A Comparison of Conventional and Tri-Polar EEG Electrodes for Decoding Real and Imaginary Finger Movements from One Hand. Int. J. Neural. Syst. 2021;31(9):2150036. https://doi.org/10.1142/s0129065721500362

6. Makeyev O., Ding Q., Besio W.G. Improving the accuracy of Laplacian estimation with novel multipolar concentric ring electrodes. Measurement (Lond). 2016;80:44–52. https://doi.org/10.1016/j.measurement.2015.11.017

7. Makeyev O. Solving the general inter-ring distances optimization problem for concentric ring electrodes to improve Laplacian estimation. BioMed. Eng. OnLine. 2018;17(1):117. https://doi.org/10.1186/s12938-018-0549-6

8. Dickey A.S., Alwaki A., Kheder A., Willie J.T., Drane D.L., Pedersen N.P. The Referential Montage Inadequately Localizes Corticocortical Evoked Potentials in Stereoelectroencephalography. J. Clin. Neurophysiol. 2022;39(5):412–418. https://doi.org/10.1097/wnp.0000000000000792

9. Carvalhaes C., de Barros J.A. The surface Laplacian technique in EEG: Theory and methods. Int. J. Psychophysiol. 2015;97(3):174–188. https://doi.org/10.1016/j.ijpsycho.2015.04.023

10. Greischar L.L., Burghy C.A., van Reekum C.M., Jackson D.C., Pizzagalli D.A., Mueller C., Davidson R.J. Effects of electrode density and electrolyte spreading in dense array electroencephalographic recording. Clin. Neurophysiol. 2004;115(3): 710–720. https://doi.org/10.1016/j.clinph.2003.10.028

11. Smith E.E., Bel-Bahar T.S., Kayser J. A systematic data-driven approach to analyze sensor-level EEG connectivity: Identifying robust phase-synchronized network components using surface Laplacian with spectral-spatial PCA. Psychophysiology. 2022;59(10):e14080. https://doi.org/10.1111/psyp.14080

12. Bufacchi R.J., Magri C., Novembre G., Iannetti G.D. Local spatial analysis: an easy-to-use adaptive spatial EEG filter. J. Neurophysiol. 2021;125(2):509–521. https://doi.org/10.1152/jn.00560.2019

13. Martin-Chinea K., Gomez-Gonzalez J.F., Acosta L. A New PLV-Spatial Filtering to Improve the Classification Performance in BCI Systems. IEEE Trans. Neural. Syst. Rehabil. Eng. 2022;30:2275–2282. https://doi.org/10.1109/tnsre.2022.3198021

14. Liu Q., Yang L., Zhang Z., Yang H., Zhang Y., Wu J. The Feature, Performance, and Prospect of Advanced Electrodes for Electroencephalogram. Biosensors (Basel). 2023;13(1):101. https://doi.org/10.3390/bios13010101

15. Пономарев В.А., Пронина М.В., Кропотов Ю.Д. Динамика спектральной плотности электроэнцефалограммы в тета-, альфаи бета-диапазонах в зрительном GO/NOGO тесте. Физиология человека. 2017;43(4):13–24. https://doi.org/10.7868/S0131164617040130 [Original Russian Text: Ponomarev V.A., Pronina M.V., Kropotov Y.D. Dynamics of the EEG spectral density in the Theta, Alpha and Beta bands in the visual Go/NoGo task. Fiziologiya cheloveka. 2017;43(4):13–24 (in Russ.). https://doi.org/10.7868/S0131164617040130 ]

16. Поллер Б.В., Щетинин Ю.И., Орлов И.С. Адаптивная цифровая фильтрация сигналов в системах анализа электроэнцефалограмм (ЭЭГ). Научный вестник Новосибирского государственного технического университета. 2013;1(50):31–38. URL: https://elibrary.ru/PWURSR