DIPLOMATERV BENYOVSZKY MÁTÉ 2011.

Átírás

1 DIPLOMATERV BENYOVSZKY MÁTÉ 2011.

2 DIPLOMATERV A Z E K G A U T O M A T I Z Á L T S Z O F T V E R E S E L E M Z É S E P S Z I C H O F I Z I O L Ó G I A I V I Z S G Á L A T I H E L Y Z E T B E N TÉMAVEZETŐ: DR. MOLNÁR MÁRK KÜLSŐ INTÉZMÉNY: MTA PSZICHOLÓGIAI KUTATÓINTÉZET PSZICHOFIZIOLÓGIAI KUTATÓCSOPORT 1068 Budapest, Szondi u SZERZŐ NEVE: BENYOVSZKY MÁTÉ INTÉZMÉNY: PÁZMÁNY PÉTER KATOLIKUS EGYETEM INFORMÁCIÓS TECHNOLÓGIAI KAR BIONIKUS SZÁMÍTÁSTECHNIKA SZAK LEADÁS DÁTUMA: JÚNIUS 15.

3 NYILATKOZAT AZ ÖNÁLLÓ MUNKÁRÓL Alulírott Benyovszky Máté, a Pázmány Péter Katolikus Egyetem Információs Technológiai Kara Szakirányú Továbbképzésének hallgatója kijelentem, hogy ezt a diplomatervet meg nem engedett segítség nélkül, saját magam készítettem, és a diplomamunkában csak a megadott forrásokat használtam fel. Minden olyan részt, melyet szó szerint, vagy azonos értelemben, de átfogalmazva más forrásból átvettem, egyértelműen a forrás megadásával megjelöltem. Ezt a Diplomamunkát más szakon még nem nyújtottam be. Budapest, június 14. aláírás

4 TARTALOMJEGYZÉK 1. A feladat rövid összefoglalása Abstract Bevezetés Feladatkiírás Irodalomi háttér Pszichofiziológia aspektusok EEG EKP EKG HRV RT Vizsgált helyzetek Várakozási helyzet (CNV) Mentális aritmetika Kapcsolat a vizsgált aspektusok között Szívritmus feldolgozó szoftverek Korábbi munkák Fejlesztések EKG Timeline EKG EventGenerator EKG PeakDet DATSTAT KORÁBBI ELEMZÉSEK Várakozási folyamatokkal összefüggő agyi elektromos jelek elemzése Várakozási folyamatokkal összefüggő agyi elektromos potenciálok változása kis dózisú alkohol hatása alatt... 22

5 6.2.3 Kognitív tevékenységek vegetatív idegrendszeri mutatói kis dózisú alkohol hatása alatt Kognitív erőfeszítéssel összefüggő EEG változások és vegetatív idegrendszeri folyamatok korrelációja A tervezés részletes leírása Fejlesztés Alapvető szempontok, célok Szoftverrendszer logikai felépítése EKG Timeline 7 Reader EKG Timeline 7 Analyser Vizsgálati helyzetek CNV helyzet Számolás helyzet A feldolgozás lépései Eredmények, értékelés Fejlesztés Továbbfejlesztési lehetőségek CNV helyzet Számolás helyzet Összefoglaló Felhasznált eszközök Köszönetnyilvánítás Irodalomjegyzék Mellékletek Ábrajegyzék MATLAB program forráskódja magyarázattal Feldolgozott adatok A feldolgozás folyamata oldal

6 1. A FELADAT RÖVID ÖSSZEFOGLALÁSA Az electroencephalogram (EEG) több, frekvencia tartománynak megfelelő ritmus komplex együtteseként fogható fel. Ezek az "oszcillációk" random jellegűek, azonban ingerek hatására részint intenzitásuk, részint időbeli összerendezettségük nő, melynek eredményeként több komponensből álló kiváltott potenciálok keletkeznek. A szakirodalom hagyományosan eseményhez kötött potenciálokról (EKP-okról) beszél, amikor a kiváltó ingerrel összefüggésben a személynek valamilyen feladata van [1]. Az egyes feladathelyzetek nem csak a központi idegrendszerre hanem ha közvetetten is a vegetatív idegrendszeri működésben is változásokat indukálhatnak. Az elektrokardiográfia (röviden EKG) egy non-invazív eljárás, mely a szív elektromos jeleit vizsgálja, a szívizom összehúzódásakor keletkező elektromos feszültség-ingadozás regisztrálásával. A szív összehúzódása, mely a sinuscsomóból induló inger hatására jön létre és a test felszínére helyezett elektródokkal elvezethető. A szívritmus (Heart Rate: HR) szabályozása komplex idegrendszeri folyamat, melyet 3 fő komponens befolyásol: a vegetatív idegrendszeri szimpatikus (5 s feletti reakcióidő, alacsony frekvenciájú moduláció: LF) és paraszimpatikus (1-2 szívverés alatti gyors hatás, magas frekvenciájú komponens: HF) hatások, illetve a vérnyomás (érfalak feszessége, baroreflex). A kísérletek során sokcsatornás EEG elvezetéssel egy időben az EKG is elvezetésre kerül. Ennek elemzése a szimpatikus-paraszimpatikus tónus változásainak mérésére ad lehetőséget. Ezen adatok fényében az EEG és eseményekkel összefüggő KP-ok mellett a vegetatív idegrendszer helyzetfüggő működésváltozása is megítélhetővé válik. A központi és a vegetatív idegrendszer közötti korreláció vizsgálata a szakirodalomban jelentős múltra tekint vissza, az eseménykiváltott EKG-t az EEG-vel párhuzamosan vizsgálják [2], melyet a korábbi diplomamunkám eredményei is alátámasztanak [3]). Az EKG eredmények feldolgozása azonban koránt sem annyira hatékony és kiforrott, mint az EEG különböző aspektusainak vizsgálata. Az elemzői programok bár folyamatosan fejlődnek a kutatócsoportok által kiadott szabad szoftvereknek köszönhetően, nincsenek felkészítve teljes kísérletsorok, vizsgálati helyzetek átfogó elemzésére, ami komolyan hátráltatja az új eredményeket könnyű elérését. Ezt bár korábbi fejlesztéseink részben orvosolják, a kidolgozás alatt ugyanennyi kérdést fel is vetettek: többek között az új vizsgálati aspektusok (szívfrekvencia komponensek elemzése), és hatékonyabb algoritmusok (szívverés detekció) felhasználásának szükségességét. 3. oldal

7 2. ABSTRACT The electroencephalogram (EEG) can be regarded as the sum of many complex rhythms in various frequency ranges. These oscillations seem to be random, but after a stimulus, their intensity and correlation in time may increase, resulting in evoked potentials that consist of numerous components. Conventionally these are referred to as event-related potentials (ERPs), observed when the subject has some task with respect to the stimulus [1]. These tasks can induce changes not only in the central nervous system, but if indirectly in the autonomic nervous system too. Electrocardiography (ECG) is a non-invasive method, by which the electric activity of the heart can be studied that originates as a result of the contraction of heart muscles. The contraction of the heart is produced by an electrical stimulus, starting from the sinus node and can be recorded by electrodes placed on the surface of the body. The regulation of the heart rate (HR) is a complex process, which is influenced by 3 main components: the sympathetic (over 5 s reaction time, low-frequency modulation: LF), the parasympathetic (fast action, 1-2 effect on heart rate during high-frequency component: HF) autonomic nervous system effects, and the blood pressure (blood vessel tension, baroreflex). In the experiments simultaneously with the multichannel EEG, the ECG were recorded too. This analysis provides an opportunity to measure changes of the sympatheticparasympathetic tone. With these data we can suspect not only ECG and ERP functions, but the situational changes of autonomic nervous system. The correlation between central and autonomic nervous system has a significant history in the literature, examining the event-related ECG in parallel with the EEG [2], which was also supported by the results of my previous thesis (title: Correlation of cognitive effort related process changes in EEG and vegetative nervous system [3]). However, the processing of the ECG results, is not nearly as effective and mature as the examination of the aspects of the EEG. Analyser programs are evolving, although the published free softwares are not fully prepared for the analysis of the full experiments, which seriously hinder the achievement of results. Although this has been partly solved in my earlier developments, it also has raised some questions: the need to use new aspects in tests (heart rate components analysis) and more efficient algorithms (heartbeat detection). 4. oldal

8 3. BEVEZETÉS Munkám inkrementális folytatása az Önálló labor tárgyak keretében megkezdett kutatásaimnak. Kezdetben az idegrendszer tevékenységét vizsgáltam különböző feladathelyzetekben, majd a vegetatív idegrendszeri mutatókkal, azokon belül is a szívritmus változással való korrelációt elemeztem. A vegetatív mutatók, mint a bőr vezetőképessége (galvános bőrellenállás, GSR), a pupilla méretének változása, légzés sebessége vagy a pulzus változásai (szívverés sebessége vagy vérnyomás változás, baroreflex) fontos kísérői az agyi tevékenységeknek. Bár hozzájuk kapcsolódó vizsgálati módszerek fejlettek és kifinomultak, az egyes feladathelyzetekben történt mérések eredményeinek nagy elemszámú feldolgozására nem állnak rendelkezésre elterjedt, bevált megoldások. A diplomamunkámban [3] is elvégzett kutatások során kristályozódott ki egy olyan szívritmus elemző szoftver kifejlesztésének szükségessége, mely kellően rugalmas ahhoz, hogy a változatos pszichofiziológiai mérések eredményei gyorsan kielemezhetőek legyenek, de mindemellett felhasználóbarát, kimenetei tovább elemezhetőek és szükség szerint, az új tudományos eredményekhez kapcsolódó algoritmusokkal bővíthető eszköztárral rendelkezik. Az irodalomkutatás során az alapjelenségek megismertetése és néhány fontosabb vonatkozó cikk említése után a hipotézisek alatt vizsgált helyzeteket pszichofiziológiai vonatkozásait mutatom be. Röviden kitérek az elemzés eszközrendszerére, majd leírom korábbi eredményeim eléréséhez ezeket hogyan alkalmaztam (korábbi diplomatervemre építve). A tervezés részletes bemutatását az újonnan fejlesztett szoftverrel szemben támasztott követelmények és koncepciók ismertetésével kezdem, folytatva a program felépítésének és folyamatainak leírásával. Az használatot két kísérleti helyzeten történő alkalmazáson keresztül mutatom be, az eredményeket külön fejezetben értékelve. A közel két éves munka összefoglalásaként dolgozatomban egy olyan új, több tudományterületről tapasztalatokat kamatoztató szoftverrendszert mutatok be, mely nem csak radikálisan leegyszerűsíti az EKG jelek feldolgozását, de felhasználóbarát grafikus felülettel rendelkezik és az új tudományos eredményekre felkészülve viszonylag rövid idő alatt új modulokkal is bővíthető. 5. oldal

9 4. FELADATKIÍRÁS A vizsgálati helyzetek során felvett EKG elemzése informatív mutatókat ad az agyi elektromos jelek értelmezésének megértéséhez. A piacon lévő szoftverek azonban jellemzően egy-egy vizsgált személy adatainak elemzésekor segítenek, komplett vizsgálati helyzetek automatizált elemzése nem lehetséges ban ezért kezdtük fejleszteni az EKG Timeline elemzést segítő MatLab szoftvert, mely a teljes vizsgálati helyzetek elemzését hivatott megkönnyíteni. A program számos verziót megélt, melyek jellemzően kiegészítések vagy javítások voltak, és több cikk referált eredményeire. Azonban a nehéz bővíthetőség, a labor és a kor új igényei új, rugalmasabb, pontosabb, és gazdagabb eszköztárral, elemzési képességekkel rendelkező szoftver kívánnak. Ehhez komplett újratervezésre van szükség. A megvalósítás során a következő feladatokat vittük véghez: - Tekintse át a vonatkozó szakirodalmat! A kurrens vizsgálati módszerek és eredmények bemutatása. - Vizsgálja meg a jelenleg elérhető szoftverkínálatot! Az elérhető elemző szoftverek felkutatása (különösen az ingyenes megoldásokra fókuszálva). - Mutassa be az egyes szívritmus elemzési technikákat! Az idő- és frekvenciatartományban történő elemzések legfontosabb tulajdonságainak bevezetése. - Hasonlítsa össze az eredményeket, és adjon javaslatot az elemzési metodikára! Állítson össze egy javasolt feldolgozási műveletsort a kiválasztott, leghatékonyabb algoritmusokkal a későbbi kutatások felgyorsítására. - Dolgozza ki és fejlessze le az elemzéseket hatékonyan automatizáló szoftvercsomagot! A kialakítást előzze meg tervezés. A kész program lehetőleg moduláris felépítésű legyen a későbbi bővíthetőség érdekében. - A szoftver rendelkezzen grafikus felhasználói felülettel, az eredményeket jelenítse meg vizuálisan! A felület bármilyen kutató munkát végző vagy segítő számára kezelhető legyen. A konfigurálás és a paraméterezés során a módosítások eredményei lehetőleg azonnal jelenjenek meg, a végleges adatok kimentése előtt. - Mutassa be a programot és működését, adjon felhasználói leírást és specifikációt! A program működését mutassa be funkcionális szolgáltatásain keresztül, használatához készüljön közérthető útmutató. - Tesztelje és ellenőrizze a helyes működést! A kísérleti adatokkal ellenőrizze a szoftverek eredményeit. - Mutassa be a használatot példákkal és eredményekkel! Valós adatok elemzését végigvezetve mutassa be a program használatát. 6. oldal

10 5. IRODALOMI HÁTTÉR 5.1 PSZICHOFIZIOLÓGIA ASPEKTUSOK EEG Az EEG (elektroencefalogram) tudomány általánosan elfogadott tézisei szerint az idegsejtek közötti kommunikáció egyik megnyilvánulási formájának tekinthető [4] [5]. A neuronok a szinapszisokon keresztül összekapcsolódva továbbítják az impulzusokat, melyek tulajdonképpen ionkoncentráció változások a sejtmembránok mentán. Ezeknek elektromos töltése van, s az így keletkezett potenciálkülönbségek eredményeként random jellegű oszcillációk alakulnak ki. Ingerek hatására azonban részint intenzitásuk, részint időbeli összerendezettségük nő (1. ábra). Subject: EEG file: 21_cnv1_3.cnt Recorded : 10:12:48 20-Dec-2005 Rate Hz, HPF - 0 Hz, LPF - 70 Hz, Notch - off, Montage - None Neuroscan SCAN 4.3 Printed : 12:41:21 13-Nov-2007 FP1FP2F7F3FzF4F8FT9FC5FC1FC2FC6FT10T7C3CzC4T8TP9CP5CP1CP2CP6TP10P7P3PzP4P8PO9O1O2PO10HEOGjHEOGbVEOGfVEOGaEKGFCz -256 µv 600 ms 9 00:03: :03: :03: :03: :03: :03: ÁBRA: CNV HELYZET, EGYETLEN SZEMÉLY NYERS EEG ADATAIVAL A frontális elektródoknál (F-el kezdődő csatornák) a 10-es trigger után (00:03:26) látható szabad szemmel is a CNV-hez kötődő eltolódás negatív irányba (felfelé). Alul az EKG. 7. oldal

11 Az elvezetés fejre helyezett, pontosan pozicionált elektródok [6] segítségével történik. Mivel közvetetten mérünk, (mélyen fekvő idegsejteket nem lehet közvetlenül elérni ezzel a technikával) csak közelítő képet kapunk. Előnye viszont az invazív (feltáró, azaz műtéti beavatkozást) igénylő deep brain eljárásokhoz képest, hogy tulajdonképpen kockázatok nélkül bárkit vizsgálhatunk (bármilyen tevékenység közben, nagyon jó időbeli felbontással) [7]. Az EEG tevékenységben hagyományosan az amplitúdót vizsgáljuk (μv), az utóbbi évtizedek eredménye frekvenciaspektrum [8], és más karakterisztikumok elemzése [9] EKP Az esemény kiváltott potenciálok (EKP) [10], az EEG tevékenység adott eseményéhez kapcsolódó inger által kiváltott, jellemzően több komponensből álló tranziens elektromos aktivitások, melyek sokszor funkcionális kognitív működésre utaló jelentéssel is rendelkezhetnek. A kiváltott potenciálok osztályozása, nevezéktana az alábbiak szerint történik: az N vagy P betű a negatív vagy pozitív irányú polaritást, az utána következő szám pedig az ingertől számított eltelt idő (latencia) msec-ban (a nullák olykor jelölése elmarad, így két nagyságrenddel kisebb számot látunk). 2. ÁBRA: AEP-K ÉS JELLEMZŐIK 8. oldal

12 A potenciálokat többféle inger kiválthatja (pl. vizuális, taktilis), melyek típusra és endogén folyamatokra jellemző komponensekből épülhetnek fel. Az akusztikusan kiváltott válasz (AEP) is jellegzetes mintázatot vesz fel, melyet rövid hanginger (vizsgálatoknál jellemzően fülhallgatón keresztül érkező hallásküszöb feletti hang) idéz elő. Főbb elemeit az alábbi ábra foglalja össze (2. ábra) [11]. Legfontosabbak az N100 ( ms környékén), az N2 ( ms) és a P300 ( ms). Ezek közül az N1 például mindig megjelenik, míg a P3 feladathelyzettől függően elmaradhat EKG Az elektrokardiográfia (röviden EKG) a szív elektromos jelenségeit vizsgálja, a szívizom-összehúzódásakor keletkező elektromos feszültség-ingadozás regisztrálásával. A szív összehúzódása egy elektromos inger hatására jön létre, mely normális esetben a sinuscsomóból indul és a test felszínére helyezett elektródokkal, non-invazív módon elvezethető. Az EKG-felvételen szívverés periódusonként ismétlődő csúcsokat lehet megkülönböztetni (mv nagyságrend), melyeket a szakirodalomban betűkkel jelölnek. Ezek csúcsok megfelelnek bizonyos biológiai eseményeknek a szívben, sorrendben: 1. P - ingerület kialakulása a szinusz csomóban, 2. Q - az ingerület kezdete a kamrákban (ez az apró negatív csúcs gyakran nem is látható), 3. R - a legnagyobb csúcs a kamrákon végigterjedő ingerületet mutatja meg, 4. S - a negatív csúcs a kamrán végigfutó ingerület végét jelzi, 5. T - a kamra repolarizációját mutatja meg, 6. U - a normális görbén nem vagy csak alig látható, de kóros állapotokban (pl. káliumhiány esetén) látványosan jelenik meg. Az összehúzódások számát, azaz a pulzusszámot könnyen megkaphatjuk, ha összeszámoljuk az adott idő (pl. 1 perc) alatt keletkező R csúcsok számát. Pontosabb mérés esetén melyet használtunk - pulzusgörbét az R csúcsok közötti távolság méréséből állapíthatunk meg (3. ábra) [12]. 9. oldal

13 3. ÁBRA: RR INTERVALLUM HRV A szívritmus (Heart Rate: HR) szabályozása összetett idegrendszeri folyamat, melyet 3 fő komponens befolyásol: a vegetatív idegrendszer szimpatikus (5 s feletti reakcióidő, alacsony frekvenciájú moduláció: LF) és paraszimpatikus (gyors hatás, 1-2 szívverés alatti hatás, magas frekvenciájú komponens: HF), illetve közvetetten a vérnyomás (érfalak feszessége, baroreflex) (4. ábra) [13]. Az EKG elméleti szinten akár msec, de maximum 1-2 sec alatt követheti a kognitív tevékenységet. Az idegi hatásokon kívül egyéb tényezők is befolyásolják a szívritmus variabilitást, vagy annak bizonyos komponenseit: ugyanis komoly összefüggés van az egészségi állapottal [14], nemmel és korral [15] [16], ezek által a táplálkozással [17] [18] [19]. A testalkattal is összefüggésbe hozható (nem szignifikáns) [20], ezekből következően pedig fizikai állapottal, ugyanúgy, mint a CNV [21]. Az EKG felvételek során befolyásoló tényezőnek számíthat levegővételhez kötődő légzési szinusz aritmia [22] is. 10. oldal

14 4. ÁBRA: SZÍVRITMUS SZABÁLYOZÁS KOMPONENSEI RT A reakcióidő (Reaction Time: RT) az egyik legrégebbi és legkönnyebben mérhető viselkedési mutató, évtizedek óta használják a kognitív és motoros teljesítmény mérésére. Kapcsolódó mutató lehet a helyes válaszok aránya az összes visszajelzéshez viszonyítva. A reakcióidőt számos aspektus befolyásolhatja, például a nem és a kor [23], éberségi állapot, vagy véralkohol szint [24]. 5.2 VIZSGÁLT HELYZETEK VÁRAKOZÁSI HELYZET (CNV) A várakozási helyzetben [25] egy lassú negatív agyi potenciál alakul ki (Contingent Negative Variation: CNV), melyet egy rövid pozitív eltolódás követhet [26] (sokak szerint ez a P300 EKP hullámnak felel meg). A funkcionális jelentés egy rugó analógiájával mutatható be a legjobban: a felkészítő (szakirodalomban S1-el jelölik általában) inger után kezdődik a negatív irányú összenyomás, egészen az felszólító (S2) ingerig. 11. oldal

15 Kiengedés után egy pillanatra a rugó túl is nyúlik eredeti hosszán pozitív irányban, s rövid ideig csökken az ingerelhetőség. Az előfeszítés nagysága arányosnak tűnik a befektetett energiával, azaz koncentráció nagyságával. Ezt az is alátámasztja, hogy elterelő vagy kimaradó feladatok után az ott fel nem használt potencia sok esetben megjelent az utána lévő helyzetnél [26]. Ezt a jelenséget CNV rebound -nak (visszacsapás) nevezi a szakirodalom. Az agykérgi ingerelhetőség [27] mértékének is titulált CNV nyomai a fej hosszanti felezővonalán - orrgyök (nasion) fejtető nyakszirt (inion) - mutathatóak ki leghatározottabban (a homlok felső részétől indulva, ahol általában a legnagyobb az amplitúdó) (5. ábra). Subject: EEG file: xg_null.avg Recorded : 10:28:49 14-Nov-2005 Rate Hz, HPF - 0 Hz, LPF - 70 Hz, Notch - off *Fz Cz Pz Neuroscan SCAN 4.3 Printed : 11:55:37 16-Apr µv ms 5. ÁBRA: A CNV SKALPELOSZLÁSA A CNV terjedésével kapcsolatos lokalizációs megfigyelések. A kísérletben résztvevő személyek (30 fő adatainak nagyátlaga) 5 hangjelzést hallottak, s egy gombot kellett megnyomniuk, amennyiben az utolsó elmaradt. A frontalis (Fz), centralis (Cz), parietalis (Pz) irányban csökken az amplitúdó. A nyilak a hangjelek elhangzásának időpontját jelölik. 12. oldal

16 A CNV csúcsamplitúdóját igen sok tényező befolyásolhatja. Kézenfekvő ezek közül például az éberségi állapot, mely alacsony szintjénél az egyszerű esetekben általában magasabb, míg a bonyolultabb feleletválasztós esetekben alacsonyabb értékű CNVcsúcsamplitúdó várható [28]. A reaktivitás, ingerelhetőség alacsonyabb, amikor az átlagos EEG DC-szint eleve negatív irányba tolódott (pl. feszült idegállapot esetén): ilyenkor kisebb a kilengési lehetőség. A fizika fittség is hatással van a kognitív mutatókra: rendszeresebben sportoló (vagy fiatalabb) vizsgálati személyek szignifikánsan magasabb CNV amplitúdókat produkálnak [29] [30]. Ez alátámasztja a feltevést, hogy a szívritmussal is korrelálhat a csúcsérték. Az intelligencia és memóriateljesítmény is korrelál a várakozási potenciálok nagyságával [31], ami viszont aligha lehet közvetlen összefüggésben a pulzusszámmal MENTÁLIS ARITMETIKA Számolási helyzet vizsgálatakor az agy aritmetikai feladatvégzései teljesítményét, a feladatvégzés során bekövetkező kognitív folyamatokat elemezzük. A kísérletek jelentős részénél azonban a logikai műveletvégzés nem szeparálható el teljesen munkamemória használatától (meg kell jegyezni számokat) illetve esetünkben a várakozáshoz kapcsolódó CNV jelenséghez hasonló stresszhelyzettől. 5.3 KAPCSOLAT A VIZSGÁLT ASPEKTUSOK KÖZÖTT Mindent az idegrendszer irányít, ezért az agyi, a vegetatív illetve motoros rendszer közötti összefüggés várható. A szívműködés és az agyi tevékenységek kapcsolatát tekintve, egyik legérzékenyebb mutató a szívritmus változása [32]. A szívritmus nem csak testi, de lelki egészségünkre is következtetni enged [33]. Visszafele is igaz: érzelmi állapotunk (pl. depresszió), s ennek esetleges kezelése (akár gyógyszeresen antidepresszánssal) vagy változása is befolyásolja a pulzust [34]. A temperamentum is a pulzusszám változás egyik befolyásoló tényezője lehet, az autonóm idegrendszer egyensúlyának felborulásán túl a hangulati zavarok szintén kihathatnak a szívritmus működésre [35]. Más tanulmányok ennek az aspektusnak a kiváltott potenciálokra vetett hatását mutatják be: a depresszív hajlam, illetve az öngyilkossági kísérleteket elkövetőknél szignifikánsan kisebb P300 és CNV amplitúdót találtak [36]. Nem meglepő módon a különböző érzelmi töltettel rendelkező ingerek különböző módon és mértékben változtatják a szívverés sebességét [37] [38]. 13. oldal

17 A fiziológiai állapotváltozásokon túl az EKP-kra hatással lehet a figyelem, kor, betegség stb. [39], sőt eseménykiváltott EKG változásról is beszélhetünk [2]. Az S1-S2 paradigma (CNV esethez kapcsolódó figyelmeztető és felszólító inger) hatását a HR-re és a vérnyomásra az 1970-es évektől vizsgálják, a folyamat szinte minden aspektusát és elemét részletesen kielemezve [40] [41]. Az aritmetikai műveletekkel kapcsolatos változásról saját publikációink is vannak [42] [43]. A kapcsolat erősségére jellemző, hogy már orvosi diagnosztikában is alkalmazását ajánlják: születés után az EEG és EKG kombinált használatát javasolják csecsemőkori epilepsziás rohamok detektálására [44]. De nem a csecsemőkor a legkorábbi állapot, ahol megmutatták a korrelációt: születés előtt is kimutatható az agyi elektromos tevékenység egyes jellemzői és a szívritmus közötti kapcsolat [45]. Természetesen nem csak a szívvel, hanem például a bőrrel is kapcsolatban van a központi idegrendszer, de utóbbi esetben csak a szimpatikus szabályozáson keresztül. A várakozási helyzet hatása azonban galvános bőrellenálláson (GSR) így is megmutatkozik [46] [47]. A motoros rendszer tevékenységét vizsgálva pedig régóta ismert, hogy a reakcióidő korrelál a CNV csúcsamplitúdójával [48] [49]. Természetesen erre az életkor is jelentős hatással van, mellyel a kognitív teljesítmény szintén korrelálhat bizonyos esetekben, [50] [51] [52]. Legérdekesebb talán az a cikk, mely az életkort, EKP-kat és szívritmus változás közötti korrelációt egyszerre keresi [53]. 5.4 SZÍVRITMUS FELDOLGOZÓ SZOFTVEREK Az egyedi szoftver fejlesztése előtt számos szívritmus elemző megoldás elérhetőségét megvizsgáltuk. Az ingyenesen elérhető megoldásokat vettük számításba, melyeknek általánosságban véve két hiányossága volt: vagy alkalmatlanak voltak több felvétel együttes vizsgálatára, összegzésére; vagy csak paraméterezhető függvény funkciók voltak jól használható grafikus felület nélkül. Az utóbbiak közül többet beépítettünk saját szoftverünk vizuális felületébe. Gari Clifford and Danny Kaplan (dksoft) HRV Tools [54] [55]: A HRV algoritmust az előbbi a függvénytárból származtattuk, MatLab alapú szoftver. Biosignal Toolbox [56]: Komplett elemző függvény csomag, CNV adatforrás beolvasását használtuk fel belőle, MatLab alapú szoftver. Interface/ISAX: Nem ingyenes program, melynek alapjait Dr. Láng Eszter és munkatársai fejlesztették. Képes többek között a szemmozgás, pupilla, EKG 14. oldal

18 elvezetésére, az EKG-ból pedig egy különleges autoregressziós függvény segítségével készít HRV-t. KARDIA [57]: FFT és AR metódussal is képes HRV-t számolni, MatLab alapú szoftver. EEGLAB [58]: Biosignal Toolboxhoz hasonló, fejlettebb, grafikus felülettel rendelkező csomag, MatLab alapú szoftver. KubiousHRV [59]: Gyors, szép grafikus felülettel rendelkező és praktikus elemző program FFT és AR típusú elemzési lehetőséggel. 15. oldal

19 6. KORÁBBI MUNKÁK 6.1 FEJLESZTÉSEK EKG TIMELINE Az EKG Timeline a szívritmus elemző szoftvercsomag központi feldolgozó modulja, mely számos verziót megélt a jelenlegi, diplomatervben bemutatott 7-es számú változat előtt. Az első verzió csak megjelenítette a pulzusgörbét, majd a 2.0 adott lehetőséget először a mintavételezésre és átlagolásra. Ekkor alakult ki az interpolálás alapgondolata is, mely végigkísérte a további változatokat. A 3-as verzió az optimalizáláson túl a parancssorbeli 6. ÁBRA: AZ EKG_TIMELINE.M 2.0 PROGRAM KEZELŐFELÜLETE elérhetőséget, illetve a műtermékszűrést támogatta az EEG felvételekben megállapított epoch elfogadottsági státuszok alapján. A 4.0 sorozat verziói teljesen újraírt hibatűrő és felismerő maggal, grafikus felület nélkül születtek. Meghívható függvényként működtek, így alkalmasak kötegelt feldolgozásra is. Megjelent az automatikus műtermék-szűrés funkció, mely kiszűri a túl magas vagy túl alacsony pulzusszámú epoch-okat. A program fejlődött tovább, az következő verzió már képes a vizsgált EKG-ból az EEG-hez teljesen hasonlóan, személyenként, epoch-onként lokális minimum, maximum vagy átlag értéket keressen. Javult a hibatűrés, illetve a feldolgozási sebesség majd 40%-al nőtt az optimalizációnak köszönhetően. A feldolgozás azonban így is sok emberi erőforrást és tudást igényelt. Egyes lépések jól automatizáltak voltak, de a feldolgozáshoz szöveges módban komplex paraméterezéssel lehetett konfigurálni csak az alkalmazást (7. ábra). Ezen kívül hátrány volt, hogy a módosított paraméterek által okozott változások tesztelése körülményes volt, nem látszott azonnal. 16. oldal

20 7. ÁBRA: EKG ELEMZŐ PROGRAMCSALÁD HASZNÁLATÁNAK FOLYAMATÁBRÁJA Dataflow diagram, azaz az adatok útját követhetjük végig az ábrán. Az adatokat jelölő állomások jobb alsó sarkában az őket készítő program neve szerepel. Komplett, több felvételből vagy csoport méréséből álló vizsgálat során az automatikus feldolgozáshoz további script állományokra van szükség, melyek mindannyiszor meghívták az EKG Timeline szoftvert: pl. az idős-fiatal feladat-kontroll összehasonlítás minimum 4 futtatást igényelt EKG EVENTGENERATOR Az EKG Timeline program tesztelésére készíthetünk szimulált EKG jeleket. Az alkalmazás futtatása után (8. ábra) lehetőségünk van grafikus felületen véletlenszerű szívritmus adatok generálására. Különböző (tetszőleges számú és nevű) triggert adhatunk meg (létrehozhatunk, törölhetünk, szerkeszthetünk) és meghatározhatjuk, hogy milyen 8. ÁBRA: AZ EVENTGEN.M PROGRAM KEZELŐFELÜLETE 17. oldal

21 Pulzusszam sűrűn forduljanak elő. Ehhez normál eloszlás felhasználásával paraméterezhető mennyiségű szórást definiálhatunk, kicsit jobban közelítve a biológiai rendszerek működéséből adódó eltéréseket (9. ábra). A generált vizsgálat hosszán túl megadható a generált file-ok száma is (vizsgált alanyok száma a szimuláció szerint). D:\arden\onlab2_alkohol\evgen-rand120.ev ms 1300ms 2600ms 650ms 1950ms 3250ms Ido 9. ÁBRA: SZIMULÁLT EKG 33 személy szimulált adata és vastag vonallal az átlag EKG PEAKDET 2 A NeuroScan EEG PEAKDETECTION (csúcskereső) funkciójának kimenetét eddig nehezen tudtuk elemezni. Táblázatkezelőkkel való szerkesztés után kellett egy további statisztikai elemző programba átvinni. A EKG PeakDet parancssoros funkció egyszerűen kigyűjti a kiválasztott csatorna beállított csúcsait, s az elhelyezkedést és az amplitúdót egy vektorba rakja az eddig is felhasznált MATLAB keretrendszeren belül. A továbbfejlesztett PeakDet 2 az EKG Timeline 5 csúcskeresési eredményeit és az EEG epoch feldolgozás csúcskeresési eredményeit egyformán képes feldolgozni. Tetszőleges paraméterként megadott függvényt (szórás, eloszlás, stb.) képes alkalmazni, s az adatokat előkészíteni a végleges statisztikák készítésére. A PeakDet 2-t sajnos szintén minden vizsgálati helyzetre le kell futtatni egy teljes kísérletsor feldolgozásához. 18. oldal

22 6.1.4 DATSTAT A DATSTAT egy statisztikai megoldás a MATLAB Statistics Tollbox-ra épülve. Az EKG Timeline 5 (illetve a PeakDet 2) program eredményei azonnal megjeleníthetőek, nincs szükség külső elemző szoftverben történő adatmozgatásra, kimentés-konvertálásbeolvasás-elemzés procedúra végigvitelére. 10. ÁBRA: DATSTAT.M PROGRAM FŐMENÜJE Az Update Variable List frissíti a memóriából a változó listát, a View Selected Data gomb pedig táblázatban mutatja meg a kiválasztott vektorokat. Bal oldalon megjelenik a MATLAB összes memóriában lévő változója (melyek pl. a PeakDet 2-ből származhatnak), amiből a Control billentyű lenyomása mellett kiválaszthatunk tetszőleges számú vektort, amit össze szeretnénk vetni. A korábban 19. oldal

23 használt különálló, bonyolult statisztikai programok kiváltására készített programom előnye, hogy egy átlátható felületen az eredményt egy-két kattintásból megkapjuk. Funkciók listája (10. ábra): Plot: egyszerű ábrázolás koordinátarendszerben Scatter history: két vektor alapján készít eloszlástérképet Boxplot: ANOVA-hoz hasonló, de paraméterezhető, dinamikus grafikon saját készítésű eszközökkel (11. ábra) One Way Anova: egyszempontos ANOVA Multiple comparison: az ANOVA alapján látványosan megjeleníti mely adatok különböznek szignifikánsan Covariance: kovariancia mátrix kiszámolása Correlation coefficients: Korrelációs koefficienseket adja vissza, a hipotézist tesztelő p-értékekkel Correlation: Pearson (mérésekhez használt), Kendall és Spearman korreláció ρ és p értékekkel 11. ÁBRA: BOXPLOT2.M KIJELZŐ MINTA 20. oldal

24 6.2 KORÁBBI ELEMZÉSEK Az alábbi fejezetekben korábbi munkáim legfontosabb eredményeit foglalom össze. A munkák áttekintése választ adhat arra, hogy az elemző szoftver fejlesztése során milyen hylezetekre kell felkészülni, milyen méréseket, követelményeket kell kiszolgálni VÁRAKOZÁSI FOLYAMATOKKAL ÖSSZEFÜGGŐ AGYI ELEKTROMOS JELEK ELEMZÉSE Egy úgynevezett go/no go típusú feladatot használtunk a CNV vizsgálathoz [27]. Előnye, hogy a feladat végén nem minden esetben kell tennie valamit az alanynak (no go), s amikor nincs teendő (izommozgás) a várakozás végén, nem jönnek be az esetlegesen zavaró artefaktok, melyek a tiszta EEG elvezetésünket zavarnák. A vizsgálatban szereplő személyek 50-szer hallottak egymás után egy 5 hangból álló ingersort. Azonban az esetek egy részében véletlenszerűen elmaradt az utolsó hang, amit gombnyomással kellett jelezniük. A következő képen (12. ábra) egy frontális területről (Fz) elvezetett teljes feladathelyzet átlag látható. Az egyes csúcsok a hangingerek (fekete nyíl, 600 ms-enként 50 ms) által kiváltott, mindig kiváltódó N1 válaszokat mutatják (piros nyíl). Subject: EEG file: _nagyatlagkontroll.avg Recorded : 09:59:41 25-Jan-2007 Rate Hz, HPF - 0 Hz, LPF - 70 Hz, Notch - off *_nagyatlagkontroll.avg _nagyatlag.avg µv Electrode: Fz ms Neuroscan SCAN 4.3 Printed : 12:36:26 13-Nov ÁBRA: A CNV 21. oldal

25 A kontroll-, (zöld vonal) és feladathelyzetben (piros vonal) elvezetett CNV átlaga az Fz csatornáról. A CNV görbéje 2850 ms-nél, a várt ötödik hang környékén éri el minimumát (kék nyíl) VÁRAKOZÁSI FOLYAMATOKKAL ÖSSZEFÜGGŐ AGYI ELEKTROMOS POTENCIÁLOK VÁLTOZÁSA KIS DÓZISÚ ALKOHOL HATÁSA ALATT A várakozási helyzeteket különböző szerhatás mellett már nemcsak az EEG, hanem az EKG, azaz a szívritmus változás szempontjából is vizsgáltuk minden egyes helyzetben. Az alacsony dózisú alkohol (0,2 g/test kg: kis dózis, illetve 0,4 g/test kg: nagy dózis) hatásait vizsgálva a fenti CNV helyzetben a következő eredményeket kaptuk (13. ábra: ). 13. ÁBRA: A SZÍVRITMUS VÁLTOZÁSA KÜLÖNBÖZŐ HELYZETEKBEN (31 SZEMÉLY ADATAINAK NAGYÁTLAGA) Fekete nyilak jelzik a megszólaló, szürke az elmaradó akusztikus ingert. A Placebo előtt, Kis dózis előtt és Nagy dózis előtt az adott dózisú vizsgálat napján a szer beadását megelőző (szerhatás nélküli) feladathelyzetet jelenti. 22. oldal

26 Érdekes hogy a legnagyobb amplitúdó változás a pulzusgörbén a placebo esetnél volt mérhető, míg a nagyobb mennyiségű alkohol csökkentette a változás nagyságát. Feladat nélküli helyzetben nincs jelentős szívritmus változás. Statisztikailag szignifikáns különbség (Tukey próba) az egyes helyzetekben mért CNV csúcsértékek között nem volt, csak a feladat nélküli helyzetekben (pirossal jelölt p- értékek a szignifikancia-érték táblázatokban az ábra jobb felső sarkánál). Látható azonban, hogy az alkohol dózisfüggően Effective hypothesis csökkenti decomposition a CNV amplitúdóját. (14. ábra) Vertical bars denote 0.95 confidence intervals -5 Szignifikancia értékek {1} {2} {3} {4} -10 Feladat nélkül (1) Placebo előtt (2) Kis dózis előtt (3) Nagy dózis előtt (4) Amplitúdó Feladat nélkül (Fz) Placebo (Fz) Kis dózis (Fz) Nagy dózis (Fz) Helyzet 14. ÁBRA: CNV CSÚCSAMPLITÚDÓJÁNAK STATISZTIKAI ELEMZÉSE AZ EGYES VIZSGÁLATI HELYZETEKBEN A CNV csúcsamplitúdójának (2000 ms és 3500 ms között mért) elemzése. Az elvezetések mind Fz-ről (frontális lebeny) történtek 23. oldal

27 6.2.3 KOGNITÍV TEVÉKENYSÉGEK VEGETATÍV IDEGRENDSZERI MUTATÓI KIS DÓZISÚ ALKOHOL HATÁSA ALATT Kíváncsiak voltunk arra, hogy más kognitív tevékenységek milyen szívműködésbeli változásokat eredményeznek, ezért megvizsgáltam a szívritmus változását számolást (összeadást) és vizuális memóriát igénylő helyzetekben. Kísérletünk során minden mérést megismételtünk pszichoaktív élvezeti szerek befolyása mellett is: a páciensekre ható különböző dózisú alkohol hatását elemeztük SZÁMOLÁSI HELYZET Minden alany helyzeteként összesen 20 db ingersort kapott. Először egy plafonszámot láttak 1 másodpercig, majd újabb egy másodperc múlva a négy összeadandó szám volt látható 4100 msec-ig. Ez alatt kellett válaszolt adniuk, majd 2 másodpercig helyes vagy helytelen megoldásnak megfelelően zöld vagy piros képernyőt láttak (15. ábra) [60]. 15. ÁBRA: ÖSSZEADÁS FELADATHELYZET Kontrollhelyzetben a feladatok között a visszajelző képernyő (zöld illetve piros) helyett fixációs kereszt volt látható. A várakozásoknak megfelelően számolás (és memóriahasználat) által okozott fokozott mentális erőfeszítés eredményeként nő a percenkénti pulzusszám. A kis dózis alkohol okozta a legnagyobb amplitúdó változást, a placebo pedig alig eredményezett emelkedést a szer nélküli eredményekhez képest (16. ábra) de a változás egyik esetben sem volt szignifikáns [43]. 24. oldal

28 Pulzusszám Alc-nagy Alc-kicsi Alc-placebo Kontroll Szer-Nélkül EKG timeline Számolás Idő [msec] 16. ÁBRA: PULZUSGÖRGÉK A KÜLÖNBÖZŐ HELYZETEK ALATT, ÖSSZEADÁS SORÁN Az első, sötétszürke függöleges vonal a plafonszám,, a második a négy összeadandó szám megjelenésének ideje. A harmadik vonal után már a választ kiértékelő képernyőt látják VIZUÁLIS MEMÓRIA HELYZET A vizsgálatban résztvevő személyek feladata 12 egyidőben, 30 s-ig mutatott kép megjegyzése volt. Ezt fél perces megjegyzési szakasz követte, ami alatt fejben kellett tartani a látott képeket. Hanginger jelezte a felidézés kezdetét, amikor a személyeknek fel kelltt sorolniuk a látottakat Az ingersort csak egyszer láthatták a kísérletben résztvevő személyek. Feladat nélküli kontroll helyzet nem volt (csak szerhatással és szerhatás nélküli felvétel). 25. oldal

29 Pulzusszám Alc-nagy Alc-kicsi Alc-placebo Szer-Nélkül EKG timeline Memória Idő [msec] 17. ÁBRA: PULZUSSZÁM A MEMÓRIAFELADATOK SORÁN (RÉSZLETEK A SZÖVEGBEN) A pulzusgörbét mutató ábrán az első és a második függőleges szürke vonal között volt látható feladathelyzetben a kép (30 másodpercig). Ezután szintén 30 másodpercig meg kellett jegyezniük azokat. A harmadik szürke vonal a felidézés kezdetét jelzi (17. ábra). A statisztikai eredmények azt mutatták, hogy a nagy dózis alkohol tompítja a hatásokat a placebo esethez képest, míg a kis dózis hatása alatt volt megfigyelhető a legmagasabb pulzusszám. 26. oldal

30 6.2.4 KOGNITÍV ERŐFESZÍTÉSSEL ÖSSZEFÜGGŐ EEG VÁLTOZÁSOK ÉS VEGETATÍV IDEGRENDSZERI FOLYAMATOK KORRELÁCIÓJA A vizsgálati helyzet megegyezik az fejezet keretében elemzett esettel, így annak részleteit nem írom le ismét. A görbék megjelenésén túl a továbbfejlesztett szoftverrendszernek köszönhetően már az egyes időszakaszokban található minimum, maximum és átlag értékeket is mérni tudtuk. A feladatvégzés alatt fellépő kiváltott potenciál események korrelációját vizsgáltuk statisztikai módszerekkel (N100, P200 és CNV amplitúdók egymáshoz, illetve az EKG adatokhoz). CNV csúcsamplitúdó EKG max érték korreláció EKG Fz Cz Pz ρ páronkénti lineáris korrelációs mátrix EKG 1 0,5686 0,5457 0,5778 Fz 0, ,9606 0,881 Cz 0,5457 0, ,9281 Pz 0,5778 0,881 0, p értékek hipotézistesztelésre EKG 0 0,0275 0,1542 0,0133 Fz 0, ,000 0,000 Cz 0,1542 0, ,000 Pz 0,0133 0,000 0, TÁBLÁZAT: CNV CSÚCSAMPLITÚDÓ ÉS EKG MAXIMUM KORRELÁCIÓJA Az EKG változásai igazolták elvárásainkat. Az maximum pulzusszáma korrelál a CNV csúcsamplitúdójával minden csatornán. Ennek alapján feltehető, hogy a CNV-nek megfeleltethető állapot általános aktivációként értelmezhető, melynek megnyilvánulási formája többek között a szívritmus emelkedése. Habár az elemzéseknek nem tárgya, de a tapasztalt változás valószínűleg követhető lett volna a bőrellenállás változásában is, amint azt számolási feladathelyzet esetén már tapasztalhattuk [43]. Az EKG mint élettani mutató ebből a szempontból annyiban összetettebb, hogy a bőrellenálláshoz képest ezt mind a szimpatikus, mind pedig a paraszimpatikus idegrendszeri hatások befolyásolják. Feltevésünk ellenére a P200 amplitúdó nem korrelált szignifikánsan a szívritmussal. 27. oldal

31 7. A TERVEZÉS RÉSZLETES LEÍRÁSA Diplomatervem fő célja egy új szoftver fejlesztése volt. A fejezet első felében a tervezés és kialakítás lépéseit, illetve az elkészült szoftvert mutatom be, míg a második felében konkrét vizsgálati helyzeteken alkalmazva példán keresztül írom le annak működését, illletve a felhasználás lehetőségeit. 7.1 FEJLESZTÉS ALAPVETŐ SZEMPONTOK, CÉLOK Az új szoftver újragondolásának szükségessége több irányból is megfogalmazódott. Egyrészről az új kutatási irányok követése rendre új képességek, új feldolgozó függvények felhasználását igényli (fejlett szívritmus felismerés, műtermék szűrés és pl. HRV elemzés), másrészről a feldolgozás felhasználóbarát módja kevesebb kutatói kapacitás lekötése mellett több eset tesztelését, több eredmény elérését teszi lehetővé (azonnal látható eredmények grafikus felületen). Az EKG Timeline szoftver fejlesztése a korábbiak során javarészt inkrementális jellegű volt: gyakorlatilag egy mérő algoritmus bővítéséről és javítása volt középpontban. Ez a felépítés könnyű átláthatóságot biztosított, de az új igények követése, a lehetőségek bővítése, fejlesztés szabályrendszere nem volt kellően felkészítve a továbbfejleszthetőségre. Az új lehetőségek, elágazások implementása után a kód kuszává kezdett válni, a kód ismerete nélkül pedig nem lehetett az új opciókat hatékonyan kiaknázni. A feldolgozás gyökeres átalakítása vagy bővítése új függvényekkel pedig gyakorlatilag megoldhatatlan volt, így a HRV és teljesítmény számítások kivitelezése mindenképpen architektúrális módosításokat vont volna maga után. Az új szoftver architektúra kialakításánál ezért alapvető cél volt a bővíthetőség és modularitás biztosítása. Az elemzések végrehajtásához komplex műveletsorra van szükség, mely a nyers felvételekből eredményeket hozhat (lásd fejezet, 7. ábra). Bár az EKG Timeline korai, egyszerűbb verzióinál lehetőség volt grafikus felületen, MatLab ismeret nélkül paraméterezni a függvények futását, a fejlesztés során ez megkopott: egyrészt a kötegelt feldolgozás támogatásának megjelenése miatt (amikor egyszerre akár komplett vizsgálati sorok adatait dolgozhattuk fel), másrészről a megjelenő új opciók kivezetése grafikus felületre sok fejlesztői munkát igényelt volna. 28. oldal

32 Célom tehát egy olyan szoftverrendszer kialakítása volt, mellyel minél kevesebb szükséges program vagy segédeszköz használatával, alacsony felhasználói közreműködéssel, MatLab programozói ismeretek nélkül, grafikus felületen, gyorsan, könnyen és kifinomultan paraméterezhetően, szükség szerint új függvényekkel kibővítve lehessen végrehajtani elemzéseket. E szempontok megvalósításához az alábbi irányelveket tűztem ki: legyen lehetőség a kísérletek során felvett bioelektromos jelek különböző szempontok szerinti elemzésére: helyzetekre, triggerekre vagy időszakokra, személyekre és csoportokra vonatkozóan egyaránt a mérések paramétereit megváltoztatva, azonnal látni lehessen változást (például más tartományon, más helyzetben, más triggerrel stb. mérünk) a mentések során ezek a paraméterek az elraktározott adatok mellett megtalálhatóak legyenek. Így segítjük elő, hogy az eredmények paraméterei később is ellenőrizhetőek legyenek alapszintű műtermékszűrést el lehessen végezni mind kézzel, mind automatizált módon moduláris felépítésű legyen a kód (külön függvény minden feladatra) a későbbi bővíthetőség és cserélhetőség, illetve új függvények felvételének támogatása miatt jól definiált, átlátható legyen a programrészek közötti kommunikáció a kimenetek ábraként jól használhatóak vagy statisztikai programban könnyen feldolgozhatóak legyenek új függvények, képességek legyenek benne (EKG-ban R hullám detekció, HRV függvény). 29. oldal

33 7.1.2 SZOFTVERRENDSZER LOGIKAI FELÉPÍTÉSE A fenti célok és irányelvek teljesítése, illetve azaz a hatékonyság és rugalmasság növelése érdekében az új szotver két fő rétegre bontott (18. ábra). Az első réteg (EKG Timeline 7 Reader) a nyers adatok beolvasásáért és értelmezéséért felel. Felépítése moduláris, így később kis ráfordítással új formátumú bemenetek feldolgozása könnyen implementálható. Kimenete egy köztes rétegként szereplő egy Excel táblázat, mely a kijelölt kísérlet minden fontos adatát tartalmazza. A közismert formátumnak köszönhetően manuálisan is értelmezhető, elemezhető, egyszerű kimutatások készíthetőek, illetve kézi műtermékszűrésre is lehetőséget ad. A második réteg (EKG Timeline 7 Analyser) a kinyert adatok feldolgozását, átlagolását segíti, sok féle elemzésre ad lehetőséget. Ennek kimente egyrészről grafikon lehet az eredményekkel, másrészről Excel állomány, melyben az adatok további statisztikai feldolgozásra alkalmas formában kerülnek mentésre. CNT ECG Excel Excel Grafikon EV2 ETC Bemeneti állományok EKG Timeline 7 Reader EKG Timeline 7 Analyser 18. ÁBRA: EKG TIMELINE 7 ADAT ÚT (DATA FLOW) DIAGRAM Egyik legfontosabb változás, hogy így tulajdonképpen bármilyen más szoftver felhasználása nélkül végigvihető az EKG-hoz (és reakcióidőhöz) kapcsolódó össze tevékenység. Nincs szükség sem.tcl scriptek fejlesztésére és futtatására NeuroScan [61] alatt, a.m kiterjesztésű programok MATLAB [62] alatt futtathatóak (a fejlesztés a 2009b verzió alatt történt). Mellékletekben minden programhoz forráskód, kimenetek, használati útmutató, valamint futtatási példák találhatóak (13. fejezet). 30. oldal

34 7.1.3 EKG TIMELINE 7 READER FELÜLET ALAPELEMEI Az EKG Timeline 7 Reader program funkcióit a felületen elemein keresztül mutatom be. 19. ÁBRA: AZ EKG TIMELINE 7 READER FELÜLETE Az EKG Timeline 7 Reader megnyitása után a felületen a következő elemeket látjuk (1. ábra): menü ikonok alap információk beállítási lehetőségek napló grafikon A program elindításához szükséges előfeltételek a forráskód elején találhatóak. 31. oldal

35 MENÜ IKONOK Az ikonok 3 fő csoportba vannak rendezve a felület felső részében (20. ábra). 20. ÁBRA: EKG TIMELINE 7 MENÜ IKONOK Az első csoportban a fájl műveletekhez kapcsolódó ikonok szerepelnek. A megnyitás gombbal nyithatunk meg EKG-t vagy szívritmus adatokat tartalmazó állományokat. Jelenleg támogatott file típusok: CNT (Neuroscan) ECG (RAW data) EV2 (Neuroscan) triggereker és helyüket tartalmazó file Time (text) Time Diff (text) Későbbiekben ha szükséges egyéb formátumok (Biosig, Biosignal Toolbox) is könnyen implementálhatóak a moduláris felépítésnek köszönhetően. Az új kódrészleteket az openfile függvényben kell elhelyezni, mely egy űrlaphoz hasonlóan működik: mindig azok a részek futnak le belőle, ami az adott formátumú fájl beolvasásához szükségesek. Például a szívritmus felismeréshez kellő algoritmusok és opciók csak CNT és ECG formátumoknál kellenek, a triggerek alap feldolgozása a TEXT alapú állományoknál hasonló. Az A/R megnyitás gomb a.eeg (Neuroscan) formátumú fájlokból a kiválasztott triggerhez kapcsolódó epoch elfogadottsági állapotokat (Accept/Reject) képes beolvasni. A mentés gomb hatására az eredmények Excel formátumban kerülnek mentésre. A mentés során opcionálisan ki lehet választani egy Excel sablon állományt, melyben előkészített függvények, formázások, diagramok lehetnek. A Microsoft Office Excel XLSX (illetve akár XLS) formátum a következők miatt tűnt a legcélrevezetőbbnek: a MATLAB beépített támogatással rendelkezik (xlsread, xlswrite parancsok) viszonylag portábilis formátum (szinte minden számítógépen megtekinthető) alkalmas sok adat átlátható tárolására (emberek számára is) 32. oldal

36 rendezések, kézi műtermékszűrés, alapvető kimutatások elkészítésére is hazsnálható rögtön beolvashatóak Statistica-ba és más elemező programba már mentéskor tartalmazhatna (sablon alapján) közelítő kimutatásokat Az adattípusokat külön munkalapokon tárolom. Az alábbi munkalapokat készíti el a program automatikusan: Summary: összegzés, az összes beállított paraméter elmentésével o Dátum o Rövid leírás o Részletes leírás o Eredeti file-ok száma o Eredeti adatok típusa o Eredeti file-ok elérési útja o Felismerési metódus o etc. DSummary: részletes összegzés az egyes file-okra vonatkozóan o eredeti file név o szívverések száma összesen (+átlag, min, max) o triggerek száma összesen History: A beolvasás során véghezvitt lépések HBeatTime: Szívverések ideje HBeatDiff: szívverések között eltelt idő Triggers: triggerek száma egymás után Triggertimes: triggerekhez tartózó időértékek RejectedTrigger: trigger elfogadottsági állapotok o 2 standard, nincs adat o 1 elfogadott (accept) o 0 nem elfogadott (reject) Kényelmi funkcióként mentés után a program rögtön felajánlja a termék megnyitását Analyser-ben vagy Excel-ben. A kéz gomb és a nagyítók a grafikon mozgatására és átméretezésére valók, a mérő (21. ábra). gombbal a grafikonon látható görbe pontos adatait kérhetjük le adott pontban 33. oldal

37 21. ÁBRA: MÉRÉS AZ EKG TIMELINE 7 PROGRAMMAL A világító lámpa ikon lámpa szürke lesz. azt jelenti, hogy a program várakozik. Művelet végzés alatt a ALAP INFORMÁCIÓK Az ikonsor alatt láthtó a beolvasott fájlok száma, típusa és elérési útja. Nevet adhatunk a vizsgálati anyagnak (mely mentésnél az alapértelmezett fájl név lesz) illetve röviden leírhatjuk a tartalmát. Ezek az adatok a kimentett állományba is bekerülnek, így később is visszakereshetőek. 34. oldal

38 BEÁLLÍTÁSI LEHETŐSÉGEK A program felületén mindig csak az adott formátumhoz illeszkedő paraméterek, beállítási lehetőségek elérhetőek (a többi ki van szürkítve, 22. ábra). 22. ÁBRA: READER PARAMÉTEREZÉSI LEHETŐSÉGEK EV FORMÁTUMÚ FÁJL ESETÉN Preview: A beolvasott állományok közül kiválaszthatjuk a megjeleníteni kívánt fájlt. Detection method: a felismerés típusát állíthatjuk be. Típustól függően ez lehet 2 féle R csúcs detekció (Method 1 és 2) illetve szöveges állomány esetén a triggerek megfelelő értelmezését jelentheti. CNT állomány esetén mind a 3 opció elérhető lehet. Sample rate: mintavételezés frekvenciája, nyers, RAW formátumú ECG adatoknál Selected channel: CNV esetén kiválaszhatjuk, hogy mely csatorna tartalmazza az EKG-t Heart Beat trigger: Heart Beat trigger detekció esetén a fájllban tlaálható triggerek kötül kiválaszthatjuk, hogy melyik ajelenti a szívveréseket Accept/Reject trig: megadhatjuk, hogy az A/R beolvasás menüben beolvasott epoch elfogadottsági adatok mely triggerre vonatkoznak CNT Correction: a kapcsoló használata régebbi típusú CNT állományok használata esetén szükséges Show triggers: a kapcsoló aktiválásával a pulzusgörbe mellett láthatjuk az ingersor triggerek helyét, és rendelkezésre álló adat esetén az elfogadottsági 35. oldal

39 állapotukat is (pl. ). Azonos triggerek ugyanolyan színnel jelöltek NAPLÓ Naplóba a vizsgálatsor elemzéseinek fontosabb eseményei gyűjthetők. Igény szerint más is rögzíthető a puthistory függvénnyel, az összesített eredmény pedig a kimeneti Excel állományban is szereplni fog GRAFIKON A grafikon minden paraméter módosítás esetén azonnal követi a változást. Megtekinthető a pulzusgörbe, mérhető minden időpillanatban, illetve megjelenhetnek a triggerek helyei és az elfogadottsági állapot is EKG TIMELINE 7 ANALYSER FELÜLET ALAPELEMEI Az EKG Timeline 7 Analyser program funkcióit az előzőekhez hasonlóan a felület elemein keresztül mutatom be. 36. oldal

40 23. ÁBRA: EKG TIMELINE 7 ANALYSER KEZDŐKÉPERNYŐJE A felület fő elemei a következők (23. ábra): Menü ikonok Alap információk Mérések Általános beállítások Napló Adat választó panelek Grafikon A felületet úgy terveztem, hogy hasonló legyen a Reader program grafikus interfészéhez. A felhasználóknak így könnyebb eligazodni rajta. 37. oldal

41 MENÜ IKONOK Az ikonsor hasonlít a Reader program menüjéhez (24. ábra). 24. ÁBRA: EKG TIMELINE 7 ANALYSER MENÜSORA Az A/R megnyitó ikon helyett itt az új grafikon ikon szerepel, mely az aktuálisan látott görbéket egy külön új ablakba is megnyitja. Így lehetőség nyílik a különböző paraméterezések eredményeinek összahasonlítására, illetve az új ablakban a grafikon részletesen testre szabható és számos formátumban elmenthető. Újdonság továbbá a jelmagyarázat funkció, mely az ábrázolt görbékhet kapcsolódó adatforrások nevét jeleníti meg a grafikon szélén. A többi ikon funkciója hasonló, mint amit a Reader-ben tapasztalhattunk. Mentés esetén itt is lehetőségünk van sablonokat használni. A kimentett Excel állományban pedig az általános információkon túl (mérés legfontosabb alap adatai, felhasznált állományok, elfogadottsági statisztika) az egyes mérési sorokra vonatkozó adatok is megtalálhatóak (összes adat személyenként illetve átlagolva, reakcióidő, illetve csúcskereséshez kapcsolódó minimum, maximum értékek) ALAP INFORMÁCIÓK ÉS NAPLÓ Megegyezik a Readerben leírtakkal MÉRÉSEK A mérések táblázatban soronként vehetjük fel az adatállományokon végrehajtani kívánt vizsgálatok legfontosabb paramétereit: Name: a mérés neve Trigger: az a trigger, amelyhez a mérés során viszonyítunk. Ha egy állományban nincs trigger, a beolvasás során a program automatikusan hozzáad egy -1-es jelölőt. Csak olyan triggerek láthatóak, amelyek valamely beolvasott állományban szerepelnek. Selection: itt lehet kiválasztani, hogy a kiválasztott triggerek közül melyeket vegyük bele a mérésbe. Így lesz lehetőség például a teljes feladathelyzet alatti 38. oldal

42 változás vizsgálatára, vagy a feladathelyzet eleje és vége közötti változások megfigyelésére. A következő előre konfigurált lehetőségeink vannak a triggerek kiválasztására: o Mindet o Csak az elsőt o Felvétel első felében lévőket o Felvétel második felében lévőket o Felvétel első harmadéban lévőket o Felvétel második harmadéban lévőket o Felvétel harmadik harmadéban lévőket Before: a vizsgált trigger előtti intervallum hossza ms-ben After: a vizsgált trigger utáni vizsgált szakasz hossza ms-ben 2. Trigger: az a trigger, melynek távolságát (pl. reakcióidő mérésnél) az első triggertől mérni szeretnénk Color1; Color2: szín beállítási lehetőség a pulzusgörbén Line Style: vonal stílus beállítási lehetőség Ha minden paramétert kitöltöttünk helyesen, akkor az OK oszlopban pipa lesz, és a grafikon kirajzolódik. A mérések táblázata alatt 5 gomb található: Add: új sort vehetünk fel a méréshez Remove: törölhetünk egy sort Baseline: a görbéket a before és a kiválasztott trigger közötti szakasz átlaga alapján nullához igazítja. Use A/R: az epoch elfogadottsági adatok használatát engedélyező kapcsoló Hold plot: a kapcsoló használatával amíg az aktív, a paraméterek módosítása esetén nem kerülnek rögtön kiszámolásra és rajzolásra a megváltozott görbék, grafikon. 39. oldal

43 ÁLTALÁNOS BEÁLLÍTÁSOK A képernyő jobb oldalán az egész vizsgálatra vonatkozó beállítások találhatóak (25. ábra). 25. ÁBRA: ÁLTALÁNOS BEÁLLÍTÁSOK METÓDUS (METHOD) Itt állítható be, hogy idő alapú mérést, vagy HRV mérést szeretnénk végezni a kiválasztott szakaszokon. Idő alapú mérés esetén beállítható, hogy a kimeneti pulzusgörbe skálása ms vagy szívverés per perc alapú legyen, s a grafikon ennek megfelelően módosul. HRV esetén a mérések ablaka, az ablakok közötti átfedés és a megjeleníteni kívánt frekvencia tartomány (alacsony, magas, vagy a kettő aránya) konfigurálható REGISZTRÁTUM: (LINE) Az eredmények minden esetben diszkrét értékek, a görbévé alakításhoz interpolációra van szükség. 4 féle interpolációs metódus közül választhatunk (a MatLab beépített interp1 függvényének paraméterezése), az opcióknál pedig a mintavételezés sűrűségét adhatjuk meg ms-ben MŰTERMÉKSZŰRÉS (HR CORRECTION) Egyelőre a Min/max típusú szűrés függvénye került implementáslása. Ha kiválasztjuk, akkor az opcióknál megadhatjuk a megengedett legkisebb és legnagyobb szívverés távolságot ms-ban, illetve további finomhangolási lehetőségként a szívverés sebbeségének megváltozása is lekorlátozható NAPLÓ Funkcionalitása megegyezik a Reader program naplózásával. 40. oldal

44 ADAT VÁLASZTÓ PANELEK A felső panelben a kiválasztott vizsgálatsor vagy vizsgálatsorok láthatóak. A kiválasztott vizsgálatsorban szereplő felvételek az alatta lévő személy választó panelen jelennek meg. 26. ÁBRA: VIZSGÁLAT ÉS SZEMÉLY VÁLASZTÓ PANEL. A RÖVID CNV FELADATHELYZET VIZSGÁLATÁBAN RÉSZTVEVŐ NÉHÁNY SZEMÉLY ADATA VAN KIVÁLASZTVA A személy választó panelen (26. ábra) a felvételben szereplő összes állomány neve fel van sorolva. A kijelöltek szerepelnek a mérésben, alapértelmezetten az összes állomány. Lehetőség van csak egy, vagy akár tetszőleges számú és kombinációjú (Ctrl billenytyű nyomvatartása mellett) kiválasztás megtételére: ekkor a mérésbe csak a kijelölt elemek adatai kerülnek be GRAFIKON Az elemzések eredmény görbéi jelennnek meg, alapértelmezetten a paraméterek módosítása után azonnal. 41. oldal