Архив работы (714 кб, doc)

Содержание

Введение
Актуальность темы
Цель исследования
Задачи
Научная новизна
Практическая значимость
Структура магистерской работы
Публикации


1. Обзор литературы
   
   1.1.    Электромиографические исследования
   
   
   1.1.1.   Нейрофизиологические основы метода
   
   1.1.2.   Техника отведения и регистрации ЭМГ
   
   1.1.3.   Общие принципы анализа ЭМГ и электромиографическая семиотика
   
   1.1.4.   Стимуляционные методы в электромиографии
   
   
   1.2.   Выбор оптимального метода спектрального анализа для исследования частотного состава электромиографических сигналов
   
   
   1.2.1.   Непараметрические методы
   
   1.2.2.   Параметрические методы
   
   
2. Материалы и методы исследования
   
   2.1.   Описание системы Matlab
   
   
   2.1.1.   Краткий обзор
   
   2.1.2.   Основные функции
   
   2.1.3.   Работа в среде MATLAB
   
   2.1.4.   Структура автономного MATLAB-приложения
   
   
   2.2.   Изучение структуры аппаратного и программного обеспечения комплекса "Автоматизированная система исследований электромиографических сигналов человека"
   
   
3. Собственные исследования
   
   3.1.   Выбор метода исследования частотного состава электромиографических сигналов
   3.2.   Изучение структуры аппаратного и программного обеспечения комплекса "Автоматизированная система исследований электромиографических сигналов человека"
   3.3.   Разработка пакета программ для исследования частотного состава электромиографических сигналов
   
   
   3.3.1.   Описание программы
   
   3.3.2.   Описание алгоритма
   
   3.3.3.   Вычислительные аспекты
   
   3.3.4.   Организация входных и выходных данных
   
   3.3.5.   Требования к программным и аппаратным средствам
   
   3.3.6.   Спецификация программы
   
   3.3.7.   Описание главного окна программы
   
   3.3.8.   Краткое описание функций главного меню программы
   
   
   3.4.   Внедрение метода в клиническую практику
   
   

   Заключение
   

   Выводы
   

   Список использованной литературы
   

   Приложение 1 - Листинг программы
   

Введение

Актуальность темы

Автоматизированные системы измерения и обработки медико-биологической информации, использующие современные программные средства, существенно расширяют диагностические возможности современной медицины. Это касается и электромиографии - метода исследования нервно-мышечной системы посредством регистрации электрических потенциалов мышц.

Но, к сожалению, в данное время большинство отечественных медицинских учреждений не могут позволить себе приобретение современных миографов из-за их высокой стоимости. Одним из вариантов решения этой проблемы является модернизация имеющихся миографов предыдущего поколения путем сопряжения их с персональными компьютерами, снабженными специализированным программным обеспечением.

Помимо относительно низких затрат, еще одним достоинством данного подхода является возможность расширять комплекс исследований путем создания дополнительного программного обеспечения без изменения аппаратной части системы. Именно последний аспект и взят за основу данной работы, посвященной созданию пакета программ для исследования частотного состава электромиографических сигналов

В этой связи потребности практического здравоохранения и научно-исследовательских учреждений в оборудовании для ЭМГ-исследований весьма высоки. Однако в настоящее время отечественная медицинская промышленность не выпускает ни одного сертифицированного серийного электромиографа. Стоимость же зарубежных аппаратов делает их недоступными даже для специализированных медицинских учреждений.

В то же время и сегодня на многих клинических базах с успехом применяются четырехканальные миоскопы MG 440 фирмы "Микромед"[2], представляющие собой неавтоматизированные электромиографы предыдущего поколения. В сложившихся условиях проблема модернизации такой аппаратуры путем ее сопряжения с персональными компьютерами с помощью специализированных устройств ввода-вывода информации и последующей обработки ЭМГ-информации специальными программными средствами является актуальной. Такой подход реализован в автоматизированной системе исследований электромиографических сигналов, созданной на базе серийного миоскопа MG 440 и ПЭВМ типа IBM PC, связанных между собой модулем сопряжения. Данная система была разработана в МГП "Инженерное бюро ХАИ" [3]. Однако ее программное обеспечение не позволяло производить анализ частотного состава электромиограмм, что и послужило основанием для разработки комплекса программного обеспечения, предназначенного для исследования спектральных характеристик ЭМГ-сигналов.

Цель исследования

Разработать комплекс программного обеспечения для исследования частотного состава электромиографических сигналов скелетных мышц человека.

Задачи

Для достижения вышеуказанной цели исследований необходимо решить следующие задачи.

1. На базе анализа литературы по методам спектрального анализа цифровых сигналов вцелом и литературы по спектральному анализу биосигналов в частности выбрать наиболее информативный метод для исследования частотного состава электромиографических сигналов.
2. Изучить структуру аппаратного и программного обеспечения комплекса "Автоматизированная система исследований электромиографических сигналов человека" с целью его использования и усовершенствования.
3. Разработать пакет программ для исследования частотного состава электромиографических сигналов.
4. На основании спектральных характеристик электромиограмм скелетных мышц человека, полученных с помощью разработанного программного обеспечения, определить основные частотные диапазоны в норме и при ряде заболеваний нервно-мышечного аппарата с целью повышения диагностической ценности данного метода исследований.

Научная новизна

В данной работе приведены результаты исследования частотного состава электромиограмм, направленные на повышение качества диагностики заболеваний периферической нервной системы, что и является основным новшеством, поскольку ранее основными методами математической обработки ЭМГ-сигналов, применявшимися в клинической практике являлись: определение среднеквадратичного отклонения, средней частоты и амплитуды [3-5] и, в последнее время, экспериментальные программы, использующие фильтрацию при помощи волновых преобразований (вейвлет-фильтрацию) с последующим применением нейронных сетей для оценки сигнала [6-12]. Но исследования частотного состава электромиограмм вцелом незначительны и проводились скорее с исследовательской целью, чем с клинико-диагностической [13-15].

Практическая значимость

Применение спектрального анализа электромиограмм позволяет повысить качество диагностики заболеваний периферической нервной системы и эффективнее контролировать процесс их лечения. Также к достоинствам данного метода относятся наглядное представление результатов и возможность в ряде случаев избежать болезненных для пациента (игольчатая ЭМГ) и трудоемких для медработников процедур.

Структура магистерской работы

Работа изложена на восьмидесяти восьми страницах, содержит три таблицы и восемнадцать иллюстраций.

Публикации

1.  
2. Васильева - Линецкая Л.Я., Деменко В.Ф., Черепащук Г.А., Роханский А.О., Смирнов С.С. Автоматизированная система диагностики функционального состояния мышц по результатам исследований электромиографических сигналов. //Труды Национального аэрокосмического университета им. Н.Е. Жуковского "ХАИ". - Харьков: Антиква,2002. - Вып. 33 - с.322-331.

1. Обзор литературы

1.1. Электромиографические исследования

1.1.1. Нейрофизиологические основы метода

Электромиография - этот метод исследования нервно-мышечной системы посредством регистрации электрических потенциалов мышц. Хотя впервые электромиограмма (ЭМГ) была зарегистрирована с помощью телефонного устройства Н. Е. Введенским еще в 1884 г., а в 1907 г. удалось осуществить графическую запись ЭМГ человека [Piper Н., 1907], интенсивное развитие электромиографии в качестве клинической диагностической методики началось в 30-40-е годы XX столетия [Юсевич Ю. С., 1949; Altenburger Н., 1937; Buchthal F., 1949]. Определенная задержка прогресса в этой области по сравнению, например, с развитием электроэнцефалографии объясняется высокими требованиями к качеству регистрации и точности воспроизведения истинных параметров электрических потенциалов в электромиографии [16]. Создание высококачественных усилителей, дающих линейные характеристики в диапазоне высоких частот, и разработка методов катодной, а в последние годы электростатической регистрации, обеспечивающей неискаженное воспроизведение высокочастотных составляющих электрического потенциала до диапазона 20000 Гц, привели к существенному прогрессу в области клинического применения электромиографии [Юсевич Ю. С., 1958, 1972; Гехт Б. М., 1974; Bisshop de G., Dumou-lin J., 1974].

Наиболее важным достижением электромиографии было создание современной концепции морфофункциональной организации нервно-мышечной системы, позволившей адекватно интерпретировать наблюдаемые в физиологических и патологических состояниях изменения электрогенеза мышц [Юсевич Ю.С., 1972;Desmedt J. Е., 1958; Hausmanowa-Petrusewicz I., 1971].

Функциональным элементом скелетной мышцы является мышечное волокно. Сокращение мышечного волокна происходит в результате прихода к нему возбуждения по двигательным нервным волокнам. Возбуждение с нервного волокна на мышечное передается в нервно-мышечном синапсе с временной задержкой 0,5-1 мс [17]. Нервно-мышечный синапс состоит из пресинаптической части, представленной нервным окончанием, содержащим везикулы ацетилхолина, синаптической щели шириной 20-30 нм, заполненной основным веществом, и субсинаптической части, представляющей собой специализированный участок мембраны в середине мышечного волокна [18]. Эта часть мембраны имеет складчатую структуру и содержит специализированные холинорецептивные белковые соединения. Субсинаптическая мембрана мышечного волокна называется также концевой пластинкой. Именно в области концевой пластинки возникает возбуждение мышечного волокна, которое при достижении определенного порогового значения распространяется по всему мышечному волокну, сопровождаясь его сокращением[19].

В состоянии покоя имеется поляризация мембраны мышечного волокна, составляющая около 90 мВ [17]. Эта разность потенциалов обусловлена различиями концентрации ионов натрия, калия, кальция, хлора и др. во внутриклеточной и межклеточной жидкостях. Эти различия концентрации определяются активным транспортом ионов через мембрану мышечного волокна за счет энергии метаболизма клетки, причем основными факторами поддержания потенциала покоя являются выведение ионов Na⁺ из клетки и поступление ионов К⁺ в клетку. Когда к нервному окончанию приходит потенциал действия, в синаптическую щель выделяется ацетилхолин, взаимодействующий с холинорецепторами концевой пластинки мышечного волокна. В результате цепи биохимических реакций повышается проницаемость субсинаптической мембраны для ионов Na⁺, которые, диффундируя внутрь мышечного волокна, вызывают деполяризацию, проницаемость мембраны для ионов Na⁺ и K⁺ резко возрастает и в результате перераспределения их концентраций внутри и снаружи мышечного волокна нарастающая деполяризация приводит к инверсии потенциала, а затем за счет избыточного выхода ионов К⁺ из клетки происходит реполяризация мембраны с возвращением ее потенциала к исходному уровню. Эта быстрая последовательность деполяризации, инверсии потенциала и ре-поляризации мембраны носит название "потенциал действия мышечного волокна".[20]

При внутриклеточной регистрации потенциал действия выглядит как положительный пик, состоящий из быстрой деполяризации, длящейся около 1 мс, быстрой реполяризации, представляющей собой возвращение потенциала почти до уровня покоя, длящейся около 2 мс; затем следуют медленная реполяризация, небольшая следовая гиперполяризация и возврат потенциала к уровню покоя [16]. Длительность фазы медленной реполяризации и гиперполяризации достигает нескольких десятков миллисекунд [21]. В клинической электромиографии при внеклеточной регистрации макроэлектродом потенциал действия мышечного волокна представлен негативным пиком длительностью 1-3 мс. Медленная реполяризация и следовая гиперполяризация из-за малой амплитуды при экстраклеточном отведении не регистрируются, Потенциал действия спонтанно распространяется вдоль мышечного волокна в обоих направлениях, сопровождаясь мышечным сокращением, следующим с запаздыванием на 0,5-2 мс по отношению к основному потенциалу деполяризации мышечного волокна.[22]

Наблюдаемые при электромиографическом исследовании потенциалы фибрилляции являются потенциалами действия одного мышечного волокна, находящегося вблизи игольчатого электрода, введенного в мышцу (рис. 1.1).

Мышечные волокна внутри мышцы объединены в функциональные группы, называемые нервно-мышечными двигательными единицами (ДЕ), которые представляют собой совокупность мышечных волокон, иннервируемых одним мотонейроном передних рогов спинного мозга или ядер ствола [23]. При возбуждении мотонейрона возбуждаются соответственно все мышечные волокна, которые он иннервирует. В результате регистрируется потенциал действия (ПД) ДЕ, представляющий собой сумму ПД многих мышечных волокон, имеющий большую амплитуду, чем потенциал фибрилляции. Длительность этого потенциала также больше, чем длительность потенциала фибрилляции, поскольку возбуждение отдельных мышечных волокон происходит не абсолютно синхронно из-за разного времени распространения потенциала действия по концевым веточкам нервного волокна, подходящим к отдельным мышечным волокнам.

По этой же причине ПД ДЕ может быть двух-, трех-, иногда полифазным [16]. Длительность, амплитуда и форма ПД ДЕ зависят от количества составляющих ее мышечных волокон. Число мышечных волокон в ДЕ различно и для каждой отдельной мышцы может быть в среднем оценено ее иннервационным числом. Иннервационное число представляет собой отношение общего числа мышечных волокон в мышце к числу двигательных аксонов, ее иннервирующих, и определяется по результатам гистологического исследования [23]. Оно составляет, по последним данным, около 25 для мелких мышц головы и лица и 1600-1700 для крупных мышц ноги. Диаметр поперечного сечения территории ДЕ в мышцах руки составляет около 4-7 мм, ноги-5- 11 мм. Территории соседних ДЕ в существенной мере взаимно пересекаются так, что их мышечные волокна диффузно распределены между собой [Brandstater М. F., Lambert H., 1973; Aminoff М., 1978].

Рис. 1.1. Некоторые типы потенциалов ЭМГ.

1 - потенциал фибрилляции; 2 - потенциал действия ДЕ; 3 - интерференционная ЭМГ произвольного мышечного сокращения; 4 - потенциалы фасцикуляций при поражении передних рогов спинного мозга; 5 - гигантские потенциалы ДЕ при поражении передних рогов спинного мозга; 6 - разреженная кривая произвольного мышечного сокращения при поражении передних рогов спинного мозга; 7 - полифазные, укороченные по длительности, низкоамплитудные потенциалы ДЕ при миопатии; 1, 2, 4, 5, 7 - игольчатые отведения; 3, 6 - поверхностные отведения. Скорость горизонтальной развертки в-записях 2, 4, 6, 7 - как в записи 1 Цена вертикального деления на всех записях, кроме 5-100 мкВ, в записи 5 - 500 мкВ.

1.1.2. Техника отведения и регистрации ЭМГ

Принципы техники отведения и регистрации ЭМГ не отличаются от техники электроэнцефалографии, электрокардиографии и других электрографических методов. Система состоит из электродов, отводящих потенциалы мышцы, усилителя этих потенциалов и регистрирующего устройства.[24]

Рис.1.2. Типы ЭМГ электродов (схематически).

а - концентрический; б - биполярный; в - монополярный; г - мультиэлектрод; д - накожный; е - концентрический электрод в мышце; 1 - корпус иглы; 2 - контактные поверхности электрода; 3 - проводник; 4 - изоляция; 5 - металл, 6 - пластик; 7 - кожа; 8 - подкожная клетчатка; 9 - апоневроз; 10 - мышца.

В электромиографии используется два вида электродов - поверхностные и игольчатые (рис. 1.2). Поверхностные электроды представляют собой металлические пластины или диски площадью около 0,2 - 1 см², обычно вмонтированные попарно в фиксирующие колодки, обеспечивающие постоянство расстояний между отводящими электродами, что важно для оценки амплитуды регистрируемой активности. Такие электроды накладывают на кожу над областью двигательной точки мышцы. [25] Кожу перед наложением электрода протирают спиртом и смачивают изотоническим раствором хлорида натрия. Электрод фиксируют над мышцей с помощью резиновых полос, манжет или лейкопластыря. При необходимости длительного исследования на область кожно-электродного контакта наносят специальную электродную пасту, используемую в электроэнцефалографии. Большой размер и удаленность от мышечной ткани поверхностного электрода позволяют регистрировать с его помощью только суммарную активность мышц, представляющую собой интерференцию потенциалов действия многих сотен и даже тысяч мышечных волокон. При больших усилениях и сильных мышечных сокращениях поверхностный электрод регистрирует также активность соседних мышц. Все это не позволяет исследовать с помощью поверхностных электродов параметры отдельных мышечных потенциалов. В получаемой регистрации только ориентировочно оценивают частоту, периодичность и амплитуду ЭМГ [25].

Невозможность исследовать с помощью поверхностных электродов потенциалы фибрилляций, а также значительно меньшие возможности регистрации фасцикуляцией, чем при отведении игольчатым электродом, делают отведение поверхностными электродами малоинформативным при диагностике денервационных поражений, а невозможность оценить параметры ПД отдельных ДЕ обусловливает его неэффективность в диагностике первично-мышечных заболеваний.[16]

Преимуществом этого метода являются атравматичность, отсутствие риска инфекции, простота обращения с электродами. Безболезненность исследования не налагает ограничений на количество исследуемых за один раз мышц, делает этот метод предпочтительным при обследовании детей, а также при физиологическом контроле в спортивной медицине или при исследовании с применением массивных и сильных движений. Этот метод также предпочтителен в случаях поражений на супрануклеарном уровне, когда параметры активности отдельных ДЕ не изменены и нарушения касаются главным образом общей организации активности мышечного аппарата [16].

Игольчатые электроды бывают концентрическими, биполярными и монополярными. В первом варианте электрод представлен полой иглой диаметром около 0,5мм внутри которой проходит отделенный от нее слоем изоляции проволочный стержень из платины или нержавеющей стали. Разность потенциалов измеряют между корпусом иглы и кончиком центрального стержня. Иногда для увеличения локальности отведения иглу изолируют также снаружи, причем неизолированной оставляют только ее эллиптическую поверхность по плоскости среза. Площадь отводящей поверхности осевого стержня стандартного концентрического электрода составляет 0,07 мм² [26]. Приводимые в современных публикациях параметры потенциалов ЭМГ относятся к электродам этого типа и размера. При существенном увеличении площади контакта отводящего электрода параметры потенциалов могут существенно меняться. Это же относится к изменениям конструкции электрода (биполярный, монополярный, мультиэлектрод). Биполярный электрод содержит внутри иглы два одинаковых изолированных друг от друга стержня, между обнаженными кончиками, которых, отстоящими друг от друга на десятые доли миллиметра, измеряют разность потенциалов. Наконец, для монополярных отведений используют электроды, представляющие собой иглу, изолированную на всем протяжении, кроме заостренного конца, оголенного на протяжении 1-2 мм. [27]

Игольчатые электроды используют для исследования параметров ПД отдельных ДЕ и мышечных волокон. Отведение игольчатым электродом является основным в клинической миографии, ориентированной на диагностику первично-мышечных и нервно-мышечных заболеваний. Запись отдельных ПД в ДЕ и мышечных волокон позволяет точно оценить длительность, амплитуду, форму и фазность потенциала [26]. Игольчатые электроды необходимо оберегать от механических воздействий, могущих повредить изолирующий слой или вызвать образование зазубрин на прокалывающей части иглы и ее затупление. Изолирующий материал должен выдерживать кипячение и содержание в 90% спирте в течение 1 сут. Состояние игольчатого электрода контролируют визуально с помощью 10-кратной лупы или микроскопа. При обнаружении затупления или зазубрин проводят заточку, полировку и электролитическую обработку электрода по прилагаемой к нему инструкции. Использование затупленных и зазубренных электродов недопустимо, так как увеличивает болезненность исследования, приводит к грубому повреждению большого количества мышечных волокон и нервных веточек" что влечет за собой постановку неправильного диагноза. Перед введением электрода кожу протирают спиртом. Электрод стерилизуют кипячением или содержанием его в 90% спирте или другом дезинфицирующем растворе, состав которого указывается в инструкциях к электродам, в течение суток.[25]

Виды отведений

Независимо от типа электродов различают два способа отведения электрической активности - моно- и биполярный. В электромиографии монополярным называется такое отведение, когда один электрод располагается непосредственно вблизи исследуемого участка мышц, а второй - в удаленной от него области (кожа над костью, мочка уха и др.). Преимуществом монополярного отведения является возможность определить форму потенциала исследуемой структуры и истинную фазу отклонения потенциала. Недостаток заключается в том, что при большом расстоянии между электродами в запись вмешиваются потенциалы от других отделов мышцы или даже от других мышц. Биполярное отведение - это такое отведение, при котором оба электрода находятся на достаточно близком и одинаковом расстоянии от исследуемой области мышцы. Таковым является отведение с помощью биполярных или концентрических игольчатых электродов и с помощью пары поверхностных электродов, зафиксированных в одной колодке. Биполярное отведение в малой степени регистрирует активность от отдаленных источников потенциала, особенно при использовании игольчатых электродов. Влияние на разность потенциалов активности, поступающей от источника на оба электрода, приводит к искажению формы потенциала и невозможности определить истинную фазу потенциала. Тем не менее высокая степень локальности делает этот способ предпочтительным в клинической практике. Поскольку отведение поверхностными электродами в любом случае регистрирует интерференционную активность многих взаимоналагающихся ПД ДЕ, использование такого монополярного отведения не имеет смысла. [16]

Кроме электродов, разность потенциалов которых подается на вход усилителя ЭМГ, на кожу исследуемого устанавливают поверхностный электрод заземления, который присоединяют к соответствующей клемме на электродной панели электромиографа. Цепь этого электрода закорачивает емкостную разность потенциалов между телом больного и землей и способствует ликвидации емкостных токов, возникающих в результате действия полей переменного промышленного тока. [24]

Разность потенциалов от электродов подается на вход усилителя напряжения. Усилитель снабжен ступенчатым переключателем коэффициента усиления, позволяющим регулировать уровень усиления в зависимости от амплитуды регистрируемой активности. Обычные пределы усиления: от 10⁴ до 10⁶ раз. На записи различным усилениям электромиографа соответствуют различные значения отклонения кривой по вертикали (в миллиметрах) при определенной разности потенциалов между электродами. В современных электромиографах чувствительность может ступенчато меняться от 0,001 до 1 мВ/мм. В некоторых моделях миографов сетка на регистрирующей бумаге приведена в определенное соответствие с чувствительностью прибора, так что при любом установленном уровне одно деление соответствует определенной амплитуде (см. рис. 2.1). При регистрации на фотобумагу предварительно записывается калибровочный сигнал стандартной амплитуды, подающийся на усилитель из блока калибровки. Этот сигнал в дальнейшем используют как эталон при измерении амплитуды записи, которое производят так же, как при оценке амплитуды ЭЭГ или ВП. [25]

ЭМГ содержит большое количество высокочастотных составляющих, так что для получения полного спектра интерференционной активности и неискаженной формы отдельных потенциалов необходимо использование по возможности широкой полосы пропускания высоких частот. По современным требованиям верхняя полоса пропускания усилителя ЭМГ должна быть около 20000 и не менее 10000 Гц. Отсутствие на ЭМГ собственных медленных составляющих потенциала и необходимость исключения медленных потенциалов, связанных с движением мышцы при ее сокращении, позволяют существенно ограничить нижнюю полосу пропускания усилителя. Обычно она составляет 2 - 10 Гц. [16]

Механические системы, такие как чернильнопишущая, не применимы для регистрации ЭМГ, отводимой игольчатыми электродами, поскольку они не воспроизводят высокочастотных составляющих. В современных электромиографах применяют регистрацию ЭМГ на фотобумаге с экрана катодного осциллографа или запись с помощью электростатического матричного устройства на металлизированной бумаге. Оба способа являются практически безынерционными в пределах частот, составляющих ЭМГ, что обеспечивает неискаженную картину электрической активности мышц. В зависимости от задачи исследования развертка записи производится или за счет движения бумаги с заданной скоростью, или за счет движения светящейся точки по оси Х на экране осциллографа. В последнем случае фотографирование производят на неподвижную бумагу. Скорость движения бумаги при записи и движения луча на экране осциллографа должна варьировать в достаточно широких пределах для обеспечения разных режимов записи ЭМГ и электрических ответов нервов и мышц. Общепринято записывать интерференционную активность произвольного мышечного сокращения на скорости 5 см/с, активность отдельных потенциалов фибрилляций и ДЕ-на скорости 10 мс/см, потенциалы действия мышц или нерва при исследовании скорости проведения по периферическим нервам-на скорости 2 мс/см.[25]

Усиленную электрическую активность выводят не только на осциллоскоп, но и на громкоговоритель, что позволяет оценивать электрические потенциалы на слух [16].

1.1.3. Общие принципы анализа ЭМГ и электромиографическая семиотика.

Анализ электромиографической кривой включает на первом этапе дифференциацию собственно электрических потенциалов мышц от возможных артефактов и затем, на основном этапе, оценку собственно ЭМГ. Предварительная оперативная оценка осуществляется по экрану осциллографа и акустическим феноменам, возникающим при выводе усиленной ЭМГ на громкоговоритель; окончательный анализ с количественной характеристикой ЭМГ и клиническим заключением производят по записи на бумаге или кинопленке.[28]

Артефактными потенциалами в ЭМГ называются потенциалы, не связанные собственно с активностью мышечных элементов. При поверхностном отведении артефакты могут обусловливаться движением электрода вследствие его неплотной фиксации на коже, что приводит к появлению высокоамплитудных скачков потенциала неправильной формы. При игольчатом отведении аналогичные изменения потенциала могут возникать при прикосновении к электроду, соединительным проводам, при массивных движениях исследуемой мышцы.[29]

Резкие скачки потенциала с "зашкаливанием" могут наблюдаться также при частичном обрыве соединительного провода.

Наиболее часто встречающимся видом помехи является наводка 50 Гц от устройств эксплуатации промышленного тока. Она легко распознается по характерной синусоидальной форме и постоянной частоте и амплитуде. Возникновение ее может быть связано с большим электродным сопротивлением, что требует соответствующей обработки игольчатого электрода. При поверхностных электродах устранение наводки может быть достигнуто более тщательной очисткой кожи спиртом, использованием электродной пасты.[16]

Анализ собственно ЭМГ составляет предмет электромиографической семиотики, которая устанавливает связь между определенными характеристиками потенциалов и физическими, физиологическими и патологическими феноменами, им соответствующими.

Анализ ЭМГ включает оценку формы, амплитуды и длительности потенциалов действия отдельных мышечных волокон и ДЕ и характеристику интерференционной активности, возникающей при произвольном мышечном сокращении.

Форма отдельного колебания мышечного потенциала может быть моно-, ди-. три- или полифазной. Как и в электроэнцефалографии, монофазным называется такое колебание, при котором кривая совершает отклонение в одну сторону от изоэлектрической линии и возвращается к исходному уровню. Дифазным называется колебание, при котором кривая по совершении отклонения в одну сторону от изоэлектрической линии пересекает ее и совершает колебание в противоположной фазе; трехфазное колебание совершает соответственно три отклонения в противоположные стороны от изоэлектрической линии. Полифазным называется колебание, содержащее четыре и более фаз.[22]

Рис. 1.3. Измерение параметров потенциала ДЕ. А - амплитуда - 285 мкВ; t - длительность - 15 мс; К - калибровочный сигнал.

В электромиографии принято такое подключение пары электродов на входы усилителя, что отрицательное отклонение потенциала под активным электродом, вызывает смещение на экране осциллографа, направленное вверх. Соответственно отклонение вниз от изоэлектрической линии означает положительное колебание потенциала. При характеристике фазности потенциала указывают его полярность: "положительное монофазное колебание", "двухфазное негативно-позитивное колебание" и т. д.

Амплитуда колебаний измеряется в микровольтах (мкВ) или милливольтах (мВ) между наиболее высокой и наиболее низкой точками электрографической кривой (от пика до пика). Длительность потенциала измеряется от начального отклонения до возвращения его к изоэлектрической линии, включая все фазы колебания (рис. 2.3).

Кроме этих параметров, характеризующих отдельные потенциалы волокон и ДЕ мышц, оценивается также частота следования потенциалов. Частота оценивается количеством пиков одной полярности за секунду и записывается в форме дроби, в числителе которой стоит число колебаний, а в знаменателе- обозначение секунды (например, 20/с). Помимо этого, дается также оценка характера группирования потенциалов, ритмичности соответствующих групп и частоты их следования. [16]

1.1.4. Стимуляционные методы в электромиографии

Кроме исследования электрической активности мышц в покое, при рефлекторных и произвольных сокращениях, современная комплексная методика клинической электромиографии включает исследование электрических реакций нервов и мышц на электрическую стимуляцию. Аппаратура и способы регистрации вызванной стимуляцией электрической активности те же, что и в обычной электромиографии. Для стимуляции нервов и мышц используют электростимуляторы. [30]

Стимуляцию мышц производят накожными электродами в двигательных точках, стимуляцию нервов согласно зонам их проекции на кожу. Стимулирующие электроды изготавливают в виде металлических дисков диаметром 6-8мм или фетровых фитилей того же диаметра, вмонтированных в металлическую обойму и смачиваемых изотоническим раствором хлорида натрия. В некоторых случаях глубокого залегания ствола нервов используют монополярные игольчатые электроды. При монополярной стимуляции катод располагают вблизи нерва, а анод- в виде большой металлической пластины с противоположной стороны конечности. При чрескожной стимуляции принято использование пары электродов, вмонтированных в пластмассовую колодку на стандартном расстоянии 15 мм между ними.

Для отведения вызванной активности мышц и нервов обычно используют металлические диски диаметром 6-8мм, иногда для получения ответов глубоко залегающих мышц и нервов применяют монополярный игольчатый электрод. Для получения электромиографического ответа на стимуляцию нерва активный электрод располагают в зоне иннервации соответствующей мышцы, а референтный - на ее сухожилии или над близлежащим костным выступом (лодыжка, пальцы и др.). При регистрации ответа нерва активный электрод располагают на коже над зоной прохождения нерва, референтный-с противоположной стороны конечности. При антидромной методике исследования сенсорного проведения обычно используют два кольцевых электрода, надеваемых на пальцы на расстоянии 20 мм друг от друга в соответствии с зоной иннервации исследуемого нерва, причем активный электрод располагают проксимальнее.[30]

Стимуляционные методы в диагностике нервно-мышечных заболеваний решают следующие основные задачи: 1) исследование прямой возбудимости мышц; 2) исследование нервно-мышечной передачи; 3) исследование состояния мотонейронов и их аксонов; 4) исследование состояния чувствительных волокон периферических нервов. [16]

1.2. Выбор оптимального метода спектрального анализа для исследования частотного состава электромиографических сигналов.

Спектральный анализ переводит описание сигнала из временной области в частотную. Таким образом, спектральное представление сигналов позволяет изучать их частотный состав, то есть судить о том, какой вклад в формирование сигнала вносят колебания определенных частот [31].

Как уже упоминалось выше, функциональной единицей нервно-мышечной системы является двигательная единица (ДЕ), состоящая из мотонейрона, его аксона и иннервируемых им мышечных волокон [23]. Таким образом, электромиограмма (ЭМГ) формируется сочетанием потенциалов двигательных единиц, каждая из которых генерирует биоэлектрические импульсы с определенной частотой.

Фундаментальными исследованиями Б.М. Гехта [1] и Р.С. Персон [32] установлено, что ЭМГ здоровой мышцы представлена преимущественно низкочастотными колебаниями. При патологическом изменении состояния мышцы изменяется число функционирующих ДЕ и частота их импульсов, что создает характерную для этого состояния электромиограмму и, соответственно, ее спектр. Это позволяет применить спектральный анализ в качестве дополнительного метода диагностики в электромиографии.

Сначала был сформирован математический аппарат для спектрального анализа непрерывных (континуальных) сигналов, затем появилось дискретное преобразование Фурье (1.1) и быстрое дискретное преобразование Фурье, что сделало спектральный анализ сигналов доступным для цифровых вычислительных машин или компьютеров.

(1.1), [31]

где N - число отсчетов дискретного сигнала,

Сn - комплексные коэффициенты, из которых можно получить

амплитуды гармоник () и их фазы ( ).

Дискретное преобразование Фурье (ДПФ), по возможности вычисляемое быстрыми методами, лежит в основе различных технологий спектрального анализа, предназначенных для исследования случайных процессов [33]. Дело в том, что если анализируемый сигнал представляет собой случайный процесс, то простое вычисление его ДПФ обычно не представляет большого интереса, так как в результате получается лишь спектр единственной реализации процесса. Поэтому для спектрального анализа случайных сигналов необходимо использовать усреднение спектра. Такие методы, в которых используется только информация, извлеченная из самого входного сигнала, называются непараметрическими (nonparametric).

Другой класс методов предполагает наличие некоторой статистической модели случайного сигнала. Процесс спектрального анализа в данном случае включает в себя определение параметров этой модели, и потому такие методы называются параметрическими (parametric). Используется также термин "модельный спектральный анализ" (Model-Based Spectrum Analysis, MBSA).[34]

1.2.1. Непараметрические методы

При использовании непараметрических методов расчета спектра случайного процесса используется только информация, заключенная в отсчетах сигнала, без каких-либо дополнительных предположений. Рассмотрим два таких метода - периодограмму и метод Уэлча (Welch).

Периодограмма

Периодограмма (periodogram) - оценка спектральной плотности мощности, полученная по N отсчетам одной реализации случайного процесса. Периодограмма рассчитывается по следующей формуле:

,	(1.2) [33]

Деление на частоту дискретизации f_Д необходимо для получения оценки спектральной плотности мощности аналогового случайного процесса, восстановленного по отсчетам x(k).

Если при расчете спектра используется весовая функция (окно) с коэффициентами w(k), формула (1.2) слегка модифицируется - вместо числа отсчетов N взнаменателе должна стоять сумма квадратов модулей коэффициентов окна. Полученная оценка спектра мощности называется модифицированной периодограммой (modified periodogram):

,	(1.3) [35]

В [36] показано, что периодограмма не является состоятельной оценкой спектральной плотности мощности, поскольку дисперсия такой оценки сравнима с квадратом ее математического ожидания. С ростом числа используемых отсчетов значения периодограммы начинают все быстрее флуктуировать.

Метод Уэлча

При вычислении периодограммы по длинному фрагменту случайного сигнала она оказывается весьма изрезанной. Для уменьшения этой изрезанности необходимо применить какое-либо усреднение. Даньелл (Daniell) предложил сглаживать быстрые флуктуации выборочного спектра путем усреднения по соседним частотам спектра [37]. Данный метод, называемый периодограммой Данъелла, сводится к вычислению свертки периодограммы со сглаживающей функцией. В методе Бартлетта (Bartlett) анализируемый сигнал делится на неперекрывающиеся сегменты, для каждого сегмента вычисляется периодограмма и затем эти периодограммы усредняются [38]. Если корреляционная функция сигнала на длительности сегмента затухает до пренебрежимо малых значений, то периодограммы отдельных сегментов можно считать независимыми. В этом случае дисперсия периодограммы Бартлетта обратно пропорциональна числу используемых сегментов, однако с ростом числа сегментов при фиксированном общем числе отсчетов сигнала падает спектральное разрешение (за счет того, что сегменты становятся короче).

Уэлч (Welch) внес в метод Бартлетта два усовершенствования: использование весовой функции и разбиение сигнала на перекрывающиеся фрагменты [39]. Применение весовой функции позволяет ослабить растекание спектра (spectrum leakage) и уменьшить смещение получаемой оценки спектра плотности мощности ценой незначительного ухудшения разрешающей способности. Перекрытие сегментов введено для того, чтобы увеличить их число и уменьшить дисперсию оценки.[34]

Итак, вычисления при использовании метода Уэлча (он называется еще методом усреднения модифицированных периодограмм - averaged modified periodogram method) организуются следующим образом: [40]

1. Вектор отсчетов сигнала делится на перекрывающиеся сегменты. Как правило, на практике используется перекрытие на 50 %. Строго говоря, оптимальная степень перекрытия зависит от используемой весовой функции. В [36] приводятся данные о том, что для гауссовских случайных процессов при использовании окна Ханна минимальная дисперсия оценки спектра плотности мощности получается при перекрытии сегментов на 65%.
2. Каждый сегмент умножается на используемую весовую функцию.
3. Для взвешенных сегментов вычисляются модифицированные периодограммы.
4. Периодограммы всех сегментов усредняются.

Так же как и для периодограммы Бартлетта, дисперсия оценки, получаемой методом Уэлча, уменьшается примерно пропорционально числу сегментов. Благодаря перекрытию в методе Уэлча используется больше сегментов, поэтому дисперсия оценки спектра плотности мощности оказывается меньше, чем для метода Бартлетта.[41-43]

Метод Уэлча, согласно [36], является наиболее популярным периодограммным методом спектрального анализа.

1.2.2. Параметрические методы

Использование параметрических методов подразумевает наличие некоторой математической модели анализируемого случайного процесса. Спектральный анализ сводится в данном случае к решению оптимизационной задачи, то есть поиску таких параметров модели, при которых она наиболее близка к реально наблюдаемому сигналу. [44]

Авторегрессионная модель

Среди возможных параметрических методов спектрального анализа наибольшее распространение получили методы, основанные на авторегрессионной (Autoregressive, AR) модели формирования сигнала. Это обусловлено простотой модели, удобством расчетов на ее основе и тем, что данная модель хорошо соответствует многим реальным задачам. Рассмотрим авторегрессионный метод подробнее.

Согласно авторегрессионной модели, сигнал {x(k)} формируется путем пропускания дискретного белого шума {n(k)} через "чисто рекурсивный" фильтр N-го порядка (рис. 1.4).

Рис. 1.4. Авторегрессионная модель формирования сигнала

Авторегрессионные методы анализа спектра больше всего подходят для сигналов, действительно являющихся авторегрессионными процессами. Вообще, хорошие результаты эти методы дают тогда, когда спектр анализируемого сигнала имеет четко выраженные пики. В частности, к таким сигналам относится сумма нескольких синусоид с шумом.[45]

При использовании авторегрессионных методов важно правильно выбрать порядок авторегрессионной модели - он должен быть в два раза больше числа синусоидальных колебаний, которые предположительно содержатся в анализируемом сигнале.

Итак, после рассмотрения различных методов спектрального анализа, был выбран периодограммный метод Уэлча как наиболее удовлетворяющий поставленной задаче.

2. Материалы и методы исследования

2.1. Описание системы Matlab

2.1.1. Краткий обзор

Появившаяся в начале 60-х годов и быстро увеличивающая свою мощность компьютерная техника позволила решать многие научные и инженерные задачи, которые не поддавались ранее решению аналитическими методами. К середине 70-х годов было накоплено большое количество алгоритмов численного решения таких задач. Образовались целые библиотеки алгоритмов. К числу лучших из таких библиотек следует отнести библиотеки матричных алгоритмов LINPACK и EISPACK департамента энергетики США. Эти библиотеки - собрание тщательно проверенных и оптимизированных алгоритмов, разработанных в течение многих лет ведущими мировыми специалистами. Они фактически представляют собой современное состояние численных методов для научных и инженерных целей. С появлением этих библиотек появилась также необходимость обеспечить кратчайший доступ широкой аудитории инженерных и научных работников к этому изобилию алгоритмов. Собственно говоря, создание языка MATLAB (сокращенно от MATrix LABoratory - матричная лаборатория) и было обусловлено этой необходимостью.[46]

Когда в 1978г. Cleve Moler, разработчик системы MATLAB, предложил в качестве основного объекта языка MATLAB использовать двумерный массив (матрицу), не требующий задания размерности, возможно, он не предполагал насколько эффективным окажется новый язык для написания матричных алгоритмов.[47]

MATLAB за прошедшие годы приобрел большую популярность, постепенно переместившись с больших вычислительных систем на персональные компьютеры, а сама программа вместе со всеми профессиональными приложениями, превратилась в мощную систему, охватывающую широкий спектр научных, инженерных и экономических применений.[48]

MATLAB содержит инструменты для:

• Сбора данных
  
  

• Анализа и обработки данных
  
  

• Визуализации и цифровой обработки сигналов и изображений
  
  

• Создания алгоритмов и проектирования
  
  

• Моделирования и имитации
  
  

• Программирования и разработки приложений
  
  

MATLAB выполняет множество компьютерных задач для поддержки научных и инженерных работ, начиная от сбора и анализа данных до разработки приложений. Среда MATLAB объединяет математические вычисления, визуализацию и мощный технический язык. Встроенные интерфейсы позволяют получить быстрый доступ и извлекать данные из внешних устройств, файлов, внешних баз данных и программ. Кроме того, MATLAB позволяет интегрировать внешние процедуры, написанные на языках Си, Си++, Фортран, и Java с MATLAB - приложениями.[49]

Используемый более чем полумиллионом пользователей: в промышленности, государственных, академических и учебных организациях, MATLAB фактически стал принятым во всем мире стандартом для технических вычислений. MATLAB имеет широкий спектр применений, включая цифровую обработку сигналов и изображений, проектирование систем управления, естественные науки, финансы и экономику, а также приборостроение. Открытая архитектура позволяет легко использовать MATLAB и сопутствующие продукты для исследования данных и быстрого создания конкурентоспособных пользовательских инструментов.[50]

2.1.2. Основные функции

• Быстрые и точные численные алгоритмы
  
  

• Графика для анализа и отображения данных
  
  

• Интерактивный язык и среда программирования
  
  

• Инструменты для настройки пользовательских интерфейсов
  
  

• Интерфейсы с внешними языками, такими как Си, Си++, Фортран, и Java
  
  

• Поддержка импорта данных из файлов и внешних устройств плюс доступ к базам данных и вспомогательному оборудованию при помощи приложений
  
  

• Преобразование MATLAB приложений в Си и Си++ при помощи набора Compiler Suite
  
  

Этот широкий набор возможностей делает MATLAB идеальной базой для решения технических проблем. [51]

2.1.3. Работа в среде MATLAB

Рис. 2.1. MATLAB - интерфейс дает прямой и быстрый доступ к функциям MATLAB и сопутствующим продуктам.

Среда MATLAB спроектирована для интерактивных или автоматических вычислений. Используя встроенные математические и графические функции и простые в использовании инструменты позволяют легко анализировать и отображать данные. Структурированный язык и программные инструменты позволяют сохранить результат интерактивных исследований, разрабатывать собственные алгоритмы и приложения.

Надежные математические функции и численные расчеты

С более чем шестью сотнями математических, статистических и инженерных функций MATLAB предоставляет немедленный доступ к высокопроизводительным численным расчетам. Численные алгоритмы быстрые, точные и надежные. Эти алгоритмы, разработанные экспертами в математике, являются фундаментом языка MATLAB. Ядро математического процессора включает библиотеки алгоритмов линейной алгебры LAPACK и BLAS, а также библиотеку цифровой обработки сигналов FFTW, внедряющую последние достижения в математических расчетах непосредственно в MATLAB.[52]

Математика оптимизирована для матричных и векторных операций, что позволяет использовать ее вместо языков более низкого уровня, подобных Си и Си++, получая ту же скорость вычислений при значительной экономии времени на программирование [51]. Благодаря обширному набору оптимизированных математических алгоритмов, встроенных в MATLAB разработчики могут сконцентрироваться на принципиальных аспектах проекта, не теряя времени на поиск, разработку и отладку известных алгоритмов.

MATLAB содержит много функций для осуществления математических вычислений и анализа данных включая:

• Линейную алгебру и арифметику матриц, линейные уравнения, собственные значения, сингулярные значения и матричные разложения
  
  

• Полиномы и интерполяцию - стандартные полиномиальные операции, такие как вычисление корней полиномов, дифференцирование, аппроксимация кривыми и разложение функций
  
  

• Обработку сигналов - цифровые фильтры, быстрое Фурье преобразование (FFTs), и свертка
  
  

• Анализ данных и статистика - описательная статистика, предварительная обработка данных, регрессия, аппроксимация кривыми, фильтрация данных
  
  

• MATLAB функции, работающие не с массивами данных, а с математическими функциями, включая функции построения графиков, оптимизации, нахождения нулей и численного интегрирования
  
  

• Дифференциальные уравнения - решение дифференциальных уравнений, включая задачи с начальными значениями для обыкновенных дифференциальных уравнений и дифференциально-алгебраические уравнения, а также задачи с граничными условиями и смешанного типа для систем эллиптических и параболических уравнений с частными производными.
  
  

• Разреженные матрицы - включая как специальные так и общие математические операции, в том числе итеративные методы для разреженных систем линейных уравнений.
  
  

Дополнительные пакеты-расширения (тулбоксы - toolboxes) значительно увеличивают мощность MATLAB

Тулбоксы - наборы MATLAB функций и интерфейсов - позволяют использовать значительно больше математики и вычислительной мощности при решении различных задач. Распространяемые тулбоксы включают приложения для цифровой обработки сигналов, оптимизации, статистики, символьной математики, решения уравнений в частных производных, аппроксимации данных и многие другие.[52]

При написании данного пакета программ был использован пакет расширения для обработки сигналов (Signal processing toolbox).

Качественная графика помогает проиллюстрировать и лучше понять результаты численных расчетов

Рис.2.2. MATLAB содержит специализированные графики, используемые в науке и технике, помогающие понять сложные системы, начиная от линий на плоскости и контурных графиков и кончая интерактивными графическими пользовательскими интерфейсами.

MATLAB обеспечивает немедленный доступ к специализированным графическим функциям, включая:

• Двух- и трехмерные графики, такие как линейные, логарифмические, гистограммы, графики поверхностей различного типа (проволочный каркас, гладкие, кусочно-гладкие и др.)
  
  

• Поддержка триангулированных и решетчатых данных
  
  

• Объемная визуализация для наблюдения скалярных и векторных данных
  
  

• Вывод изображений на экран и в файл
  
  

• Интерактивное редактирование и аннотирование графиков
  
  

• Аппаратная и программная поддержка OpenGL
  
  

• Различного вида диаграммы: рассеяния, столбчатые, секторные и др.
  
  

• Анимация (мультипликация) и звук
  
  

• Различные источники освещения для цветных поверхностей
  
  

• Наблюдение при помощи камер и управление перспективой
  
  

• Интерактивное и программируемое управление индивидуальными атрибутами графиков, такими как линии, оси, легенды и параметры страницы
  
  

• Освещение прямым источником, по методу Гуро и Фонга
  
  

• Инструменты построения при помощи мыши графического пользовательского интерфейса и поддержка API
  
  

• Импортирование графических файлов известных форматов, таких как EPS, TIFF, JPEG, PNG, BMP, HDF, AVI, и PCX
  
  

• Печать и экспорт графики в другие приложения, такие как Word и PowerPoint, в различных популярных форматах
  
  

• Расширенная поддержка цифровой обработки изображений и приложения географического картографирования при помощи тулбоксов [53]
  
  

Обширный набор инструментов визуализации

MATLAB содержит полный набор инструментов для визуализации трехмерных скалярных и векторных данных, включая функции создания изоповерхностей и линий тока. Эти функции предназначены, чтобы помочь ученым и инженерам наблюдать и понимать большие, часто сложные многомерные данные.

Дополнительные приложения, такие как Image Processing Toolbox и Mapping Toolbox, расширяют возможности MATLAB для применений, включающих цифровую обработку данных и географическую картографию.[54]

Унифицированный интерактивный язык и среда программирования

Язык MATLAB разработан для интерактивных и автоматических вычислений. С оптимизированными матричными функциями разработчик может осуществить интерактивный анализ, в то же время языковые возможности структурирования программ позволят ему эффективно разрабатывать собственные алгоритмы и приложения. Универсальный язык позволяет справиться с множеством задач, включая сбор данных, анализ, разработку алгоритмов, имитацию систем и разработку приложений. Возможности языка включают структуры данных, объектно-ориентированное программирование, инструменты разработки графического пользовательского интерфейса, функции отладки и возможность подключать ваши C, C++, Fortran, и Java процедуры.[51]

Упрощение кода за счет векторизации

Многие математические функции MATLAB оперируют непосредственно с векторами и матрицами. В результате задачи, которые могли бы включать десятки строк и требовали интенсивных вычислений с циклами на языке Си, требуют вызова только одной функции в MATLAB. Более короткие программы требуют меньше времени на их выполнение и легче настраиваются.

Удобный язык программирования

Вы используете тот же самый язык в MATLAB при интерактивных вычислениях и при разработке программ в редакторе-отладчике. Эта совместимость позволяет изучать только один язык и синтаксис, ваша интерактивная работа может быть сохранена и использована для будущих проектов без повторного программирования.[55]

Рис.2.3. Инструменты для создания приложений в MATLAB

Инструменты, подобные редактору-отладчику M-файлов (слева), а также проектирования графического пользовательского интерфейса (в центре) позволят вам разрабатывать приложения и настраивать графику. Разработчики MathWorks используя инструменты разработки графического пользовательского интерфейса MATLAB создали SPTool (справа), визуальный интерфейс, который поставляется вместе с Signal Processing Toolbox.

Инструменты проектирования

MATLAB включает множество инструментов для поддержки разработки аналитических процедур, алгоритмов и законченных приложений. Эти инструменты включают:

• Командное окно для интерактивных вычислений и проектирования
• Окно Command History для записи всех команд в течение интерактивной MATLAB сессии
• Инструмент Current Directory для нахождения и навигации по файлам и директориям
• Редактор - отладчик M-файлов позволяет
• разрабатывать и отлаживать M-файлы (функций и сценариев)
• выделять различными цветами резервные слова и комментарии, проверяет скобки и позволяет пошаговое выполнение кода
• нумерацию строк
• Установку контрольных точек, остановку на ошибке или на предупреждении
• Вычисление переменных по месту нахождения
• Контекстно-чувствительная справка по функциям
• Программа протоколирования производительности M-файлов
• Вычисляет время, затрачиваемое в каждой строке функции
• Выводит отчет (или график) распределения времени

Инструменты для интерактивного создания и редактирования пользовательского интерфейса, включая окна списков, ниспадающие меню, кнопки и переключатели, полосы прокрутки и другие стандартные элементы интерфейса. Имеются следующие инструменты:

• Layout Editor - добавление и настройка объектов в окне
• Alignment Tool - выравнивание объектов по отношению к друг другу
• Property Inspector - проверка и установка значений для свойств объектов
• Object Browser - наблюдение иерархического списка объектов Handle Graphics в текущей MATLAB сессии
• Редактор меню - создание окна и содержания меню

Для повышения производительности Вы можете использовать языковые конструкции, проверенные интерактивно либо из сохраненных M-файлов [52].

Особенности языка

Типы данных

• Векторы и двухмерные матрицы
• Многомерные массивы
• Структуры
• Определенные пользователем объекты
• Многотипные данные
• Текстовые и скалярные данные
• 8, 16, и 32-bit целые числа

Программные конструкции

• while, for, break, return
• if, else, elseif
• switch, case
• глобальные и локальные переменные
• списки длин переменных аргументов

Языковая и объектная поддержка

• M-файлы - список вызовов функций и команд, вызываемых из MATLAB и других M-файлов, необязательные аргументы
• MEX-файлы - выполняемые Си и Фортран функции, вызываемые непосредственно из командной строки MATLAB и из программ
• Java код - вызываемый непосредственно из командной строки MATLAB и из программ
• Встроенные объекты - ActiveX, Java классы

Форматы файлов и поддержка ввода/вывода

• Много популярных графических форматов файлов, такие как JPEG, TIFF
• Чтение данных из стандартных приложений, таких как Excel
• MAT-файл (MATLAB файл данных) формат поддержки переменных MATLAB, находящихся в памяти и связанной информации
• Встроенные низкоуровневые функции ввода/вывода для чтения и записи защищенной авторскими правами и пользовательской информации в двоичном формате

Дополнительные инструменты обеспечивают поддержку

• Преобразования ваших MATLAB приложений в Си или Си++ коды
• Доступ к данным, расположенным в базах данных, других приложениях и из аппаратуры, подключенной через интерфейсные платы

Дополнительные приложения расширяют возможности MATLAB

MathWorks разрабатывает и поставляет множество специализированных приложений - тулбоксов и других продуктов, расширяющих возможности MATLAB для применения в:

• Тестировании и измерениях
• Математическом моделировании и анализе
• Обработке сигналов
• Обработке изображений и картографии
• Распространении MATLAB приложений в кодах Си, Си++ и другие.

2.1.4. Структура автономного MATLAB-приложения

Схема получения автономного MATLAB-приложения показана на рис. 2.4.

Само же автономное приложение состоит из исполняемого (exe) файла, двух файлов поддержки графического интерфейса и пакета файлов динамически-связываемых библиотек DLL (Dynamic Linked Library), поставляемых фирмой-разработчиком MATLAB - The MathWorks Inc.

Рис.2.4. Схема получения автономного MATLAB-приложения

2.2. Изучение структуры аппаратного и программного обеспечения комплекса "Автоматизированная система исследований электромиографических сигналов человека".

К настоящему времени разработано большое количество аппаратуры для электромиографических исследований. Одним из ее представителей является четырехканальный миоскоп MG 440 фирмы "Микромед" [2] - достаточно удачная, но на сегодняшний день уже устаревшая разработка, которой тем не менее оснащены многие отечественные медицинские учреждения.

Структурная схема аппарата приведена на рис. 2.5.

Рис.2.5. Структурная схема миоскопа MG-440

1 - 4 канала усиления; 2 - блок задержки; 3 - устройство визуального отображения; 4 - динамик; 5,6,7 - блок электростимуляции (6 - импульсы тока, 7 - импульсы напряжения).

Более современные электромиографы, такие, например, как электромиограф "NICOLET SPIRIT" фирмы NICOLET [56], включают в свой состав персональные компьютеры и обладают значительно большими возможностями по обработке электромиографической информации. Однако из-за высокой стоимости в настоящих условиях не каждое медицинское учреждение, даже специализированное, может приобрести такой современный прибор для замены имеющихся неавтоматизированных электромиографов предыдущего поколения. Решением задачи модернизации этой аппаратуры является сопряжение ее с персональными компьютерами с помощью специализированных устройств ввода/вывода и последующая обработка ЭМГ информации программными средствами.

Рассмотренный подход реализован в автоматизированной системе исследований электромиографических сигналов, разработанной в МГП "Инженерное бюро ХАИ" [3]. Система создана на базе серийного миоскопа MG 440 и ПЭВМ типа IBM PC, связанных между собой модулем сопряжения и соединительными кабелями. Функциональная схема системы показана на рис. 2.6.

Рис. 2.6. Функциональная схема автоматизированной системы исследований электромиографических сигналов.

Исследуемые потенциалы двигательных единиц (ПДЕ), снимаемые с пациента игольчатыми или поверхностными электродами, по соединительным проводам поступают на миоскоп MG440, который осуществляет усиление и фильтрацию полученного ЭМГ сигнала по четырем независимым каналам. Преобразованные ЭМГ сигналы с выхода миоскопа через соединительный кабель подаются на модуль сопряжения, где происходит их масштабирование и аналого-цифровое преобразование. Модуль сопряжения имеет четыре входа для ввода аналоговой информации в ПЭВМ и позволяет одновременно получать до четырех различных электромиограмм. В цифровом виде ЭМГ информация из модуля сопряжения поступает на системную магистраль ПЭВМ. Под управлением программного обеспечения и врача ПЭВМ осуществляет накопление, обработку, визуализацию и регистрацию ЭМГ информации.

Миоскоп MG 440, кроме режима получения ПДЕ свободного усилия, позволяет исследовать также наведенные ПДЕ, т.е. потенциалы, возникающие при электрическом стимулировании мышц пациента. Для реализации этого режима в модуле сопряжения предусмотрен выход для подачи на миоскоп сигналов синхронизации стимулирования, а также вход для приема ответных сигналов маркера стимулирования.

Функциональная схема модуля сопряжения показана на рис. 2.7. Он выполнен в виде платы, устанавливаемой в слот материнской платы ПЭВМ IBM PC, и построен на базе 4-канальной 10-разрядной быстродействующей системы сбора данных AD7777 фирмы Analog Devices. Основные технические характеристики модуля следующие: максимальная амплитуда входных сигналов - 2 В, частотный диапазон - от 0 до 10 кГц, основная приведенная погрешность преобразования - не более - 0,5% [3].

Рис.2.7. Функциональная схема модуля сопряжения.

В состав пакета прикладного программного обеспечения системы входят три программы: IGLA.EXE, POVERH.EXE и DIAGRAMA.EXE, которые выполняют следующие функции:

• управление выбором измерительного канала миоскопа;
  
  

• управление работой системы сбора данных AD 7777 и вводом получаемого параллельного кода;
  
  

• накопление введенной информации и визуализация на дисплее мгновенных значений исследуемого сигнала;
  
  

• задание сигналов синхронизации стимулирования;
  
  

• ввод по прерыванию и визуализация импульсов маркера электрического стимулирования;
  
  

• определение временного сдвига между двумя управляемыми метками;
  
  

• определение среднего значения и СКО амплитуды исследуемого сигнала;
  
  

• определение среднего значения и СКО частоты исследуемого сигнала;
  
  

• построение гистограммы амплитуд исследуемого сигнала с нанесением нормального значения средней амплитуды и его допустимого отклонения;
  
  

• определение показателя полифазности исследуемого сигнала;
  
  

• вывод результатов обработки исследуемого сигнала на дисплей и на принтер для регистрации;
  
  

• накопление результатов ЭМГ-исследований;
  
  

• контроль функционирования и метрологических характеристик модуля сопряжения.
  
  

Пакет программ реализован на алгоритмическом языке Turbo Pascal 7.0 и требует использования в системе исследований ПЭВМ с параметрами не хуже чем IBM PC AT 386. Интерфейс системы с врачом-оператором осуществляется в диалоговом режиме с применением пользовательского меню.

Широкие возможности, предоставляемые созданной системой при электромиографических исследованиях, позволяют эффективно использовать ее для изучения особенностей функционирования нейромоторного аппарата человека в норме и патологии. В этой связи нами на основе данной системы проведено ЭМГ-исследование состояния околопозвоночных мышц у 52 больных с различными неврологическими синдромами поясничного остеохондроза. Многочисленные клинические исследования свидетельствуют о существенных изменениях в алгоритме деятельности околопозвоночных мышц у больных позвоночным остеохондрозом, их состояние учитывается при экспертной оценке тяжести состояния больных, а также при верификации результатов лечения [57-59]. В то же время результаты ЭМГ-исследования данной группы мышц, опубликованные ранее, немногочисленны и противоречивы, их информативность недостаточна вследствие субъективности оценки миограмм на основе критериев качественного, а не количественного анализа.

Разработанная система позволяет использовать более перспективную и соответствующую современным электрофизиологическим представлениям методику регистрации потенциалов действия двигательных единиц (ПДДЕ) исследуемой мышцы, измерение их длительности, а затем изучение распределения ПДДЕ в зависимости от их длительности и по отношению к среднестатистической норме для данной мышцы (в виде гистограммы) [3].

Проведенные исследования свидетельствуют о высокой диагностической ценности данной методики, ее чувствительности к динамике процессов, происходящих в сегментарном аппарате пояснично-крестцового отдела позвоночника. В частности, при клинически диагностированном компрессионно-корешковом синдроме гистограмма распределения ПДДЕ соответствовала денервационному типу в виде появления "удлиненных" потенциалов и смещения гистограммы вправо относительно среднестатистической нормы для данной мышцы (рис. 2.8) [3].

Рис. 2.8. Гистограмма распределения ПДДЕ m.muitifidus больного К., 29 лет, с синдромом компрессии Is, включающая в себя ССН - среднестатистическую норму длительности ПДДЕ для данной мышцы с допустимым отклонением ±20%.

После проведенного курса комплексного лечения, включающего в себя медикаментозное и физиотерапевтическое лечение, определялось субъективное и клиническое улучшение состояния больных и соответственно изменялся вид получаемой гистограммы: длительности потенциалов действия концентрировались вокруг границы нормы, количество "удлиненных" потенциалов уменьшалось или они не регистрировались вовсе. У больных же без положительной динамики достоверного изменения вида (типа) гистограммы не наблюдалось, и, более того, в некоторых случаях происходило увеличение числа удлиненных потенциалов действия, что может расцениваться как признак ухудшения состояния сегментарного аппарата.

Как известно, приоритеты в развитии функциональных методов исследований лежат в области неинвазивных путей получения информации. В программном обеспечении системы реализован алгоритм обработки электромиограммы, получаемой с помощью поверхностных электродов, основанный на автоматическом подсчете средней частоты и средней амплитуды по методу Виллисона (Rose, Willison. 1967) [3]. В процессе исследования той же группы больных поясничным остеохондрозом - их околопозвоночных мышц (m. multifidus) - установлены закономерности в соответствии получаемых показателей определенным клиническим вариантам и стадиям протекания данной болезни, их динамика в результате лечения. Типичная ЭМГ больного поясничным остеохондрозом (синдром компрессии S1) с расчетом средней амплитуды и средней частоты показана на рисунке 2.9.

Рис.2.9.

На этом рисунке видны отдельные "высокие" потенциалы действия, средняя частота уменьшена в сравнении со среднестатистической нормой - все это также составляет признаки денервационного процесса, происходящего в сегментарном аппарате пояснично-крестцового отдела позвоночника [60-65], и они получены без введения игольчатого электрода в мышцу [3].

На рисунке 2.10 показана ЭМГ той же мышцы, но после курса лечения

Рис 2.10.

По "паттерну" ЭМГ видно "обогащение" зарегистрированной кривой; числовые показатели также увеличились (как средняя частота, так и средняя амплитуда). В данном случае помимо медикаментозного лечения, включающего в себя и местное воздействие препаратов на область многораздельных мышц поясничного уровня ("ФАСТУМ-ГЕЛЬ"), больной получал курс физиотерапевтического лечения (магнитотерапия, электростимуляция околопозвоночных мышц).

При других формах клинического течения пояснично-крестцового остеохондроза и, в частности, люмбоишиалгии с мышечно-тоническим синдромом не наблюдается специфических изменений в околопозвоночных мышцах, однако с помощью симметричных (двухсторонних) исследований можно контролировать ход лечебного процесса. У исследованных больных до комплексного лечения был нарушен механизм напряжения-расслабления многораздельных мышц, которые находились в постоянном несимметричном тонусе. При правильно подобранной терапии восстанавливались фазы напряжения-расслабления, что клинически проявлялось, в частности, в виде исчезновения симптома ипсилатерального напряжения [66-68]. Установлено также, что субъективно ощущаемый больными "эффект первой процедуры" не отражается на получаемых ЭМГ данных, и лишь в конце стандартного курса лечения, иногда повторного, становится возможным наблюдение реакции со стороны околопозвоночных мышц.[3]

Таким образом, в процессе применения созданной системы были получены новые диагностически ценные данные, позволяющие с большей точностью определять клинические варианты течения неврологических синдромов поясничного остеохондроза [69-71], а также оценивать результаты проводимого лечения, что, несомненно, представляет большой научный и практический интерес.

Более того, рассмотренная система исследований электромиографических сигналов может послужить основой при создании универсального прибора для проведения нескольких видов медико-биологических исследований, таких, как электромиографические, электроэнцефалографические, электрокардиографические и т.п., т. е. тех видов исследований, в которых входной величиной являются биопотенциалы человека. Род и характеристики входного сигнала такого прибора позволяют использовать одни и те же аппаратные средства для различных видов исследований. Изменение конфигурации системы при различных видах исследований сведется к выбору соответствующих электродов, предназначенных для снятия биопотенциалов, и использованию соответствующего программного обеспечения.[3]

3. Собственные исследования

3.1. Выбор метода исследования частотного состава электромиографических сигналов.

После проведенного анализа литературы по методам спектрального анализа цифровых сигналов вцелом и литературы по спектральному анализу биосигналов в частности мною был выбран периодограммный метод Уэлча как наиболее удовлетворяющий поставленной задаче. Параметрические методы спектрального анализа непригодны для исследования ЭМГ-сигналов из-за большого разнообразия последних, что делает невозможным заранее достаточно качественно описать статистическую модель ЭМГ-сигналов вцелом. Из непараметрических методов спектрального анализа мною был выбран метод Уэлча поскольку он лучше других методов позволяет выявить разнообразные частотные составляющие и уменьшить нежелательный эффект "растекания спектра".

3.2. Изучение структуры аппаратного и программного обеспечения комплекса "Автоматизированная система исследований электромиографических сигналов человека"

Решение этой задачи было обязательным условием для разработки дополнительного программного обеспечения.

Основной интерес представлял формат данных с ЭМГ-сигналом в файлах, создаваемых программным обеспечением системы. Изучение формата данных было необходимо для их импорта и обработки другими программными средствами. Проведенные исследования показали, что электромиограммы, записываемые этой системой, представляют собой файлы, состоящие из символов, ASCII-код которых (0..255) отражает уровень ЭМГ-сигнала. То есть файл представляет из себя строку, в которой каждый символ (байт) является оцифрованным значением (0..255) биопотенциалов двигательных единиц.

3.3. Разработка пакета программ для исследования частотного состава электромиографических сигналов

3.3.1. Описание программы

Программа для спектрального анализа электромиограмм Emispec была написана в среде MatLab 6.0. Затем, с помощью входящей в состав пакета утилиты MCC (MatLab C Compiler), программа была откомпилирована в исполняемый (exe) файл.

Эта программа разработана для вышеописанной автоматизированной системы исследований электромиографических сигналов, созданной в МГП "Инженерное бюро ХАИ".

Алгоритм программы изображен на рис. 3.1. Листинг программы - в приложении 1.

Рис.3.1. Алгоритм программы

3.3.2. Описание алгоритма

После запуска программы и отображения ее главного окна, она находится в режиме ожидания управляющих действий, к которым относятся: выбор различных пунктов главного меню с помощью манипулятора "мышь" и щелчки "мышью" на графиках.

Перечень основных управляющих действий и их результатов приведен в таблице 3.1.

Таблица 3.1

3.3.3. Вычислительные аспекты

Для вычисления СПМ был применен метод Уэлча. После его определения, производится оценка СПМ в определенных частотных интервалах, условно названных зонами очень низких частот, низких частот и высоких частот. Для этого необходимо вычислить площадь под кривой графика СПМ, ограниченной интересующим нас частотным интервалом, для чего в программе было применено численное интегрирование по методу трапеций. Причем в первую очередь нас интересуют не абсолютные значения СПМ, а их соотношения для вышеупомянутых частотных интервалов, что наглядно отображается на столбиковой диаграмме.

3.3.4. Организация входных и выходных данных

Входными данными для программы являются файлы с записанными в них электромиограммами.

Выходные данные могут быть подразделены на графические и числовые. К графическим выходным данным относятся: ЭМГ-сигнал, его спектрограмма, столбиковая диаграмма, отражающая значения спектральной плотности мощности (СПМ) ЭМГ-сигнала в определенных частотных интервалах. Числовыми выходными данными являются: значение среднеквадратичного отклонения значений сигнала и числовые оценки уровня СПМ миограммы в определенных частотных интервалах.

3.3.5. Требования к программным и аппаратным средствам

Данная программа предназначена для функционирования в среде ОС Windows 9x и выше, которая сама по себе предъявляет определенные требования к аппаратному обеспечению (конфигурации компьютера).

Минимальные требования: процессор х486, 20 Мб свободного места на жестком диске для установки и работы программы, VGA-видеокарта, RAM 8 Мб; наличие ОС Windows 9x.

3.3.6. Спецификация программы

Спецификация программы представлена в двух вариантах: для неоткомпилированной (табл. 3.2) и откомпилированной (табл. 3.3) программы.

Таблица 3.2

Таблица 3.3

Примечание: также для работы программы требуется пакет файлов динамически-связываемых библиотек DLL (Dynamic Linked Library), поставляемых фирмой-разработчиком MATLAB - The MathWorks Inc.

3.3.7. Описание главного окна программы

Главное окно программы Emispec представлено на рис. 3.2. В верхней его части отображается сама электромиограмма (ЭМГ), внизу слева - ее спектр, в нижней части окна справа - столбиковая диаграмма, внизу по центру - числовые выходные данные.

Рис. 3.2. Главное окно программы.

3.3.8. Краткое описание функций главного меню программы

Пункт EMG имеет подпункты Openfile и Settings.

Openfile - открыть ЭМГ-файл.

Settings - установка параметров. Позволяет выбирать участок сигнала для анализа и устанавливать границы частотных интервалов.

Пункт Image имеет подпункты Print и Copy to clipboard.

Print - распечатывает содержимое главного окна программы.

Copytoclipboard - позволяет копировать в буфер содержимое главного окна.

Help - справочная информация.

Quit - выход из программы.

3.4. Внедрение метода в клиническую практику

На основании спектральных характеристик электромиограмм скелетных мышц человека, полученных с помощью разработанного программного обеспечения, были определены основные частотные диапазоны в норме и при ряде заболеваний нервно-мышечного аппарата с целью внедрения метода в клиническую практику.

После использования разработанного программного обеспечения на базе ЦКБ № 5 г. Харькова, вышеописанный метод анализа ЭМГ нашел практическое применение в неврологической клинике для диагностики заболеваний периферической нервной системы. В частности, его использование позволяет получать дифференцированную информацию об уровне повреждения системы "двигательная клетка - периферический нерв - мышца". Проведенные исследования установили специфичность спектрограммы патологическим изменениям. Так, для повреждения двигательных клеток спинного мозга характерен пик спектрограммы в частотном диапазоне 600-800 Гц (рис. 3.3).

Рис.3.3. ЭМГ и спектрограмма мышцы пациента с поражением двигательных клеток спинного мозга.

В то же время, при локализации патологического процесса в периферическом нерве наблюдаются пики в высокочастотной зоне спектрограммы (рис. 3.4).

Что касается частотных интервалов, для зоны очень низких частот (VLF) был выбран диапазон 5..150 Гц, для зоны низких частот - диапазон 150..300 Гц, для зоны высоких частот - диапазон 300..3277 Гц. Такой выбор обеспечивает наиболее наглядное представление результатов на столбиковой диаграмме. То есть в норме - столбцы №2 и №3 примерно равны, в случае поражения двигательных клеток спинного мозга - столбец №2 значительно больше столбца №3, а в случае поражения периферического нерва - наоборот - столбец №3 значительно выше столбца №2.

Рис.3.4. ЭМГ и спектрограмма мышцы пациента с поражением периферического нерва.

С точки зрения практической медицины метод спектрального анализа ЭМГ имеет определенные преимущества, а именно простоту получения необходимой информации, ее наглядное представление, возможность в ряде случаев избежать болезненных для пациента (игольчатая ЭМГ) и трудоемких для медработников процедур.

Заключение

Таким образом, примененный метод спектрального анализа электромиограмм имеет практическую ценность для клинической неврологии, его внедрение позволит облегчить и повысить диагностическую точность электрофизиологических исследований. А вышеописанный подход к модернизации медицинской аппаратуры путем сопряжения ее с ПК и последующей модернизацией программного обеспечения, оказался достаточно эффективным.

Выводы

В результате проведенной работы был выполнен анализ литературы по методам спектрального анализа цифровых сигналов вцелом и литературы по спектральному анализу биосигналов в частности с целью выбора наиболее информативного метод для исследования частотного состава электромиографических сигналов.

Затем был изучен пакет программного обеспечения MatLab 6.0 и исследована структура аппаратного и программного обеспечения комплекса "Автоматизированная система исследований электромиографических сигналов человека".

Далее была произведена разработка пакета программ для исследования частотного состава электромиографических сигналов.

И, в заключение, на основании спектральных характеристик электромиограмм скелетных мышц человека, полученных с помощью разработанного программного обеспечения, были определены основные частотные диапазоны в норме и при ряде заболеваний нервно-мышечного аппарата с целью внедрения данного метода в клиническую практику.

Список использованной литературы

1. Гехт Б.М. Теоретическая и клиническая электромиография. - Л.: Наука, 1990. - 229 с.
2. Четырехканальный миоскоп типа MG 440. Руководство по эксплуатации. - ССВП Микромед, 1982. - 59 с.
3. Васильева-Линецкая Л.Я., Роханский А.О., Галацан А.В., Черепащук Г.А., Степанов А.М., Шабалдас Д.А. Автоматизированная система исследований электромиографических сигналов человека // Открытые информационные и компьютерные информационные технологии. - Харьков,1998. - Вып. 2 - с.215-220.
4. Бабкин Л. С., Гехт Б. М., Полуказаков С. Я., Федотов В. Л. Автоматический анализ игольчатой ЭМГ в дифференциальной диагностике нервно-мышечных заболеваний// Журн. невропатол. и психиатр.-1988.-Т. 86, Вып. II.-С. 1623-1628.
5. Коуэн X. Л., Брумлик Дж. Руководство по электромиографии и электродиагностике: Пер. с англ.-М.: Медицина, 1975.- 192 с.
6. Dimitrios Moshou, Ivo Hostens, George Papaioannou, Herman ramon. Wavelets and self- organising maps in electromyogram (EMG) analysis. - Katholieke Universiteit Leuven, Heverlee, Belgium, 2000.
7. Christodoulou, C.I.; Pattichis, C.S., Combining neural classifiers in EMG diagnosis. - Proceedings EUFIT'98, Aachen, Germany, 1998
8. Daubechies, I., 1988, "Orthonormal bases of compactly supported wavelets", Commun. Pure Applied Mathematics 41, pp. 909-996.
9. Engelhart, K., 1998, "Signal representation for Classification of the Transient Myoelectric Signal", Ph.D. Dissertation, University of New Brunswick, Fredericton, New Brunswick, Canada.
10. Hudgins, B.S., 1991, "A New Approach to Multifunction Myoelectric Control", Ph.D. Dissertation, University of New Brunswick, Fredericton, New Brunswick, Canada.
11. Kohonen, T., 1982, "Self-Organized formation of topographically correct feature maps", Biological Cybernetics 43, pp.59-69.
12. Meyer, Y., 1989, "Orthonormal Wavelets, Wavelets, time-frequency methods and phase-space", J. M. Combes, A.Grossman, P. Tchamitchian, (eds.), Springer-Verlag, pp. 21-37.
13. Андреева Е. А., Кандель Э. Я., Иванова-Смолянская И. А. и др. Метод спектрального анализа огибающей ЭМГ и его роль в изучении физиологического тремора//Журн. невропатол. и психиатр.-1986.-Т. 86.-Вып. 7.- С. 966-970.
14. Иванова-Смоленская И.А., Кандель Э.И., Андреева Е.А. и др. Спектральный электромиографический анализ эссенциального тремора// Журн. невропатол. и психиатр. - 1986. -Т. 86. Вып. 7. - С. 975-980.
15. Кандель Э. А, Андреева Е. А., Смирнова С. Н. и др. Изучение патогенеза тремора при паркинсонизме методом спектрального анализа огибающей ЭМГ с помощью компьютера//Журн. невропатол. и психиатр. - 1986. - Т. 86. Вып. 7. - С. 970-975.
16. Зенков Л.Р., Ронкин М.А. Функциональная диагностика нервных болезней. - М.: Медицина, 1991 - 623 с.
17. Румянцева М.Ф., Лосева Т.Н., Бунина Т.П. Руководство к практическим занятиям по физиологии с основами анатомии человека. - М.: Медицина, 1986.
18. Гаусманова-Петрусевич Я. Мышечные заболевания. - Варшава: Польское гос. мед. изд-во, 1971.-440 с.
19. Aminoff М. Electromyography in clinical practic. - Menio Park (Calif.) etc.: Addison-Wesley, 1978. - 216 p.
20. Гульд К., Розенфальк Л., Виллисон Р. Дж. Технические факторы в регистрации электрической активности и электродиагностике: Пер. с англ. - М.; Медицина. 1975,-С. 151-187.
21. Асланов Л. М. Электронейромиографическое исследование детей с синдромом детского церебрального паралича// Журн. невропатол. и психиатр.- 1980. - Т. 80, № 2. - С. 1488-1491.
22. Юсевич Ю. С. Электромиография в клинике нервных болезней. - М.: Медгиз, 1958.-128с
23. Персон Р. С. Двигательные единицы и мотонейронный пул// Физиология движений.-М.: Наука, 1976.-С. 69-101.
24. Рубин Л. Р. Электродиагностика// Многотомное руководство по неврологии. Семиотика и диагностика нервных заболеваний.-М.: Медгиз, 1962.- Т. 2. - С. 355-385.
25. Водолазский Л. А. Основы техники клинической электрографии. - М.: Медицина, 1966.-272 с.
26. Гехт Б, М, Касаткина Л. Ф., Кевиш А. В. Электромиграфия с использованием игольчатых электродов в анализе структуры и функционального состояния двигательных единиц при нервно-мышечных заболеваниях// Журн. невропатол. и психиатр. - 1980. -Т. 80. № 6. - С. 822-829.
27. Buchthal F. An introduction to electromyography. - Kobenhavn: Gyldendals 1957.-43 p.
28. Васильев В. Н. Вопросы патогенеза, диагностики и лечения миастении (Обзор зарубежной литературы)//Журн. невропатол. и психиатр.-1980.-Т. 80, № 11.-С. 1729-1734.
29. Agripopoulos С. J., Panajofopopoulos С. Р., Scarpalezos S., Nastas Р. Е. F-wave and M-response conduction velocity in diabetes mellitus// Electromyography. - 1979. - Vol. 19, N 5. - P. 443-457.
30. Байкушев С.Т., Манович 3.X., Новикова В.П. Стимуляционная электромиография и электронейрографня в клинике нервных болезней. - М.: Медицина, 1974.- 144 с.
31. Баскаков С.И. Радиотехнические цепи и сигналы. - М., Высшая школа.- 1983 - 536 с.
32. Персон Р.С. Теоретические основы трактовки ЭМГ // Физиология человека. - 1987 - т.13, №4 - с. 65-67.
33. Сергиенко А.Б. Цифровая обработка сигналов. - СПб.: Питер, 2002 - 608 с.
34. Бондарев В.Н., Трёстер Г., Чернега В.С. Цифровая обработка сигналов: методы и средства. - Севастополь: СевГТУ, 1999 - 398с.
35. Jackson, L.B. Digital Filters and Signal Processing. Third Ed. Boston: Kluwer Academic Publishers, 1989.
36. Марпл-мл. С.Л. Цифровой спектральный анализ и его приложения / Пер. с англ. - М.: Мир, 1990.
37. Куприянов М.С., Матюшкин Б.Д. Цифровая обработка сигналов: процессоры, алгоритмы, средства проектирования. - СПб.: Политехника, 1999.
38. Percival, D.B., and A.T. Walden. Spectral Analysis for Physical Applications: Multitaper and Conventional Univariate Techniques. Cambridge: Cambridge University Press, 1993.
39. Welch, P.D. "The Use of Fast Fourier Transform for the Estimation of Power Spectra: A Method Based on Time Averaging Over Short, Modified Periodograms." IEEE Trans. Audio Electroacoust. Vol. AU-15 (June 1967). Pgs. 70-73.
40. IEEE. Programs for Digital Signal Processing. IEEE Press. New York: John Wiley & Sons, 1979.
41. Kay, S.M. Modern Spectral Estimation. Englewood Cliffs, NJ: Prentice Hall, 1988.
42. Oppenheim, A.V., and R.W. Schafer. Discrete-Time Signal Processing. Englewood Cliffs, NJ: Prentice Hall, 1989.
43. Crochiere, R.E., and L.R. Rabiner. Multi-Rate Signal Processing. Englewood Cliffs, NJ: Prentice Hall, 1983. Pgs. 88-91.
44. Proakis, J.G., and D.G. Manolakis. Digital Signal Processing: Principles, Algorithms, and Applications. Upper Saddle River, NJ: Prentice Hall, 1996.
45. Rabiner, L.R., and B. Gold. Theory and Application of Digital Signal Processing. Englewood Cliffs, NJ: Prentice Hall, 1975.
46. Дьяконов В.П. Как выбрать математическую систему? Монитор-Аспект. №2.-,1993, 22с.
47. Дьяконов В.П., Пеньков А.И. Современные математические системы. PC Week.-№43(67), 1996, с 42.
48. Дьяконов В.П. MATLAB 6: Учебный курс. - СПб.: Питер, 2002.
49. Гультяев А. Визуальное моделирование в среде MATLAB: Учебный курс. - СПб.: Питер, 2000.
50. Дьяконов В.П. Справочник по применению системы РС MatLab. М.: Наука, Физматлит, 1993, 112 с.
51. Дьяконов В.П., Абраменкова И.В. MATLAB 5.0/5.3. Система символьной математики. - М.: Нолидж, 1999.
52. Говорухин В.Н., Цибулин В.Г. Компьютер в математическом исследовании: Учебный курс. - СПб.: Питер, 2001.
53. Дьяконов В.П. Современные математические системы в образовании. Информационные технологии, №4, 1997, с.40.
54. Дьяконов В.П. Расширяемые системы для численных расчетов MatLab. Монитор-Аспект, 1993, №2, с.26.
55. Потемкин В.Г. Система инженерных и научных расчетов MatLab 5.х. В 2-х т., М.: Диалог-МИФИ. - 1999, 366 с.(т.1), 304 с.(т.2).
56. Automatic Decomposition EMG Software Package.- Nicolet Biomedical. 1993.
57. Михайличенко А.А. Клинический практикум по неврологии. СПб.: Фолиант, 2001 - 305 с.
58. Попелянский Л.Ю. Вертерброгенные заболевания нервной системы. Т.1. Вертербральные синдромы поясничного остеохондроза. - Казань, 1974. -432 с.
59. Комарова Л.А. Влияние синусоидальных модулированных токов на динамику клинико-электромиографических показателей // Вопросы курортологии, физиотерапии и ЛФК. 1985. №1. С. 37 - 39.
60. Гехт Б, М. Синдромы патологической мышечной утомляемости.-М.: Медицина, 1974. - 200 с.
61. Borenstein S., Desmedt J. Е. New diagnostic procedures in my asthenia gravis// New developments in electromyography and clinical neurophysioIogv/Ed. J. Е. Desmendt. - Basel: Karger, 1973. - Vol. 1 - P. 350-374.
62. Desmedt J. E., Presynaptic mechanisms in myasthenia graves//Ann. N. Y. Acad.Sci. - 1966. -- Vol. 135. art I. - P. 209-246.
63. Engel A. G., Tsujihata М., Lindstrom J. М., Lennon У. Л. The motor end plate in myasthenia gravis and in experimental autoimmune myasthenia gravis. A quantitative ultrastructural study//Myasthenia gravis/Ed. F. Grob//Ann. New York Acad. Sci. - New York, 1976. - Vol. 274. - P. 60-84.
64. Fuglsang-Frederiksen А., Dahl H., Lo Monaco М. Electrical muscle activity during a gradual increase in force in patients with neuromuscular diseases// Eleeiroenceph. din. Neurophysiol.-1984.-Vol. 57, N 4.-P. 320-329.
65. Harvey A. М., Meslend R. L. The electromyogram in myasthenia gravis//Bull. Johns Hopkins Hosp.- 1941.-Vol. 69.-P. 1-3.
66. Дубенко Е.Г., Захарьев Ю.М. Нервно-мышечные нарушения при гипотиреозе// Журн. невропатол. и психиатр.-1979.-Т. 79, № 3.-С. 283- 286.
67. Зенков Л. Р., Гольдин Ю. М. Электромиографические исследования регуляции мочеиспускания в норме и при некоторых спинальных поражениях// Вопр. нейрохир. - 1970. - № 3. - С. 42-47.
68. Ильина Н.А., Иванченко О.В., Потомская Л.3. Псевдомиопатическая форма спинальной амиотрофии (болезнь Кугельберга - Веландера)//Журн. невропатол. и психиатр.- 1971.-Т. 71, № 8.-С. 1139-1145.
69. Ильина Н. А., Аверьянова Ю. Н., Бирюков В. Б. и др. Синдром постоянной активности мышечных волокон (синдром Исаакса)//Журн. невропатол. и психиатр. - 1979. - Т. 79, № 3. - С. 261-266.
70. Молдовану И. В., Яхно Я. Н. Нейрогенная тетания. - Кишинев: Штиинца, 1985.-184с.
71. Buchthal F, Rosenfalck P. Spontaneous electrical activity of human muscle//Electroenceph. din. Neurophysiol. - 1966.-Vol. 2. - P. 321-336.

Приложение 1 - Листинг программы

Примечание

Здесь приведен листинг неоткомпилированных m-файлов.

 Файл emhelp.m
 
function varargout = emihelp(varargin)
% EMIHELP Application M-file for emihelp.fig
%    FIG = EMIHELP launch emihelp GUI.
%    EMIHELP('callback_name', ...) invoke the named callback.

if nargin == 0  % LAUNCH GUI

  fig = openfig(mfilename,'reuse');

  % Generate a structure of handles to pass to callbacks, and store it. 
  handles = guihandles(fig);
  guidata(fig, handles);

  if nargout > 0
    varargout{1} = fig;
  end

elseif ischar(varargin{1}) % INVOKE NAMED SUBFUNCTION OR CALLBACK
  try
    [varargout{1:nargout}] = feval(varargin{:}); % FEVAL switchyard
  catch
    disp(lasterr);
  end

end

% --------------------------------------------------------------------
function varargout = pushbutton1_Callback(h, eventdata, handles, varargin)
% Stub for Callback of the uicontrol handles.pushbutton1.
close(gcf);


Файл emiopen.m

function emiopen;
global fs sy opid ls ax2 ax1 ax3  vlf lf hf ku
%-------- MSG-files opener -----------
handles=guihandles(gcf);
[s,p]=uigetfile('*.msg','EMG-file');
pause(0.1);

if isequal (s,0)|isequal(p,0)
    errordlg('File not found');
    pause(0.1);    
else
    if isempty(opid)
        opid=1;
        set(handles.axes1,'Visible','on');
        set(handles.axes2,'Visible','on');
        set(handles.axes3,'Visible','on');        
        hf=handles.figure1;
        ax1=(handles.axes1);
        ax2=(handles.axes2);
        ax3=(handles.axes3);
        %== DEFAULT VALUES ==
        fs=6553.5;
        vlf=5;
        lf=30;
        hf=70;
        ku=0.5;
        
        fid=fopen([p,s],'r');
        lin=fgetl(fid);
        sy=double(lin);
        fclose(fid);
        clear lin
        ls=length(sy);
        emispec(1,ls);
    else
        fid=fopen([p,s],'r');
        lin=fgetl(fid);
        sy=double(lin);
        fclose(fid);
        clear lin
        ls=length(sy);
        emispec(1,ls);
    end
end


Файл emiquit.m

function emiquit;
button = questdlg('Ready to quit?', ...
                            'Exit Dialog','Yes','No','No');
          switch button
            case 'Yes',
                clear all;
                close all;
            case 'No',
             pause(0.05);
          end


Файл emiset.m

function emiset;
global fs sy opid ls ax2 ax1 vlf lf hf ku
if isempty(opid)
    errordlg('You must OPEN EMG-file.');
    pause(0.1);
    %ringer;
else
    settings;
end


Файл emispec.m

function emispec(beg,fin);
global fs sy ls hf ax2 ax1 ax3  vlf lf hf ku
handles=guihandles(gcf);

set(handles.figure1,'Pointer','watch');
% Signal calibration
scale_lim=8.3*ku;
sy_calib=sy.*(scale_lim/255);

% PSD calculating
subsy=sy_calib(beg:fin);
[Pxx,f]=psd(subsy,1024,fs,[],[],'linear');
P_log=log10(Pxx);

% EMG displaying
axes(ax1);

plot(sy_calib);axis([0 length(sy) 0 scale_lim]);
grid on; zoom on;
title('EMG signal');
xlabel('Samples` numbers');
ylabel('mV');
hold on;
plot([beg beg],[0 scale_lim],'r');
plot([fin fin],[0 scale_lim],'r');
hold off;
st=num2str(std(subsy));

% PSD displaying
axes(ax2);
plot(f,P_log,'b');
title('EMG Power Spectrum'); 
min_psd=min(P_log) - 0.5;
max_psd=max(P_log) + 0.5;
axis([0 round(fs/2) min_psd max_psd]);
grid on; zoom on;
xlabel('Frequency, Hz');
ylabel('Log scale');

hold on;
plot([vlf vlf],[min_psd max_psd],'r');
plot([lf lf],[min_psd max_psd],'r');
plot([hf hf],[min_psd max_psd],'r');
plot([fix(fs/2) fix(fs/2)],[min_psd max_psd],'r');
hold off;
set(handles.text9,'String',st);


f_step=f(2,1);% Setting freq. step
f_index_1=round(lf/f_step);%Setting indexes for freq. spaces
f_index_2=round(hf/f_step);
f_index_0=round(vlf/f_step);

my_bar=[0 0 0];

x=f(f_index_0:f_index_1);y=Pxx(f_index_0:f_index_1);
my_bar(1)=(trapz(x,y));
S_f1=num2str(my_bar(1));
set(handles.text10,'String',S_f1);

x=f(f_index_1+1:f_index_2);y=Pxx(f_index_1+1:f_index_2);
my_bar(2)=(trapz(x,y));
S_f2=num2str(my_bar(2));
set(handles.text11,'String',S_f2);

x=f(f_index_2+1:length(f));y=Pxx(f_index_2+1:length(f));
my_bar(3)=(trapz(x,y));
S_f3=num2str(my_bar(3));
set(handles.text12,'String',S_f3);

hf_lf=str2num(S_f3)/str2num(S_f2);
hf_lf=num2str(hf_lf);
set(handles.text13,'String',hf_lf);


axes(ax3);
bar(my_bar,'m');

st_1=['VLF:  ' num2str(vlf) ' - ' num2str(lf) ' Гц'];
st_2=['LF:   ' num2str(lf) ' - ' num2str(hf) ' Гц'];
st_3=['HF:   ' num2str(hf) ' - ' num2str(round(fs/2)) ' Гц'];

set(handles.text14,'String',st_1);
set(handles.text15,'String',st_2);
set(handles.text16,'String',st_3);

set(handles.figure1,'Pointer','arrow');


Файл emispec2.m

function varargout = emispec2(varargin)
% EMISPEC2 Application M-file for emispec2.fig
%    FIG = EMISPEC2 launch emispec2 GUI.
%    EMISPEC2('callback_name', ...) invoke the named callback.

if nargin == 0  % LAUNCH GUI

  fig = openfig(mfilename,'reuse');

  % Generate a structure of handles to pass to callbacks, and store it. 
  handles = guihandles(fig);
  guidata(fig, handles);

  if nargout > 0
    varargout{1} = fig;
  end

elseif ischar(varargin{1}) % INVOKE NAMED SUBFUNCTION OR CALLBACK

  try
    [varargout{1:nargout}] = feval(varargin{:}); % FEVAL switchyard
  catch
    disp(lasterr);
  end

end

%-----------------------------------------------------
global fs sy opid ls ax2 ax1 ax3 vlf lf hf ku


Файл settings.m

function varargout = settings(varargin)
% SETTINGS Application M-file for settings.fig
%    FIG = SETTINGS launch settings GUI.
%    SETTINGS('callback_name', ...) invoke the named callback.

if nargin == 0  % LAUNCH GUI

  fig = openfig(mfilename,'reuse');

  % Use system color scheme for figure:
  set(fig,'Color',get(0,'defaultUicontrolBackgroundColor'));

  % Generate a structure of handles to pass to callbacks, and store it. 
  handles = guihandles(fig);
  guidata(fig, handles);

  if nargout > 0
    varargout{1} = fig;
  end

elseif ischar(varargin{1}) % INVOKE NAMED SUBFUNCTION OR CALLBACK

  try
    [varargout{1:nargout}] = feval(varargin{:}); % FEVAL switchyard
  catch
    disp(lasterr);
  end

end


global fs sy ls ax2 ax1 vlf lf hf ku

% --------------------------------------------------------------------
%function varargout = edit1_Callback(h, eventdata, handles, varargin)
% Stub for Callback of the uicontrol handles.edit1.

% --------------------------------------------------------------------
function varargout = edit2_Callback(h, eventdata, handles, varargin)
% Stub for Callback of the uicontrol handles.edit2.

% --------------------------------------------------------------------
function varargout = edit3_Callback(h, eventdata, handles, varargin)
% Stub for Callback of the uicontrol handles.edit3.

% --------------------------------------------------------------------
function varargout = edit4_Callback(h, eventdata, handles, varargin)
% Stub for Callback of the uicontrol handles.edit4.

% --------------------------------------------------------------------
function varargout = pushbutton1_Callback(h, eventdata, handles, varargin)
% Stub for Callback of the uicontrol handles.pushbutton1.

global fs sy ls ax2 ax1 vlf lf hf ku
er=0; er1=0;
lf=get(handles.edit2,'string');
hf=get(handles.edit3,'string');
fs=get(handles.edit4,'string');
ku=get(handles.popupmenu1,'value');
beg=get(handles.edit6,'string');
fin=get(handles.edit7,'string');

lf=str2num(lf);
hf=str2num(hf);
fs=str2num(fs);

switch(ku)
case 1
    ku=20;
case 2
    ku=10;
case 3
    ku=5;
case 4
    ku=2;
case 5
    ku=1;
case 6
    ku=0.5;
case 7
    ku=0.2;
case 8
    ku=0.1;
case 9
    ku=0.05;
case 10
    ku=0.02;
case 11
    ku=0.01;
case 12
    ku=0.005;
end
    
beg=str2num(beg);
fin=str2num(fin);

if isempty(lf|hf|fs|beg|fin)
    errordlg('Incorrect input: enter only NUMBERS or fill ALL fields.');
    pause(0.1);
    er=1;
elseif ((beg<1)|(fin>ls)|(beg>=fin)|(lf<=vlf)|(hf>=fs/2)|(lf>=hf))
    errordlg('Incorrect input: WRONG VALUES.');
    pause(0.1);        
    er=1;
end

if (er == 0)
    close(gcf);
    pause(0.1);
    emispec(beg,fin);
end

% --------------------------------------------------------------------
function varargout = pushbutton2_Callback(h, eventdata, handles, varargin)
% Stub for Callback of the uicontrol handles.pushbutton2.
close (gcf);

% --------------------------------------------------------------------
function varargout = popupmenu1_Callback(h, eventdata, handles, varargin)
% Stub for Callback of the uicontrol handles.popupmenu1.

% --------------------------------------------------------------------
function varargout = edit6_Callback(h, eventdata, handles, varargin)
% Stub for Callback of the uicontrol handles.edit6.

% --------------------------------------------------------------------
function varargout = edit7_Callback(h, eventdata, handles, varargin)
% Stub for Callback of the uicontrol handles.edit7.

% --------------------------------------------------------------------
function varargout = pushbutton3_Callback(h, eventdata, handles, varargin)
% Stub for Callback of the uicontrol handles.pushbutton3.
global ls
set(handles.edit6,'String','1');
set(handles.edit7,'String',num2str(ls));
 

Наверх