BSS Seminarski

UNIVERZITET U SARAJEVU

ELEKTROTEHNIČKI FAKULTET ODSJEK ZA TELEKOMUNIKACIJE

ANALIZA EEG SIGNALA ZA RAZLIČITA MENTALNA STANJA

Seminarski rad iz predmeta Biomedicinski signali i sistemi

Enida Cero, Erma Perenda & Samira Špago

Sarajevo, 2012.

Analiza EEG signala za različita mentalna stanja

Biomedicinski signali i sistemi

SAŽETAK U prvom dijelu rada objašnjeni su osnovni principi kliničke elektroencefalografije, dati su izvori EEG aktivnosti, kao i patološke i normalne EEG aktivnosti. U drugom dijelu rada objašnjena je spektralna analiza EEG signala, koristeći Burgov metod i klasifikator EEG signala baziran na četiri estimirane vrijednosti entropija EEG signala. U trećem dijelu rada dat je realiziran MATLAB GUI koji pruža korisniku da samo jednim pritiskom na dugme izvrši spektralnu analizu EEG signala, kao i dijagnozu pacijenta.

2



SADRŽAJ UVOD .................................................................. ..................................................................................................... ...................................................................... ............................................4 .........4 1.

Principi kliničke elektroencefalografije .......................................................................................5 1.1.

Izvor EEG aktivnost aktivnostii .................................... ....................................................................... ....................................................................... ......................................5 ..5

1.2.

Snimanje Snimanje EEG signala signala..................................................................... ......................................................................................................... ......................................5 ..5

1.3.

Normalna elektroencefalografsk elektroencefalografska a aktivnost .............. ....... .............. ............... ............... .............. .............. ............... .............. .............. .........6 .6

1.4.

Patološka elektroencefalografska aktivnost .........................................................................8

1.4.1. 1.4.1.

Epilepsija Epilepsija ................................................................... ....................................................................................................... ..................................................8 ..............8

1.4.2. 1.4.2.

Alkoholiza Alkoholizam m ..................................................................... ........................................................................................................ .......................................... ....... 10

1.5.

2.

Klinička primjena elektroencefalografije elektroencefalografije.................................. ...................................................................... .......................................... ...... 11

Analiza EEG signala .......................................................................................... ................................................................................................................... .........................12 2.1.

Spektralna Spektralna analiza analiza EEG EEG signala signala ................................................................... ........................................................................................... ........................ 12

2.1.1. 2.1.1. 2.2.

Estimato Estimatori ri entropije entropije.................................... ....................................................................... ....................................................................... ....................................14

2.2.1. 2.2.1.

Bispektraln Bispektralna a entropija entropija 1 i 2 ................................... ...................................................................... ..................................................... .................. 14

2.2.2. 2.2.2.

Aproksima Aproksimativn tivna a entropija entropija................................................................... ........................................................................................... ........................ 15

2.2.3. 2.2.3.

Entropija Entropija uzorka uzorka..................................................................... ......................................................................................................... ....................................16

2.2.4. 2.2.4.

Renyi-eva Renyi-eva entropija entropija................................... ..................................................................... ................................................................. ............................... 17

2.3.

3.

Burgov Burgov metod metod ................................... ...................................................................... ...................................................................... .......................................... ....... 13

Klasifikator na bazi estimatora entropija .............. ....... .............. ............... ............... .............. .............. ............... ............... .............. ........... .... 18

MATLAB GUI za klasifikaciju mentalnog stanja pacijenta ......................................................... 19 3.1.

Dizajn korisničkog interfejsa ...................................................................... .............................................................................................. ........................ 19

ZAKLJUČAK .................................. ...................................................................... ...................................................................... ................................................................. ...............................22 LITERATURA .................................................................... ...................................................................................................... ................................................................. ...............................23 Prilog_1 M-file za GUI............................................... GUI................................................................................... ....................................................................... .....................................24

3



UVOD EEG je neinvazivna metoda za dobivanje uvida u aktivnost mozga i za proučavanje moždanih procesa, od prirodnih kognitivnih obrada do patoloških pojava. Dobiveni podaci nisu međutim uvijek sasvim jednostavni za razumijevanje, radi se naime o prostorno indeksiranim višekanalnim vremenskim signalima s mnogo šuma koje je uz to potrebno spektralno transformirati za potpuno razumijevanje cerebralnih aktivnosti. Upravo iz tog razloga postoji stalna težnja za unaprijeđenjem načina analize i pojednostavljenjem prikaza EEG signala .

Mjerenjem EEG signala ljudi za vrijeme operacije moguće je kontrolirati dubinu anestezije, što je jako važno jer ne želimo da pacijent padne u komu. Moguće je konstruisati proteze ekstremiteta koje, detekcijom i raspoznavanjem moždanih impulsa zaduženih za aktivaciju pokreta tijela, pokreću izvršni član i tako pomažu onesposobljenima. Primjena vremensko-frekvencijih metoda transformacija signala logičan je korak u

pokušaju što potpunije i jednostavnije ekstrakcije temporalnih i frekvencijskih informacija iz EEG signala pri čemu je ključno osigurati pogodne načine vizualizacije dobivenih informacija. S obzirom na to da se u današnje vrijeme napredak u području medicinske dijagnostike i medicinskih istraživanja uveliko oslanja na razvoj računalnih sistema za analizu i prikaz biomedicinskih signala, motivacije za bavljenje upravo ovom problematikom ne nedostaje.

U ovom radu će se izvršiti spektralna obrada EEG signala koristeći Burgovu metodu, jednu od autoregresivnih metoda za analizu spektra, potom će se koristeći četiri od osam mogućih estimatora entropije izvršiti dijagnoza mentalnog stanja pacijenta. U MATLAB alat u će će se razviti interaktivni grafički int erfejs erfejs GUI koji će za učitani EEG signal izvršiti klasifikaciju pacijenta u jedno od tri mentalna stanja: normalno, normalno, epileptično ili alkoholizirano .

4



1. Principi kliničke elektroencefalografije Elektroencefalografija (EEG) je neinvazivna tehnika kod koje se električna aktivnost mozga registruje sa poglavine (lat. skalp, tkiva koja naliježu na mozak) . Prvo registrovanje EEG-a kod čovjeka obavio je Hans Berger, 1929. Godine. [4]

1.1.

Izvor EEG aktivnosti

Električni naboj mozga održavaju milijuni neurona. Neuron ili živčana stanica smatra se osnovnom jedinicom živčanog sistema i najsloženija je stanica u ljudskom organizmu. Neuroni su električki nabijeni ili polarizirani. Svaki podražaj neurona dovodi do promjena na njihovoj membrani tako što se otvaraju pore za propust jona. Ako je stimulus dovoljno jak da pređe prag podražljivosti onda se jonski kanali potpuno otvore. Naglo pozitivno nabijeni Na+ joni kroz pore ulaze u neuron, mijenja se električni naboj i neuron je depolariziran. Rezultat toga je da diferencijalni potencijal sa -70 mV na trenutak prelazi u +40 mV. U tom trenutku K+ joni izlaze vani pa se potencijal uskoro vraća na -70 mV. Ta pojava naziva se akcijski potencijal. Proces razmjene jona s okolinom traje stalno, bilo da se održava potencijal mirovanja ili dolazi do

akcijskog potencijala. Tim konstantnim kretanjem jona stvaraju se tzv. “valovi” jona koji kad dođu do elektroda na skalpu mogu odgurnuti ili privući elektrone metala koji se nalazi na elektrodama te tada dolazi do pojave napona. Napon između bilo koje dvije elektrode se može mjeriti voltmetrom i upravo snimanje tih napona određeno vrijeme kao rezultat daje EEG signal. Električni potencijal kojeg stvara jedan neuron je previše malen da bi ga EEG zabilježio. EEG aktivnost zapravo predstavlja sumaciju sinhrone aktivnosti hiljade ili milijuna neurona koji

imaju sličnu orijentaciju u prostoru. Ukoliko neuroni nemaju sličnu orijentaciju u prostoru njihovi se joni neće posložiti i kreirati valove koji se mogu detektirati. Za piramidalne neurone korteksa se smatra da proizvode najviše EEG signala zato što su dobro razmješ teni i djeluju sinhronizirano.

1.2.

Snimanje EEG signala

EEG signali snimaju se preko elektroda koje se s provodljivim gelom ili pastom (radi smanjenja odnosa signal-šum) postavljaju na skalp. Elektrode koje detektuju moždane potencijale postavljaju se prema međunarodnom sistemu 10/20, tako da njihov položaj

odgovara određenoj oblasti mozga i da rastojanje između susjednih elektroda bude jednako (Slika 1.1). Sistem 10/20 se tako naziva jer je razdaljina između koštanih tačaka, iniona i naziona, podjeljena na segmente od 10% ili 20% i na tim tačkama se nam ještaju elektrode. Svaka pozicija za postavljanje elektroda obilježena je zasebnim slovom, koje predstavlja poziciju na glavi (F – prednja strana (frontal), T – bočna strana (temporal ), ), C – centralna pozicija (central), P( parietal) i O (occipital )– stražnja strana), i brojem koji označava hemisferu (parni brojevi – desna strana, neparni brojevi – lijeva strana). Oznaka z predstavlja elektrode postavljene na centralnu os. Specijalne elektrode se primenjuju u prijeoperativnoj procjeni

bolesnika s epilepsijom. One se poslije lokalne ili opšte anestezije uvode blizu pterigoidne lamine sfenoidne kosti (sfenoidne elektrode), elektrode), subduralno ili direktno u moždano tkivo, pod kontrolom neuroradioloških snimaka mozga.

5



Slika 1.1 10/20 međunarodni sistem

Svaka od elektroda spojena je na diferencijalno pojačalo (po jedno pojačalo za svaki par elektroda). Ta pojačala pojačavaju napon između aktivne elektrode i referentne elektrode. U analognim sistemima se signal filtrira i pomicanjem igle na papiru se dobije izlaz, tj. EEG signal.

Većina EEG sistema danas su digitalni u kojima se izmjereni i pojačani signal digitalizira pomoću A/D konvertora nakon što se signa l propusti kroz anti-aliasing filter. Razlikuju se također različiti načini mjerenja napona koji mogu biti bipolarni ili monopolarni. Kod bipolarnog načina mjeri se razlika potencijala između dvije elektrode koje su obje na potencijalima mozga, a kod monopolarnog načina samo jedna elektroda mjeri napon mozga, dok je druga na nultom, odnosno srednjem referentnom potencijalu. Vrlo često se kao elektroda nultog potencijala odabire ušna resa. 1.3.

Normalna elektroencefalografska aktivnost

Elektroencefalografski signali se stvaraju u kori mozga. Spontana EEG aktivnost odražava

strujne tokove u vanćelijskom prostoru. Ovi strujni tokovi se generišu kao suma velikog broja ekscitatornih i inhibitornih postsinaptičkih potencijala u apikalnim dendritima moždane kore. Pored toga što odražava spontanu aktivnost neurona kore, EEG zavisi i od djelovanja ascendentnih projekcija porijeklom iz subkortikalnih struktura, prije svega talamusa i retikularne formacije moždanog stabla. Spontane prom jene voltaže elektroencefalografskih potencijala kreću se između 10 i 100 μ V. Elektroencefalografski signali se smanjuju pri prolazu kroz lobanju i poglavinu, pa EEG ima znatno manju amplitudu od elektrokortikografskih potencijala (potencijali registrovani direktno sa površine kore mozga). Na primjer, smatra se da

6



se 20%-70% kortikalnih šiljaka u epileptiformnoj aktivnosti uopšte ne ispolji u EEG snimku. Takođe, aktivnost iznad lateralnih konveksiteta hemisfera se mnogo preciznije elektroencefalografski registruje nego interhemisferična aktiv nost ili aktivnost bazalnih struktura mozga. EEG aktivnost se dijeli na kontinuiranu (osnovnu) aktivnost i na prolazne (posebne, kratkotrajne) promjene. Prema frekvenciji, razlikuju se talasi delta (od 0-4 Hz), teta (47 Hz), alfa (8-13 Hz), beta (14-30 Hz) i gama opsega (iznad 30 Hz). 

Alfa valovi - f rekvencije rekvencije ovih valova se kreću od 8 Hz do 12 Hz, dok im je amplituda približno 50μV. Hans Berger je prvu ritmičnu EEG aktivnost koju je uočio nazvao alfa

valovima. Oni dominiraju u okcipitalnoj regiji, ali se katkad mogu naći i u parijetalnom i frontalnom području. Oni se javljaju kad je pacijent opušten i ima zatvorene oči, a atenuiraju se pri otvaranju očiju. Amplituda α -valova nije konstantna nego se mijenja u obliku vretena, pa potpuno nestane da bi se nakon nekoliko sekundi opet pojavila. αvalovi nestaju za vrijeme spavanja kao i prilikom pojačane misaone aktivnosti (razmišljanja, rješavanja nekog problema). α -valovi mogu ukazivati na abnormalne procese ukoliko se npr. pojavljuju u EEG signalu, ali ne mijenjaju prilikom nekih vanjskih

podražaja. To se najčešće javlja kod pacijenata koji su u komi i tad se ti valovi nazivaju “alfa koma”. Primjer α-vala prikazan je na slici 1.2.

Slika 1.2 α valovi 

Beta valovi valovi - frekvencije β -valova kreću se od 14 Hz do 30 Hz, dok im je amplituda manja od amplitude α-valova i iznosi približno 20μV. Najčešće se registriraju na frontalnim i parijetalnim regijama. β -valovi niske amplitude uglavnom se javljaju prilikom pojačane

moždane aktivnosti (aktivna koncentracija, razmišljanje i sl.). Ovi valovi su dominantni kod pacijenata koji su anksiozni ili koji imaju otvorene oči. Upravo otvaranjem očiju se testira blokiranje α-ritma, tad se koncentracija pacijenta poveća i to prouzrokuje pojavu β-valova, a nestanak α -valova. Primjer β -valova je prikazan na slici 1.3.

Slika 1.3 β valovi valovi 

γ-valovi - nalaze se u frekvencijskom području od 30 Hz do 100 Hz, stoga spadaju u valove najveće frekvencije. Do nedavno se nisu računali kao dio EEG -a te se tek u posljednje vrijeme počinju više proučavati. Istraživanja pokazuju da mozak u lazi u gama stanje prilikom visokih razina procesiranja informacija. Primjer γ -valova je prikazan na slici 1.4.

7



Slika 1.4 γ valovi 

δ-valovi - zauzimaju frekvencijsko područje od 0 Hz do 4 Hz i amplitude od 60μV do 100μV. Pojavljuju se u kori velikog mozga neovisno o aktivnosti u nižim slojevima mozga. Normalno se javljaju kod odraslih u dubokom snu i kod male djece. Ovi valovi također se mogu javiti pri težim bolestima mozga. Primjer δ -valova je prikazan na slici 1.5.

Slika 1.5 δ valovi 

θ-valovi - imaju frekvencije između 4 i 8 Hz i amplitude oko 70μV. Pojavljuju se pretežno u parijetalnim i temporalnim regijama. Oni su normalno prisutni kod mlađe djece te kod starije djece i odraslih prilikom napetosti i emocionalnih stresova, naročito razočaranja i frustracija. Ovi valovi mogu biti i patološki te se pojavljuju kod mnogih poremećaja mozga. Mogu se vidjeti kao fokalni poremećaj kod fokalnih subkortikalnih lezija ili kod pacijenata koji pate od encefalopatije. U normalnom EEG-u može biti prisutna man ja količina θ-ritma, ali obično ne veća od 10%. Primjer θ-valova je prikazan na slici 1.6.

Slika 1.6 θ valovi

1.4.

Patološka elektroencefalografska aktivnost

U ovom radu razmotrit ćemo dva tipa tip a patološke EEG aktivnosti i to t o epilepsija i alkoholizam. 1.4.1. Epilepsija Pod epilepsijom se podrazumijeva hronično neurološko oboljenje koje se karakteriše spontanim ponavljanjem epileptičkih napada usljed povremenog, iznenadnog, ekscesivnog i naglog lokalnog pražnjenja sive mase. U praksi to znači da se pod epilepsijo m po pravilu podrazumijeva stanje posle 2 ili više spontanih epileptičkih napada! Pod epileptičkim napadom se podrazumjeva intermitentna, paroksizmalna, iznenadna, kratkotrajna i iscrpljujuća izmjena motorne aktivnosti, senzibiliteta, senzorijuma, ponašanj a, emocija, svijesti ili autonomnih funkcija, koja je uzrokovana abnormalnom hipersinhronom elektro- hemijskom hiperaktivnošću

8



grupe neurona. Epileptički napadi odražavaju prekomjernu neuronsku aktivnost koja nastaje inhibi cijskih procesa u mozgu. kao posljedica narušenja ravnoteže izmeđ u ekscitacijskih i inhibicijskih

Za razliku od "običnih" neurona, membrana tijela epileptičkih neurona je i u normalnim uslovima propustljiva za jone Na+ i stoga, samonadraživa. Joni Na+ spontanim ulaskom depolarizuju neuron u predjelu ti jela i stvaraju ekscitatorne postsinaptičke potencijale koji se zahvaljujući dugom trajanju i velikoj površini tijela neurona vremenski i prostorno sabiraju (vremenska i prostorna sumacija) sumacija) i formiraju paroksizmalni depolarizujući pomak , koji se prenosi do aksonskog brežuljka gdje izaziva produžene (tetaničke) serije akc ionih potencijala. Ovako dobijeni akcioni potencijali putuju asinhrono duž mnogih bliskih i udaljenih aksona i prenose se haotično na ostale neurone. Da bi se razvio epileptički napad neopho dna je njihova sinhronizacija. Dva osnovna mehanizma sinaptičke sinhronizacije sin hronizacije su : a)

veno GABA-ergički mehanizmi); smanjenje ili gubitak sinaptičke inhibicije (prvenst veno

b)

pojačanje sinaptičke ekscitacije (prije svega glutamatergički mehanizmi).

Stanja koja pojačavaju nadražljivost neurona pospješuju ispoljavanje epileptičkih napada.

Epileptički napad koji se generiše u jednom regionu može u njemu i da se završi aktivacijom snažnih inhibitornih (pr ije svega GABA-ergičkih mehanizama) u okolnom, napadom nezahvaćenom tkivu mozga. Ako je ova inhibicija nedovoljna, napad se širi lokalnim sinaptičkim putevima i konačno može da dovede do kliničke slike GTK napada. Napad traje ograničeno, kratko vrijeme zbog masivne aktivacije kolateralne inhibicije koja je očuvana i dovoljna u gotovo svim slučajevima epileptičkih napada. Međutim, u rijetkim situacijama, ukoliko je epileptički nadražaj snažan i produžen, kolateralna inibicija popušta i napadi se ponavljaju u formi epileptičkog statusa. U najvećem broju slučajeva epilepsije uzrok epilepsije ostaje nepoznat, ili tek pretpostavljen (60-70%). Od poznatih uzroka epilepsije najčešći je moždani udar (12-15%). Slijede zatim razni tumori mozga (5-7%) i alkohol (5-6%). U 2-4% slučajeva epilepsije uzrok je prethodna kraniocerebralna povreda ili infekcija središnjeg živčanog sistema. Primarno genetski uzrokovane epilepsije relativno su rijetke. Epilepsija se nerijetko javlja i u okviru nekih kompleksnih sindroma – razvojnih anomalija, degenerativnih ili metaboličkih nasljednih bol esti. U nekim zemljopisnim regijama čest uzrok epilepsije su izvjesne parazitarne bolesti – npr. cisticerkoza. EEG je nezaobilazni segment u segment u dijagnozi epilepsije. Temeljem promjena u EEG-u snimku

potvrđujemo sumnju na epilepsiju u dvojbenim slučajevima. Dalje, EEG omogućuje klasifikaciju vrste epilepsije u pojedinog pacijenta, a često pomaže i u lokaliziranju epileptičkog žarišta. Epileptiformne promjene u EEG-u sadrže šiljke (trajanja 20 - 70 ms) i oštre talase (70 -200 ms). Nastaju zbog povećane kortikalne ekscitabilnosti, odnosno prekomjernog pražnjenja grupa neurona. Prema odnosu sa epileptičnim napadima, mogu biti iktusne (registrovane za vrijeme napada), ili interiktusne, u dugim intervalima između napada. Šiljci i oštri talasi (znaci ekscitacije) mogu biti redovno praćeni sporim talasima (odrazom inhibicije) kada obrazuju „šiljak -spori talas“ komplekse. talas“ komplekse. Pravilni kompleksi obostranih sinhronih šiljak– talas kompleksa (3 Hz) visoke amplitude javljaju se u vrijeme apsansnih napada.

9



Slika 1.7 Izgled 1.7 Izgled normalnog i epileptičnog EEG signala [1]

1.4.2. Alkoholizam Alkoholizam je hronična ovisnost o alkoholnim pićima. Manifestira se kroz snažnu želju za

pićem, gubitkom kontrole prilikom pića, simptomima fizičkog odvikavanja i povećanom tolerancijom na alkohol. Ovisnost o alkoholu je težak psihički poremećaj, jer dolazi do patološkog procesa, koji mijenja način na koji mozak funkcionira. Dolazak alkohola do mozga uzrokuje mnoge fizičke posljedice kao npr. trovanje, pospanost, pa i prekid komunikacije između neurona. Alkohol smanjuje eksicitatorsku, a povećava inhibitatorsku funkciju nerava, što osobu čini tromom i inertnom. EEG signal osoba koje boluju od alkoholizma, ima brži porast slabijih alfa aktivnosti i smanjenje brzih alfa aktivnosti, za razliku od EEG-a kod normalnih osoba. Na EEG-u se također može vidjeti, da alkoholičari imaju beta-valove više frekvencije (13-30Hz), a cijeli EEG je desinhroniziran.

Slika 1.8 Izgled 1.8 Izgled EEG signala alkoholičara [1]

10



1.5.

Klinička primjena elektroencefalografije

Elektroencefalografija je nezamjenljivo sredstvo za dijagnostiku svih epileptičkih poremećaja, a korisna je i u dijagnostikovanju čitavog niza poremećaja (Tabela 1.1) uz dopunu se drugim metodama. Dugotrajno intenzivno video EEG nadgledanje (uporedno snimanje i EEG-

a i bolesnika) značajno povećava mogućnost da se zabilježe epileptiformne EEG promjene i snime napadi. Koristi se za određivanje tipova epileptičnih napada, u diferencijalnoj dijagnozi epilepsija od drugih poremećaja, naročito od psihogenih neepileptičnih napada, u prijeoperativnoj procjeni i pri otkrivanju faktora provokacije epileptičnih napada. Alkoholizam Koma Tumori mozga

Ima brži porast slabijih alfa aktivnosti i smanjenje brzih brzih alfa aktivnost. Najčešće difuzno spori talasi.

Moždani udar

Značajne EEG promjene koje su se razvile tokom prva dva dana postepeno se povlače u sljedećih 7-10 dana. Difuzna delta aktivnost, koja se u slučaju povoljnog toka postepeno povlači, a zatim se ispoljavaju ritmične aktivnosti. Generalizovani trifazni talasi kod hepatičke encefalopatije ili difuzno

Encefalitis

Metabolički poremećaji Moždana smrt

Progresija promjena na EEG-u tokom vremena.

usporenje kod hipoglikemije. Potpuno odsustvo EEG aktivnosti u dva registrovanja obavljena u intervalu od 24 sata. Tabela 1.1 Dijagnoza poremećaja uz pomoć EEG signala

11



2. Analiza EEG signala EEG signal je kompleksan, nelinearan, nestacionaran i slučajan signal po prirodi. Veoma je teško razumjeti ponašanje ovako složenih signala upotrebom linearnih metoda. Iz tog razloga predloženo je da se EEG signal obrađuje pomoću nelinearnih sistema. Estimiranje spektra snage za diskretne determinističke ili stohastičke signale je jedan od osnovnih i najkorisnijih alata u digitalnom procesiranju signala. U ovom radu mi ćemo za estimiranje spektra koristiti jednu od autoregresivnih metoda, Burgov metod. Za klasifikaciju EEG signala iskoristićemo estimatore entropije.

2.1.

Spektralna analiza EEG signala

Tehnike za određivanje spektra snage na bazi Furijeove transformacije nazivaju se klasičnim metodama. One zahtjevaju vrlo malo informacija o porijeklu i prirodi analiziranih podataka, iako

određeno znanje o podacima može biti korisno (npr. radi odabira prozora). U klasičnim pristupima, signal izvan p rozora u kom se posmatra smatra se nulom. Budući da je to rijetko tačno, takva pretpostavka može dovesti do greške u procjeni. Takođe, javljaju se distorzije usl jed različitih prozorskih funkcija. Savremeni pristupi spektralnoj analizi eliminišu neke od di storzija koje proizvode klasične metode i mogu biti posebno efikasne ukoliko su segmenti podataka kratki. Ove tehnike, u pokušaju da prevaziđu ograničenja tradicionalnih metoda, uzimaju u obzir ono što je poznato, ili što se može pretpostaviti o originalnom signalu. Na primjer, ukoliko postoje poznate činjenice o procesu koji generiše signal od interesa, tada metode na bazi modela ili takozvane parametarske metode mogu omogućiti određene pretpostavke i predviđanja o signalu izvan prozora. Shodno tome, ovakvi pristupi a posebno parametarske spektralne metode zahtjevaju nešto više odlučivanja pri njihovoj primjeni za razliku od klasičnih metoda. Pored toga, ove metode daju samo informacije u formi amplitudskog spektra. Parametarske metode služe se linearnim procesom, obično zvanim model, radi estimacije spektra snage. Osnovna strategija ovog pristupa prikazana je na slici 2.1. Pretpostavka je da je linearni proces ili model upravljan bij elim šumom koji se dovodi na ulaz modela. B ijeli šum sadrži jednaku energij u na svim frekvencijama; njegov spektar snage je konstantan kroz sve frekvencije. Izlaz modela se poredi sa ulaznim signalom i parametri modela se prilagođavaju radi dobijanja najboljeg poklapanja između izlaza modela i ulaznog signala. Kada se postigne najbolje poklapanje, frekvencijske karakteristike modela pružaju najbolju procjenu spektra signala u skladu sa ograničenjima modela. Objašnjenje je sl jedeće; Zbog činjenice da je ulaz u model spektralno ravan, spektar na izlazu modela je direktan odraz amplitudske prenosne funkcije modela koja sa

druge strane oslikava spektar ulaznog signala (kroz proces poređenja i prilagođavanja parametara modela). Ovaj metod se može činiti posrednim, ali on omogućava dobro definisanje ograničenja kao što su tip i red modela u zavisnosti od očekivanog tipa spektra ulaznog signala.

12



Slika 2.1 Šematski prikaz parametraskih metoda spektralne estimacije[2]

Nekoliko različitih modela se koristi u ovom pristupu, razvrstanih po prirodi njihove prenosne funkcije. Tri najpopularnija tipa modela su: autoregresivni (autoregressive – AR), AR), sa kliznim usrednjavanjem (moving ( moving average – MA), MA), autoregresivni sa kliznim usrednjavanjem (autoregressive ( autoregressive moving average – ARMA). Odabir najadekvatnijeg modela zahtjeva određeno znanje o potencijaln om obliku spektra. AR model ima prenosnu funkciju sa konstantom u brojiocu i polinomom u imeniocu, stoga se ovaj model nekada naziva i all‐pole model (jer prenosna funkcija AR modela ima samo polove). To dovodi do jednačine u vremenskom domenu sa samo jed nim koeficijentom u brojiocu za koji se pretpostavlja da je jednak jedinici:

          

(2.1)

gdje je v(n) ulazni šum s srednjom vrijednosti jednakoj nuli, a(1),...,a(p) parametri modela, a p red modela i y(n) je EEG signal. Postoje dva metoda AR modela: Yule-Walker-ov metod Yule-Walker-ov metod i Burg-ov Burg-ov metod. metod. U ovom radu za spektralnu analizu EEG signala koristićemo Burgovu metodu, koja je posebno korisna za

estimaciju spektra u kome su dominantni oštri pikovi ali bez prisustva izraženih minimuma, što se može primjeniti na EEG signale čija je dominantna spektralna karakteristika pojava pikova u određenim frekvencijskim opsezima. 2.1.1. Burgov metod Ovaj metod se zasniva na minimizaranju procjenjene greške koristeći Levinson -Durbin

rekurzije, procjenjujući direktno koeficijent refleksije. Primarna prednost ove metode je u izvlačenju blisko postavljenih sinusoidalnih signala iz malog nivoa šuma, snimajući kratke podatkovne zapise, zbog čega su procjenjene vrijednosti spektralne gustine snage bliske stvarnim. Osim toga, ovaj metod je stabilan i računarski efikasan. Jedan od nedostataka ove metode je što je osjetljiva na frekvencijske pomjeraje, u odnosu na stvarnu frekvenciju, a koje su rezultat incijalnih faza sinusoidalnih signala izvučenih iz šuma. Spektralna gustina snage procijenjena prema ovoj metodi, može se izračunati na sljedeći način:

13





E

P XX ( f ) 

p



1   a p (k )e

(2.2)  j 2 kf

k 1





gdje je a p estimirani parametri dobiveni primjenom Levinson-Durbin rekurzije, a

E

koeficijent refleksije.

2.2.

Estimatori entropije

Estimatori entropije su tip nelinearne analize vremenski promjenjivog signala. Entropija je nenegativna veličina i mjeri neizvjesnost slučajne varijable . Ako pretpostavimo da je X diskretna

  i neka je vjerojatnost da će varijabla X poprimiti neku konkretnu vrijednost  jednaka        , tada je entropija data slučajna varijabla i da uzima vrijednosti iz skupa izrazom :

         

(2.3)

Kada je entropija jednaka 0, tada ne postoji neizvjesnost tj. vjerojatnost pojave X je jednaka 0 ili 1, dok kada je entropija jednaka , gdje je N broj vrijednsoti koje varijabla X može uzeti,

 

neizvjesnost je najveća. U slučaju obrade EEG signala, pretpostavlja se da X predstavlja elektrodu, a

  predstavlja skup mjerenja na toj elektrodi.

Četiri estimatora entropije su korištena i to: Bispektralna entropija (Bi-Spectral Entropy )1 i 2, Aproksimativna entropija (Approximate Entropy), Entropija uzoraka (Sample Entropy) i Renyi-eva entropija. 2.2.1. Bispektralna entropija 1 i 2

Bispektralna entropija je statistički alat visokog reda za analizu koji se primjenjuje za proučavanje nelinearnih kvadratnih funkcija. Ona zatvara trougaonu oblast poznatu kao neredudantna oblast proračuna. Navedena oblast pri kazana je na slici .

Slika 2.2 Neredudantna oblast proračuna [3]

14



Težinski centar bispektruma (WCOB) računa se na osnovu sljedeće relacije:

             







(2.4)

Gdje su i i j frekvencijski j frekvencijski bin indeksi u neredudantnoj oblasti. Normalizirana bispektralana bispektralana entropija (BE1) data je kao:

      gdje je

(2.5)

  .      

 predstavlja oblast unutar trougla sa slike 2.2. Normalizirani kvadrat bispektralne entropije (BE 2) dat je kao:

      gdje je

(2.6)



  .     

Statističkom obradom više tipova EEG signala dobijene su slijedeće vrijednosti ove entropije za tri različita mentalna stanja date na slici 2.3. Sa slike se vidi da najveću entropiju ima normalni EEG signal, dok epilepsija i alkoholizam za BE1 imaju skoro jednake vrijednosti, a za

BE2 epilepsija ima veću vrijednsot entropije.

Slika 2.3 Vrijednosti Bi-Spectral entropije 1 i 2 [3]

2.2.2. Aproksimativna entropija

Aproksimativna entropija može biti uspješno primjenjena na relativno kratke podatke i podatke kojima dominira šum. Ona estimira logaritamsku vjerovatnoću podataka koji su blizu idućem poređenju, tako da ostaju blizu i da se ne razlikuj u mnogo. Vrijednost aproksimativne entropije je mala za regularne i predvidive EEG signale, dok za manje predvidive i neregularne EEG ima veliku vrijednost. Vrijednost ove entropije računa se prema slijedećoj relaciji:

   ,      

15

(2.7)



Gdje

  predstavlja broj uzoraka u    koji imaju dužinu m,

u našem slučaju m ima vrijednost 5 i r ima vrijednost 0.2 x standardna _devijacija_orginalne _sekvence_podataka.

Statističkom obradom više tipova EEG signala dobijene su slijedeće vrijednosti ove entropije za tri različita mentalna stanja date na slici 2.4. Sa slike se vid i da najveću entropiju ima normalni EEG signal, potom epilepsija i alkoholizam.

Slika 2.4 Vrijednosti aproksimativne entropije [3]

2.2.3. Entropija uzorka Entropija uzorka (SampEn) izvedena je od strane Grassberger -a i njegovih istraživanja. Uvjetna vjerovatnoća negativnog prirodnog log aritma entropije uzorka je takva da dvije iste

sekvence dužine m sa tolerancijom r ostaju slične i u sljedećoj iteraciji. SampEn je nezavisna od dužine podataka, a njena vrijednost vrij ednost može biti proračunata primjenom sljedeće relacije:

                 

(2.8)

Pri čemu je N vrijednost ulaznih podataka, r ima vrijednost 0.2 i m (makismalna veličina uzorka) podešena je na 4. Ovaj algoritam počinje sa traženjem tačaka koje odgovaraju prvoj tački sa tolerancijom r. One tačke koje odgovaraju imaju dužinu 1, a one tačke koje ne odgovaraju imaju dužinu 0. Ukoliko tačka nakon dužine 1 odgovara sa tačkom čija je dužina 1, tada je dužina 2 i navedeni postupak se nastavlja dalje. Ukoliko je tačka nakon dužine 0 ima dužinu 0, tada je dužina jednaka 1. Ovakvo uklapanje tačaka se nastavlja se dok se ne stigne do kraja podataka. Navedena podudaranja spremaju i prate se u A (k) ( k) i B (k) brojačima za sve dužine od k do m. Statističkom obradom više tipova EEG signala dobijene su slijedeće vrijednosti ove entropije za tri različita mentalna stanja date na slici 2. 5. Sa slike se vidi da najveću entropiju ima normalni EEG EEG signal, potom alkoholizam pa epilepsija. epilepsija.

16



Slika 2.5 Vrijednosti Sample entropije [3]

2.2.4. Renyi-eva entropija Renyi – jeva entropija data je izrazom: iz razom:

               U daljem radu vrijednost parametra

(2.9)

 koji je korišten za proračun navedene entropije je 2 u

slučaju normalnog i epileptičnog uzorka EEG signala.

Statističkom obradom više tipova EEG signala dobijene su slijedeće vrijednosti ove entropije za tri različita mentalna stanja date na slici 2.6. Sa slike se vidi da jednaku entropiju imaju normalni i alkoholizirani uzorak EEG signala. Ova entropija je negativna.

Slika 2.6 Vrijednosti Renyi-eve entropije [3]

17



2.3.

Klasifikator na bazi estimatora entropija

Ovaj klasifikator se bazira na novoj veličini nazvanoj Index , koja se računa na osnovu prethodnih vrijednosti četiri tipa razmatranih entropija. Ova veličina se računa prema slijedećoj relaciji:

  

 

(2.10)

Na slijedećoj slici je prikazana klasifikacija EEG signala na osnovu vrijednosti Index -a. -a. Sa slike se vidi da je vrijednost Index -a najveća za epileptični EEG signal (0.6999< Index <0.7157), <0.7157), potom za alkoholizam (0.6552
intervala, onda će ovaj klasifikator kao rezultat dati nepoznat EEG signal.

Slika 2.7 Klasifikacija EEG signala na osnovu veličine Index [3]

Pouzdanost ovog klasifikatora je 95% i može se reći da je jedan od efikasnijih i pouzdanijih klasifikatora.

18



3. MATLAB GUI za klasifikaciju mentalnog stanja pacijenta Grafički korisnički interfejs (GUI, Graphical User Interface) omogučava transparentnu komunikaciju sa korisničkim programom. Ovakav način komunikacije ima mnoge prednosti poput: korisnik ne mora da unosi parametre preko konzole, ako se napravi greška prilikom unošenja jednog od parametara, nije potrebno pokrenuti program iz početka i čekati da s e ponovo zatraži unos tog parametra, nepotrebno ponavljajući sve prethodne korake i rezultati izvršavanja korsničkog programa mogu da se predstave u pogodnom obliku, na tačno od ređenim mjestima. Sukladno na navedene prednosti, ideja našeg rada je da kreira mo jednostavan GUI koji će olakšati dijagnozu ljekarima, te na taj način ubrzati prevenciju neke bolesti. S tim ciljem, u ovom poglavlju objasnit ćemo način kreiranja ovog GUI -a u MATLABu. 3.1.

Dizajn korisničkog interfejsa

Prvi korak koji treba preduzeti pri likom dizajna bilo kakvog grafičkog korisničkog interfejsa je da se nacrta na papiru i osmisli svrha upotrebe. Za svaki ulazni podatak treba izabrati jedan

od mogućih načina da se on unese, a za svaki izlazni na koji način će biti predstavljen. Na slici ispod dat je dijagram toka koji je osnova našeg GUI-a. Dakle, korisnik nakon što učita EEG signal u obliku tekstualne datoteke, GUI će mu pružiti mogučnost da izvrši spektralnu analizu signala pomoću Burgove metode i koristeći klasifikator na bazi estimirane entropije izvrši dijagnozu pacijenta. Normalno

Estimatori

EEG

E i l e si a

Klasifikator

entropije

Alkoholizam

signal (*.txt)

Burgov

Spektar

metod

Slika 3.1 Dijagram toka za analizu EEG signala

Za spektralnu analizu spektra pomoću Burgove metode korištena je funkcija u MATLABu [Pxx,W] = pburg(X) koja vraća vektor normaliziranih ugaoni h frekvencija W [radijan/broj_uzoraka], u kojima je gustina spektra snage PSD estimiran i vektor vrijednosti PSD-a za diskretni ulazni signal X. Default-na vrijednost dužine FFT je 256. Za realizaciju klasifikatora, napisani su m-file-ovi koje opisuje jednačine gore navedene tipova entropije, kao i m-file koji opisuje rad klasifikatora na bazi veličine Index .

Korištene

EEG

signal

tekstualne

datoteke

su

dostupne

na

http://www.meb.uni-bonn.de/epileptologie/science/physik/eegdataold.html .

web

adresi:

Datoteke

su

dobijene tako što se orginalni EEG signal uzorkovao brzinom od 173.61 Hz, spektralni opseg sistema za akviziciju je od 0.5 do 85 Hz i NF filter ima graničnu frekvenci ju od 40 Hz. Postoji pet file-ova, od kojih svaki ima po 100 teksutalnih zapisanih EEG signala i to svaki EEG različitih file-ova, signal je predstavljen pomoću 4096 uzorka. Normalno i alkoholizirano imaju po 200 primjera signala, dok za epileptično stanje ima 100 p rimjera EEG signala. Izgled GUI realiziranog u MATLABu je dat na slijedećoj slici.

19



Slika 3.2 MATLAB GUI za analizu EEG signala

U slučaju da korisnik učita normalan uzorak EEG signala i zatraži analizu spektra za određeni broj uzoraka pritiskom na dugme Prikaži_spekt ar ar , kao i dijagnozu pritiskom na dugme Dijagnoziraj dobit će se izgled kao na slici 3.3.

Slika 3.3 Izgled MATLAB GUI-a za normalni EEG signal

U slučaju epileptičnog uzorka EEG signala dobit će se izgled iz gled kao na slici 3.4.

20



Slika 3.4 Izgled MATLAB GUI-a za epileptični EEG signal

U slučaju alkoholiziranog uzorka EEG signala dobit će se izgled izg led kao na slici 3.5.

Slika 3.5 Izgled MATLAB GUI-a za alkoholizirani EEG signal

Sa prethodne tri slike možemo zaključiti da najveću vrijednost PSD-a ima epileptični uzorak EEG signala, dok normalni uzorak EEG signala ima najmanji vrh PSD-a i kriva koja opisuje ovaj PSD sporo pada ka nuli za razliku od alkoholiziranog uzorka EEG signala, koji iako

ima veći vrh brže opada ka nuli. Također, Također, da se primjetiti i da epileptični uzorak EEG signala ima unatno bržu frekvenciju od ostala dva. Alkoholizirani uzorak EEG signala ima nešt manju frekvenciju od normalnog uzorka EEG signala. s ignala.

21



ZAKLJUČAK Osnovni cilj ovog rada je bio da se prikaže jedan način analize EEG signala u svrhu bržeg dijagnosticiranja, ali i prevencije brojnih patoloških poremećaja. Skaldno s time, kreiran je MATLAB GUI za dijagnozu pacijenta bazirano na klasifikatoru, koji iskorištava entropiju EEG signala. Pouzdanost ovog klasifikatora je 95% i predstavlja jedan od boljih klasifikatora EEG

signala. Također, GUI pruža korisniku i analizu spektra EEG signala pomoću jedne od AR metode. EEG signal je jako složen stohastički signal, koji bez dodatne obrade ne bi mogao poslužiti ni za kakvu svrhu. S obzirom da je mozak najkompleksnija struktura ljudskog tijela, nije ni čudo što se u poslijednje vrijeme velika pažnja posvećuje obradi EEG signala. Mozak upravlja našim voljnim pokretima, usklađuje refleksne pokrete, nadzire vegetativne centre, pohranjuje naša sjećanja, ostvaruje naša razmišljanja i ideje, a zadužen je i za brojne druge funkcije. Iako je mozak glavni nadzorni organ ljudskog tijela, njegovo funkcioniranje još je uvijek nedovoljno istraženo. Razvijene su brojne metode za analizu EEG signala, mada se najviše primjenjuju nelinearne metode zbog same prirode EEG signala.

22



LITERATURA [1]

Web: http://kdd.ics.uci.edu , UCI Knowledge Discovery in Databases Archive

[2]

Web: http://bmit.etf.rs/teze/AndrejSavicMasterThesis.pdf , Inteligentna detekcija tremora iz voljnog pokreta

[3]

CHUA BOON JIN , ENTROPIES FOR DETECTION OF EPILEPSY IN EEG , novembar 2010

[4]

Neurologija, nova knjiga www.belimantil.org

23



Prilog_1 M-file za GUI function varargout = proba(varargin) %PROBA M-file for proba.fig % PROBA, by itself, creates a new PROBA or raises the existing % singleton*. % % H = PROBA returns the handle to a new PROBA or the handle to % the existing singleton*. % % PROBA('Property','Value',...) creates a new PROBA using the % given property value pairs. Unrecognized properties are passed via % varargin to proba_OpeningFcn. This calling syntax produces a % warning when there is an existing singleton*. % % PROBA('CALLBACK') and PROBA('CALLBACK',hObject,...) call the % local function named CALLBACK in PROBA.M with the given input % arguments. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help proba % Last Modified by GUIDE v2.5 24-May-2012 22:58:55 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @proba_OpeningFcn, ... 'gui_OutputFcn', @proba_OutputFcn, ... 'gui_LayoutFcn', [], ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before proba is made visible. function proba_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB

24



% handles % varargin %

structure with handles and user data (see GUIDATA) unrecognized PropertyName/PropertyValue pairs from the command line (see VARARGIN)

% Choose default command line output for proba handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes proba wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = proba_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output;

function do_Callback(hObject, eventdata, handles) % hObject handle to do (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of do as text % str2double(get(hObject,'String')) returns contents of do as a double

% --- Executes during object creation, after setting all properties. function do_CreateFcn(hObject, eventdata, handles) % hObject handle to do (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function od_Callback(hObject, eventdata, handles) % hObject handle to od (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

25



% Hints: get(hObject,'String') returns contents of od as text % str2double(get(hObject,'String')) returns contents of od as a double

% --- Executes during object creation, after setting all properties. function od_CreateFcn(hObject, eventdata, handles) % hObject handle to od (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% --- Executes on button press in prikazi_spektar. function prikazi_spektar_Callback(hObject, eventdata, handles) % hObject handle to prikazi_spektar (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) str1=get(handles.od,'String'); str2=get(handles.do,'String'); a=str2num(str1); b=str2num(str2); d=handles.signal(a:b); axes(handles.spektar); [Par,y]=pburg(d,10); plot(y,20*log10(Par)); title('AR metoda: Spektar signala','fontsize',10); xlabel('radians/broj_uzoraka'); ylabel(' Gustina snage signala [dB]'); guidata(hObject, handles);

% --- Executes on button press in Dijagnoza. function Dijagnoza_Callback(hObject, eventdata, handles) % hObject handle to Dijagnoza (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) e=ukupna_entropija(handles.signal); if ((e >= 0.5934) && (e <= 0.6093)) rez=['NORMALNO']; str=['Neurološki procesi su normalni!']; elseif ((e >= 0.6999) && (e <= 0.7157)) rez=['EPILEPSIJA']; str=['Pacijent nije mentalno stabilan!']; elseif ((e >= 0.6552) && (e <= 0.6720)) rez=['ALKOHOLIZAM']; str=['Pacijent nije mentalno stabilan!']; else

26



rez=['Nepoznato!']; str=['']; end set(handles.rez,'String',rez); set(handles.rezultat,'String',str);

function rezultat_Callback(hObject, eventdata, handles) % hObject handle to rezultat (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of rezultat as text % str2double(get(hObject,'String')) returns contents of rezultat as a double

% --- Executes during object creation, after setting all properties. function rezultat_CreateFcn(hObject, eventdata, handles) % hObject handle to rezultat (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function rez_Callback(hObject, eventdata, handles) % hObject handle to rez (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of rez as text % str2double(get(hObject,'String')) returns contents of rez as a double

% --- Executes during object creation, after setting all properties. function rez_CreateFcn(hObject, eventdata, handles) % hObject handle to rez (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

27



set(hObject,'BackgroundColor','white'); end

% --- Executes on button press in EEG_signal. function EEG_signal_Callback(hObject, eventdata, handles) % hObject handle to EEG_signal (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) w = cd(); set(handles.EEG_signal,'String','Processing...'); [filename, pathname] = uigetfile( '*.txt'); cd(pathname); set(handles.EEG_signal,'String',filename); a=load(filename); cd(w); axes(handles.EEG) plot(a); title('Nepoznat EEG signal','fontsize',10); xlabel('Broj uzoraka') ylabel('Amplituda signala [mikroV]'); handles.signal=a; set(handles.EEG_signal,'String','End'); guidata(hObject, handles);

% --- Executes during object creation, after setting all properties. function EEG_signal_CreateFcn(hObject, eventdata, handles) % hObject handle to EEG_signal (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

28

BSS Seminarski

Recommend Documents