в Интернете 
Українська  English  Русский  

DOI: https://doi.org/10.31071/kit2018.14.05


Опись-ссылка ISSN 1812-7231 Klin.inform.telemed. Volume 13, Issue 14, 2018, Pages 37–46


Автор(ы) О. Ю. Майоров 1, 2, 4, В. Н. Фенченко 1, 2, 3


Учреждение(я)

1Харьковская медицинская академия последипломного образования МЗ Украины, 2Институт медицинской информатики и Телемедицины (Харьков), 3Физико-технический институт низких температур НАН Украины имени Б. И. Веркина (Харьков), 4ГУ Институт охраны здоровья детей и подростков АМН Украины (Харьков)


Название статьи Метод выявления на ранних стадиях больных с расстройствами шизофренического ряда из групп больных с "функциональными" психозами на основе скейлинговых показателей ЭЭГ


Аннотация (резюме)

Введение. Использование различных аппаратных методов — PET, fMRI, qEEG углубило понимание шизофренического состояния, однако, по-прежнему, не выявлены валидные "нейромаркеры" шизофрении, позволяющие надежно выделить больных шизофренией из групп пациентов с другими "функциональными психозами". Стандартные критерии для диагностики шизофрении на основе ЭЭГ отсутствуют. Достоверные различия в ЭЭГ больных шизофренией и здоровых лиц выявляются только при сравнении усредненных данных по большим группам больных и здоровых. В работе предложено использовать надежные математические показатели для сравнения индивидуальных параметров ЭЭГ с референтными группами для классификации пациентов (выявления шизофрении и других "функциональных" психозов).

Объем и методы исследований. Исследовались 3 референтные группы испытуемых мужского пола, 20–26 лет: здоровые (35), больные с депрессией (34), нелеченные больные шизофренией (28), диагноз которых был подтвержден клинически. Исследования проводились в состоянии спокойного бодрствования и во время ментальной нагрузки (обратный счет в уме). ЭЭГ регистрировалась монополярно на 24-х канальном электроэнцефалографе ("DX-системы", Украина) с усредненным референтным электродом, с расположением электродов по системе "10–20", частотой дискретизации 400 Гц. Исследовались лобные (F3, F4) теменные (Р3, Р4), и височные (T3, T4) отведения.

Результаты. Проведено исследования скейлинговых показателей ЭЭГ. Использовался мультифрактальный детрендированный флуктуационный анализ (Multifractal Detrended Fluctuation Analysis — МDFA), Его применение наиболее эффективно с учетом неоднородности и нестационарности сигнала и имеет ряд особенностей, из-за сложной структуры и специфического характера ЭЭГ. Предложен новый метод ранней диагностики психических расстройств шизофренического ряда по скейлинговым показателям ЭЭГ, зарегистрированных в состоянии покоя и ментальной нагрузки с последующей классификацией пациентов.


Ключевые слова ЭЭГ, скейлинговые показатели ЭЭГ, "нейромаркеры", шизофрения, депрессия


Список литературы

1. Friston K. J. Theoretical neurobiology and schizophrenia. Brain Med. Bull. 1996. vol. 52, no. 3, pp. 644–655.

2. Woodruff P., Murray R. The aetiology of brain abnormalities in schizophrenia. In: Ancil R. J., Holliday S., Higenbottam J., eds. Schizophrenia: Exploring the Spectrum of Psychosis. Chichester, UK, Wiley, 1994, pp. 95–144.

3. Andreasen N. C. A Unitary Model of Schizophrenia: Bleuler's "Fragmented Phrene" as Schizencephaly. Arch. Gen. Psychol., 1999. vol. 56. no. 9. pp. 781–787.

4. Peled A. Multiple constraint organization in the brain: A the ory for schizophrenia. Brain Res. Bull. 1999, vol. 49, iss. 4, pp. 245-250.

5. Coutin-Churchman Р., Anez У., Uzcategui М., Alvarez L., Vergara F., Mendez L., Fleitas R. Quantitative spectral analysis of EEG in psychiatry revisited: drawing signs out of numbers in а clinical setting. Clin. Neurophysiol., 2003, vol. 114, pp. 2294–2306.

6. Gruzelier J. Н. Theory, methods and new directions in the psychophysiology of the schizophrenic process and schizotypy. Int. J. Psychophysiol., 2003, vol. 48, pp. 221–245.

7. Oswiecimka P., Kwapin J., Drozdz S. Wavelet versus detrended fluctuation analysis of multifractal structures. Physical Review E: Statistical, Nonlinear, and Soft Matter Physics. 2006, vol. 74, pp. 161–203.

8. Mayorov O. Yu. and Fenchenko V. N. Searching for "Neuromakers" Characteristic for Pathologic Changes in Schizophrenia by Using the Scaling Indices of the Cerebral Bioelectric Activity. European J. of Biomed. Informatics, 2018, vol. 14, iss. 1, pp. 67–74.

9. Mandelbrot B. Possible refinement of the lognormal hypothe sis concerning the distribution of energy dissipation in intermittent turbulence. Proc. Sympos. Statistical Models and Turbulence, Eds M. Rosenblatt, C. Van Atta, 1972. pp. 333–351.

10. Mandelbrot B. B. Intermittent turbulence in self-similar cascades: divergence of high moments and dimension of the carrier. J. of Fluid Mechanics., 1974, vol. 62, no. 2, pp. 331–358.

11. Parisi G., Frisch U. On the singularity structure of fully deve loped turbulence. Proc. of the Intern. School of Physics "Enrico Fermi", 1985, pp. 84–87.

12. Benzi R., Paladin G., Parisi G., Vulpiani A. On the multifractal nature of fully developed turbulence and chaotic systems. J. of Physics A: Mathematical and General., 1984, vol. 17, no. 18, pp. 3521–3531.

13. Ivanov P. C., Amaral L. A., Goldberger A. L. et al. Multifractality in human heartbeat dynamics. Nature. 1999, vol. 399, iss. 6735, pp. 461–465.

14. Ivanov P. C., Nunes C., Amaral L. A., Goldberger A. L. et al. From 1/f noise to multifractal cascades in heartbeat dynamics. Chaos, Woodbury, N. Y., 2001, vol. 11, no. 3. pp. 641–652.

15. Muzy J. F., Bacry E. and Arneodo A. Wavelets and multifractal formalism for singular signals: Application to turbulence data. Phys. Rev. Lett., 1991, vol. 67, iss. 25, 3515.
https://doi.org/10.1103/PhysRevLett.67.3515

16. Muzy J. F., Bacry E. and Arneodo A. Multifractal formalism for fractal signals: The structure-function approach versus the wavelet-transform modulus-maxima method. Phys. Rev., 1993, E 47, iss.2, 875.
https://doi.org/10.1103/PhysRevE.47.875

17. Muzy J. F., Bacry E. and Arneodo A. The multifractal formalism revisited with wavelets. Intern. J. of Bifurcation and Chaos, 1994, vol. 04, no. 02, pp. 245–302.
https://doi.org/10.1142/S0218127494000204

18. Kantelhardt J. W., Zschiegner S. A., Bunde A., Havlin S., Koscielny-Bunde E., Stanley H. E. Multifractal detrended fluctuation analysis of non-stationary time series. Physica A., 2002, no. 316, pp. 87–114.

19. Kantelhardt J. W., Koscielny-Bunde E., Rego H. A., Havlin S., Bunde A. Detecting long-range correlations with detrended fluctuation analysis. Physica A., 2001, no. 295, pp. 441–454.

20. Peng C.-K., Havlin S., Stanley H. E., Goldberger A. L., Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series. CHAOS, 1995, vol. 5, no. 1, pp. 82–87.

21. Stanley H. E., Amaral L. A., Goldberger A. L., Havlin S., Ivanov P. Ch., Peng C. K., Statistical physics and physiology: monofractal and multifractal approaches. Physica A., 1999, vol. 270, iss. 1–2, pp. 309–324.

22. Veneziano D., Moglen G. E., Bras R. L. Multifractal analysis: pitfalls of standard procedures and alternatives. Phys. Rev. E., 1995. vol.52, pp. 1387–1398.

23. Bishop C. M. Neural Networks for Pattern Recognition. Oxford: Clarendon Press, 1995, 482 p.

24. Haykin S., Neural networks and learning machines. 3rd ed., Pearson Educ., Inc., Upper Saddle River, N. J., Prentice Hall, Inc., 2009, 906 p.

25. Ruthowski L. Computational Intelligence. Methodsand Techniques. Berlin-Heidelberg: Springer-Verlag, 2008, 514 p.

26. Du Ke-Lin, Swamy M. N. S. Neural Networks and Statistical Learning. Springer-Verlag London, 2014, 834 p.
https://doi.org/10.1007/978-1-4471-5571-3

27. Jang, J.-S. R. ANFIS: Adaptive-network-based fuzzy inference systems. IEEE Trans. Syst., Man, and Cybern., 1993, vol. 23, no. 3, pp. 665–685.

28. Perova I., Mulesa P. Fuzzy spacial extrapolation method using Manhattan metrics for tasks of Medical Data mining. Proc. Scientific and Technical Conference "Computer Sciences and Information Technologies" (CSIT), 2015, pp. 104–106.

29. Tetsuya Takahashi, Takashi Goto, Sou Nobukawa, and oth. Abnormal functional connectivity of high-frequency rhythms in drug-naive schizophrenia. Clin. Neurophysiology., 2018, iss. 129, pр. 222–231.

30. Майоров О. Ю., Фенченко В. Н. Мультифрактальный анализ в исследовании биоэлектрической активности мозга. Ж. Кибернетика и вычислительная техника. 2015, Вып. 181, cc. 81–94.

31. Goldman D. The clinical use of the "average" reference electrode in monopolar recording. Electroencephalogr. Clin. Neurophysiol., 1950, vol. 2, pp. 209 – 212.
https://doi.org/10.1016/0013-4694(50)90039-3

32. Offner F. F. The EEG as potential mapping: the value of the average monopolar reference. Electroencephalogr. Clin. Neurophysiol., 1950, vol. 2, pp. 213–214.
https://doi.org/10.1016/0013-4694(50)90040-X


Полнотекстовая версия http://kit-journal.com.ua/ru/viewer_ru.html?doc/2018_14/005.pdf