Analiza și prelucrarea datelor prelevate în înregistrările [612247]

Analiza și prelucrarea datelor prelevate în înregistrările
EEG pe durata somnului

2
Cuprins

Introducere ……………………………………………………………………………………………………….3

1. Electroencefalografia …………………………………………………………………………………………5
1.1 Electroenc efalograma(EEG) ……………………………………………………………………….. 5
1.2 Tendințe în studiul EEG -Interfețe Creier -Calculator……………………………………….12

2. Preprocesarea semnalelor EEG ………………………………………………………………………….21
2.1 Eliminarea artefactelor EEG prin Analiza Independentă a Componentelor ………..23
2.2 Îndepărtarea artefactelor EEG bazată pe eliminarea valorilor de vârf …………….. …25
2.3 Recunoașterea artefactelor cauzate de clipire cu Rețele Neurale Artificiale ……..25
2.4 Rejecția artefactelor folosind filtre FIR…………………………………………………………26

3. Procesarea semnalelor EEG ………………………………………………………………………………27
3.1 Modelarea semnalelor EEG…………………………………………………………………………27
3.2 Analiza spectrală a înregistrărilor EEG …………. ……………………………………………..29
3.3 Harta topografică a creierului ……………………………………………………………………..36

4. Înregistrări EEG în polisomnografie ………………………………………….. ………………………38
4.1 Polisomnografia și patologia somnului ………………………………………………………….38
4.2 Studiul stadiilor somnului……………………………………………………………………………42
4.3 Metode clasice de clasificare a stadiilor somnului …………………………………………..46
4.4 Metode automate de clasificare a stadiilor somnului ……………………………………….49

5. Concluzii ……………………………………………………………………………………………………….. 59

6. Anexe …………………………………………………………………………………………………………….6 0
6.1 Anexa 1 – Considerații biomedicale ……………………………………………………………..60
6.2 Anexa 2 – Noțiuni utilizate …………… ……………………………………………………………66

7. Bibliografie …………………………………………………………………………………………………….78

3

Introducere
Motivație
Domeniul biomedical este o arie de interes în continuă dezvoltare în ultimii ani.
Premisele ce permit această dezvoltare sunt îndeplinite de studiile și descoperirile efectuate
atât în domeniul medical, cât și în cel ingineresc, cele două fiind puternic interconectate.
Semnalele biomedicale( biofeedback după cum sunt cunoscute în literatura de specialitate)
reprezintă o sursă bogată de informație, a cărei prelucrare corectă facilitează progresul
tehnologic continuu în acest domeniu.
Amintind semnalele biomedicale, putem afirma că dintre acestea, semnalele ce
reprezintă activitatea cerebrală sunt cele mai co mplexe, fapt susținut de însăși misiunea
creierului uman, aceea de a corela toate activitățile organismului. Lucrarea de față vine deci
pentru a explica concepte, a oferi informații, metode pentru detecție și chiar control în cazul
studiului activității cr eierului uman. Toate aceste aspecte gravitează în jurul unui cuvânt
cheie: Electroencefalogramă(EEG). Traseul EEG reflectă activitatea cerebrală și conține
informații importante despre funcționarea entității ce controlează tot organismul uman –
creierul. Combinarea înregistrărilor EEG cu înregistrări similare, de pildă
ECG(electrocardiogramă – studiul activității miocardului), sau EOG(electrooculogramă),
EMG(electromiogramă – studiul activității musculare) oferă, în mod evident, informații și mai
precise des pre activitatea organismului, având capacitatea de a studia sincronizarea funcțiilor
acestuia.
Dezvoltarea studiului electroencefalografic din ultimele decade a stat la baza
descoperirii a noi concepte, ce au ca scop îmbunătățirea sănătății mentale. Avân d în vedere
complexitatea domeniului studiat, este evident că răspunsurile la întrebările pe care le ridică
descifrarea activității cerebrale vor conduce, la rândul lor, la alte curiozități, alte concepte ce
vor rămâne a fi explicate.
Multiple inovații din domeniul ingineriei se bazează pe imitarea activității cerebrale. Evident,
nu s-a ajuns în punctul în care se poate imita în detaliu funcționarea creierului uman, nu s -a
atins, într -o manieră sau alta, performanța de a crea un sistem inteligent complex a utosusținut
capabil de decizii corecte necondiționate. Există o teorie conform căreia, din totalul capacității
creierului său, un om normal folosește un procent destul de scăzut. Nu există confirmări
asupra mărimii acestui procent, dar pornind de la ideea că este imposibilă replicarea activității
cerebrale desemnată chiar de acestă parte din capacitatea totală, cât de complex este, de fapt,
creierul uman? Este posibil ca acesta să se dezvolte, să -și perfecționeze activitatea și chiar să
cunoască noi orizont uri ale capacității și spectrului său de acțiune? Motivația alegerii acestei
teme se leagă pe această cale și de fascinația asupra unui domeniu care, chiar în mod
inconștient, dictează, literalmente, fiecare gând, gest, acțiune.
Obiective
Electroencefalog rafia stă la baza studiului activității cerebrale umane.
Electroencefalograma este graficul rezultat în urma efectuării unei proceduri EEG, ce conține

4
informații(semnale) reprezentând activitatea creierului. Analiza si prelucrarea acestor
informații conduce la aplicabilitatea lor în diferite arii de interes. Una dintre acestea este
polisomnografia, sau, studiul somnului. Se cunoaște necesitatea acestuia pentru sănătatea
organismului uman. În acest sens, în egală măsură, cantitatea și calitatea somnului su nt
importante pentru a asigura premisele unei stări de normalitate din punct de vedere al sănătății
mentale. Piatra de temelie pentru studiul polisomnografic a fost pusă în 1968 de către
Rechtschaffen și Kales, prin lucrarea intitulată „ A manual of standardized terminology,
techniques and scoring system for sleep stages of human subjects” . Conceptul de bază constă
în analizarea electroencefalogramei, combinată cu EOG și EMG din timpul somnului, pentru
a putea împărți perioada de somn în cazul oamenilor în diferite etape(stadii), a căror
succesiune oferă informații despre aspectul calitativ al acestuia.
În mod clasic, împărțirea somnului în stadii este realizată de către un operator uman cu
experiență în domeniu. Lucrarea de față își propune să prezinte o metodă de automatizare a
acestui proces, folosind prelucrarea datelor EEG prelevate în timpul somnului,dat fiind faptul
că procesul este de durată, iar concentrarea celui care realizează înregistrarea
polisomnografică este crucială și trebuie menținută pe parcursul mai multor ore.
Primul capitol prezintă conceptul de bază al lucrării, Electroencefalograma(EEG),
noțiunile de bază, stadiul actual, precum și tendințele în domeniu. Următoarele două capitole
pun accent pe datele(semnalele) EEG, urmărind achiziția, pre -procesarea și procesarea
acestora. Capitolul 4 introduce studiul polisomnografic, prezintă metodele standard și propune
o metodă de automatizare a procesului. Se va face o comparație a celor două metode, urmănd
a fi trase concluziile aferente. Pe ntru claritatea și cursivitatea lucrării, am hotărât organizarea
informațiilor și principiilor folosite pe parcursul capitolelor în cele două anexe(considerații
biomedicale, noțiuni folosite).
Lucrarea de față își propune prezentarea unor aspecte teoretice și practice utile folosirii
în domeniul bio -ingineriei, o arie de interes care necesită atenție și oportunități de dezvoltare
sporite, în contexul actual.

5

1. Electroencefalografia(EEG)

1.1Electroencefalograma (EEG)
1.1.1 Definiție
Electroencefalografia reprezintă înregistrarea potențialelor electrice ale
creierului.Graficul obținut din înregistrarea câmpurilor electrice la nivelul scalpului poartă
numele de electroencefalogramă(EEG) și e ste reprezentat printr -un număr variabil de derivații
– în funcție de numărul canalelor de înregistrare.
Fiecare derivație exprimă suma activităților bioelectrice captate din două regiuni
diferite, în sistemul de culegere bipolar, sau activitatea bioelectr ică dintr -o regiune, în
sistemul de culegere monopolar.

1.1.2 Importanță
Considerată la un moment dat ca o metoda „clasică”, cu posibilități limitate, grație
mijloacelor moderne introduse în domeniu, EEG a devenit în prezent una dintre cele mai
actuale ș i complexe tehnici de explorare a creierului. Analizatoarele de frecvență,
teletransmisia, dispozitivele de memorare, ca și alte mijloace computerizate de analiză,
decalarea potențialelor evocate, magnetoencefalograma, monitorizarea video, etc. constituie
doar câteva dintre modernizările introduse în explorarea activității cerebrale.
Electroencefalograma este una dintre investigațiile frecvent folosite pentru diagnostic
în neurologie, în neurochirurgie, în psihiatrie(boli psihice cu substrat organic, trata mente cu
neuroleptice, expertiza medico -judiciară, expertiza capacității de muncă etc.), în terapia
intensivă pentru determinarea profunzimii comelor, în anestezie, în neurofiziologie,
gerontologie, endocrinologie, psihologie.
1.1.3 Avantaje
 Lipsa de nocivitate sau disconfort pentru bolnav;
 Ușurința tehnica de efectuare;
 Posibilitatea de a fi repetată seriat sau continuu în funcție de scopul urmărit, în
condiții de veghe sau somn;
 Urmărirea eficienței terapeutice a unui medicament care influențează act ivitatea
electrică a creierului;
 Costuri mici.

1.1.4 Limitări
 Limite de ordin neurofiziologic:
-în geneza activității electrice culese la nivelul scalpului sunt antrenați numai neuronii
piramidali care au aceeași orientare în plan și se descarcă sincron;
-activitatea electrică a neuronilor din profunzimea creierului, de la nivelul interfețelor
de separație și ai fețelor inferioare ale emisferelor nu este reflectată decât în mod
indirect în electrogeneza globală.

6
 Limite de ordin clinic:
-nu oferă rezultate absolute, înregistrând doar expresia unui moment funcțional
cerebral;
-nu se poate substitui examenului clinic reprezentând doar o metoda complementară în
susținerea diagnosticului. Din acest motiv, EEG nu poate infirma un fenomen
constatat clinic, ci doa r îl poate confirma. Spre exemplu, poate exista epilepsie clinic
manifestată fără expresie EEG specifică și invers, pot exista modificări EEG specifice
fără expresie clinică;
-mai multe entități nosologice pot avea aceeași expresie EEG. De pildă, ritmul d elta îl
putem găsi în come, encefalite, hipertensiune intracraniană sau, în stare normală, somn
la adult.

Figura1.1: Culegere a datelor EEG de la un pacient

1.1.5 Artefacte
Electroencefalograma poate să prezinte artefacte, ele fiind fenomene de natură
extracerebrală. Cele mai frecvente sunt următoarele, iar efectul produs de către cele mai des
întâlnite se poate observa în Figura 1.2 :
– Aspectul electromiografic, determinat de contracția unui mușchi subiacent
electrodului, manifestându -se prin potențiale foarte rapide.
– Mișcările oculare determină variații de potențial ample, lente și polimorfe în
regiunile frontale;
– Electrocardiograma apare sub formă de vârfuri, datorită ritmicității lor sincrone cu
pulsul;
– Mișcările respiratorii pot să determine apariția de unde lente, polimorfe, ample,
ritmice și generalizate, mai ales în timpul hiperpneei sau la bolnavii cu respirație
asistată;
– Electrodermograma este determinată de transpirația bolnavului și apare sub formă
de unde foarte lente si ample;

7
– Tremurăturile apar ca o activitate theta de 3 -7c/sec și se transmit la extremitatea
cefalică;
– Instabilitatea electrozilor, determinată de o fixare insuficientă realizează oscilatii
lente sau un aspect fals de activitate paroxistică;
– Sistemul de amplificare poate să deter mine numeroase artefacte(de exemplu,
oscilații ritmice cu aspect paroxistic), prin dereglarea condensatorilor;
– Curentul de sector apare când electroencefalograful este plasat în apropierea unor
motoare electrice(aparate de fizioterapie, a parate radiologice ), sau când
împământarea este defectuasă;

A

B

C

D

E

Figura1.2: Artefacte apărute în înregistrări EEG: A: Electrodermograma, B: Curentul de sector,
C:Mișcările pacientului(de exemplu clipit, mișcări ale ochilor),D: Scrâșnirea dinților,E: Pulsul
pacientului

1.1.6 Date referitoare la înregistrarea electroencefalogramei
Aparatele utilizate pentru înregistrarea activității electrice a creierului poartă
denumirea de electroencefalografe .
În principiu un electroencefalograf este compus din următoarele module:
– culegere a biocurenților cerebrali(electrozi);
– amplificare;
– afișare sau înscriere
La acestea se mai adaugă în funcție de posibilități un modul de stimulare și un sistem
de prelucrare a informațiilor obținute.
Modulul de culegere a biocu renților cerebrali este compus din electrozi și conductori
electrici care fac legătura cu sistemul de amplificare.
Electrozii au o formă adaptată modului de utilizare – de plăcuțe, tub sau ac. Sunt
confecționați din sticla sau metal. Pentru a preîntaâmpina fenomenul de polarizare se

8
confecționeaza de obicei din argint. Sunt amplasați după scheme precise realizănd sisteme de
derivații conectate la câte un canal sau lanț de amplificare. În figura 1.3, se prezintă diverse
tipuri de electrozi, confecționați din diferite materiale, folosiți la culegerea datelor
electroencefalografice:

Figura1.3: Electrozi pentru culegerea biocurenților: începând de sus: electrod placat cu staniu, electrod
confecționat din staniu, electrod confecționat din argint, placat cu argi nt, placat cu aur
Se deosebesc două sisteme de culegere – monopolar și bipolar.
Sistemul monopolar folosește un electrod comun inactiv sau indiferent „de referință”,
care este plasat de obicei pe lobul urechii, dar poate fi așezat și în alte zone precum ba za
nasului, menton, faringe sau nivelul vertebrei C -7.
Sistemul bipolar culege diferența de potențial dintre două arii de la care se
înregistrează suma activității lor.
Modul de grupare a electrozilor sau de realizare a derivațiilor constituie montaje .
Amplasarea electrozilor sau distribuirea lor pe scalp se face în mod simetric, la
distanțe egale după diverse scheme. Cea mai cunoscută este aceea propusă de Jasper în anul
1941, după repere anatomice. Linia nazion -inion este împărțită, la distanțe egale, în 5 planuri
transversale: prefrontal, frontal, rolandic, parietal și occipital. În prezent este acceptat pe plan
internațional sistemul 10 -20 % – the ten -twenty system – recomandat de Ghidul Societății
Americane de Electroencefalografie (1991). Linia nazion -inion se împarte procentual,
adaptându -se dupa forma si dimensiunea craniului. Un astfel de montaj este prezentat în
figura 1.4:

Figura1.4: Montaj 10 -20:A: Vedere Frontală;B: Vedere laterală

9

Pe plan internațional este folosită o schemă în care electrozii de culegere au denumire
în funcție de zona de plasare.
Electrozii sunt denumiți cu inițialele zonei de plasare a lor: prefrontal(pF), frontal(F),
central (C), pa rietal (P), occipital (O), auricular (A). Linia mediană are indicația zero(Z).
Denumirile electrozilor, aplicate pe montajul 10 -20 sunt după cum urmează(Figura 1.5):

Figura 1.5: Montajul 10 -20 și denumirile electrozilor(canalelor de culegere), în conformitate cu
standardele internaționale actuale.
La schema clasică Societatea Americană de electroencefalografie propune înlocuirea
denumirii T3/T4 si T5/T6 cu cea de T7/T8 si P7/P8.
Iată care sunt, după B.J. Fisch (2005)[2], avantajele acestui montaj:
– Asigură culegerea activității electrice de pe întregul scalp;
– Oferă o culegere simetrică si reproductibilă la același subiect și, foarte
important, permite comparația examenelor EEG efectuate în laboratoare
diferite.
În sistemul bipolar se disting trei tip uri de montaje „exploratoare” sau de „orientare”:
circulare, longitudinale și transversale, după cum este prezentat în Figura 1.6. Rezistența
electrică la electrod trebuie să fie sub 5000 -10 000 ohmi pentru a evita apariția de artefacte. În
acest scop, se indepărtează bine părul de sub electrod, se degresează tegumentul cu alcool și
se tamponează cu soluție salină saturată sau pastă specială.

10

Figura 1.6: Diverse tipuri de montaje în sistem de culegere bipolar: Circular, Longitudinal, Transversal
Modulul de amplificare este format din preamplificatori, două amplificatoare
intermediare și unul final.
Amplificarea biopotențialelor cerebrale trebuie să fie suficient de fidelă pentru a le
diferenția de zgomotul de fond, de elementele grafice induse de paraziții externi, rețeaua
electrică, etc.
Modul ul de afișare sau de înscriere cu penițe inscriptoare este deja depășit. Inerția
pieselor aflate în mișcare modifică într -o anumită măsură traseul. Aparatele moderne cu afișaj
electronic înlătură, în prezent, aceste neajunsuri.

1.1.7 Termeni utilizați în descrierea EEG [1]
-grafoelemente prezente în fază. Deși culese pe canale diferite, semnalele culese apar
în același timp;
-Contrast de fază: fază inversată prezentă în înregistrarea bipolară;
-Sincronizare: simultaneitatea undelor pe cele două emisfere;
-Reactivitate: modificarea în plus sau minus a traseului la diferite probe ca deschiderea
și închiderea ochilor, hiperventilația, stimuli fotici, senzoriali, etc.;
-Index sau indice: incidența unui element pe traseu.(Exemplu: indice theta 15%
inseamnă prezența în proporție de 15% a undei theta pe traseul înregistrat).
1.1.8 Ritmuri cerebrale
În descrierea activității electrice a creierului surprinsă în înregistrarea EEG se
utilizează mai mulți parametri: frecvență, amplitudine, morfologie, reactivitate, topografie,
etc.
Pentru tratatele clasice de EEG aplitudinea era un parametru studiat cu atenție. Unele
surse mai recente consideră că o apreciere vizuală este arbitrară iar pe de altă parte,
amplitudinea es te dependenta de distanța dintre electrozi (de unde rezultă necesitatea de a fi
amplasați la distanțe egale) și de impedanța la electrozi.
Bruce J. Fisch(2005)[2], propune trei registre de încadrare a amplitudinii:
– Joasă – sub 20 µV
– Medie – 20-50 µV
– Înaltă – peste 50 µV

11
Toate ritmurile cerebrale se situează în partea joasă a spectrului, de frecvenț ă
0.5-30 Hz.
Există și un registru de frecvență mai înaltă, 35 -70 Hz numită Gamma – care este
dificil de evidențiat pe EEG convențional din cauza volt ajului mic și a frecvenței de calibrare
a aparaturii. Relevanța clinica este redusă.
După frecvența cu care se repetă un grafoelement în unitatea de timp – în cazul EEG –
secunda – s-au descris patru tipuri de ritmuri denumite de literele alfabetului greces c. În
cadrul fiecărui tip se disting mai multe variante de ritm cuprinse in denumirea de bandă.
 Ritm alfa (α) – cu frecvența 8 -13 Hz
 Banda alfa :
– Alfa lent;
– Alfa rapid;
– Alfa variant lent;
– Alfa variant rapid;
– Afla tip M(minus);
– Alfa ascuțit
 Ritm beta (β) – cu frecvența 14 -30 Hz
* Banda beta:
– Ritm µ sau în formă circulară( en arceaux );
– Ritmurile rapide fusiforme produse de medicație;
– Frecvențe rapide difuze;
– Ritmul sigma (σ) – fusurile sigma de somn;

Figura 1.7: Ritmurile Alfa(Alpha) și Beta, de la stânga la dreapta(frecvențele în partea de sus a
imaginii, formele de undă în partea de jos)

 Ritm teta (θ) – cu frecvența 4 -7.5 Hz
* Banda teta:
– Ritmul kappa (κ);
– Teta ascuțit
– Teta hipersincron;
– Teta funcțional posterior;
– Ritmul iota (ι) 14/6 Hz

 Ritm delta (Δ) – cu frecvența de 0.5 -3 Hz
* Banda delta:

12
– Undele π;
– Ritm delta posterior funcțional;
– Hipersincronism lent fiziologic.

Figura1.8: Ritmul Delta(formă de undă și frecvența)

1.2 Tendințe în studiul EEG – Interfeț e Creier -Calculator

O interfață creier -calculator (se va folosi în continuare prescurtarea BCI – eng: Brain –
Computer Interface ) folosește activitatea cerebrală pentru a activa diverse mecanisme
electronice sau mecanice. Astfel, se poate vorbi de restaurarea motricității în caz ul
persoanelor cu handicap prin transmiterea de semnale generate de creier către anumite grupe
musculare(în cazul în care comunicația pe cale neuronală mai este posibilă) sau către diverse
dispozitive protetice.
Se diferențiază două tipuri de astfel de in terfețe: invazive și non-invazive . Cele
invazive folosesc semnale prelevate de micro sau macroelectrozi implantați la nivel cerebral,
spre deosebire de cele non -invazive, ce înregistrează activitatea cerebrală cu ajutorul unor
senzori montați în afara corpului.
Studiind istoria acestei metode, putem stabili ca primă piatră de hotar studiile efectuate
de Hans Berger(1929), pionierul testării EEG la subiecți umani. Un alt nume important pentru
acest domeniu este Grey Walter, cel care a descris contingent ul de variație negativă, adesea
numit „ unda expectativă ” și a construit primul analizor automatizat de frecvență cu intenția de
a distinge gândurile și limbajul ascuns din electroencefalograma umană(1964).
BCI-urile actuale au o rată de transfer cuprinsă în intervalul 5 -25 biți/minut. Se
urmărește deci, îmbunătățirea situației actuale, fapt pentru care este necesară dezvoltarea
următoarelor zone de interes:
 Achiziția semnalelor – metode pentru a reduce zgomotele și interferențele ce pot
apărea, precum și c ombinarea optimală a tipurilor de date spațiale și temporale.
 Co-learning – Optimizarea legăturii om -calculator, utilizând răspunsul organismului
uman la contactul cu diversele sisteme folosite(feedback).
 Paradigmele experimentale pentru semnalele citite – maparea corectă a fiecărui tip de
cerință/activitate cerebrală la nivelul creierului

13
 Înțelegerea algoritmilor și modelelor din punctul de vedere neurobiologic – Facem
referire aici la posibilitatea creării unor modele predictive ce ar putea simula destul de
fidel comportamentul uman.
Structura unei interfețe Creier -Calculator, poate fi reprezentată schematic, conform
următoarelor principii, evidențiate în figura 1.9:

Figura 1.9: Structura schematică a unei Interfețe Creier -Calculator – Achiziția semnalel or,
Preprocesare,Clasificarea Semnalelor, Interacțiunea Creier -Calculator

1. Achiziția semnalelor(fig. Brain Signal Aquisition) – Semnalele EEG sunt prelevate
de la nivelul creierului prin metode specifice(electrozi), apoi sunt amplificate și
sortate(detalier ea acestui pas este prezentată în cadrul capitolului de prezentare a
procedeului electroencefalografic).
2. Pre-procesarea Semnalului(fig. EEG Signal Pre -Processing) – „Curățarea”
semnalelor, referitor la înlăturarea artefactelor(detalii în capitolul de pre -procesare
a datelor)
3. Clasificarea Semnalelor(fig. EEG Signal Classification) – După eliminarea
artefactelor, scopul unei structuri BCI este clasificarea semnalelor
electroencefalografice pentru a putea afirma căror acțiuni mentale le corespund .
4. Interacțiune a cu Calculatorul(fig. Computer Interaction) – Odată clasificate,
asupra semnalelor EEG se vor aplica diverși algoritmi, adecvați diverselor cerințe
și utilizări impuse interfeței respective.
1.2.1 Semnale neuropsihologice folosite în aplicații BCI
Principalele tipuri de semnale neuropsihologice sunt generate de una dintre
următoarele: metode de implantare(invazive), potențiale evocate(cunoscute ca și potențiale
generate de diverse evenimente), și potențiale condiționate. Ultimele două categorii sunt
folosite în studii non -invazive, fiind culese de electrozi plasați la nivelul scalpului
În continuare se prezintă ultimele cercetări în domeniu asupra unor interfețe creier –
calculator non -invazive, pentru a urmări posibilitățile de dezvoltare bazate pe răspunsul
natural(fără stimuli electrici) al cortexului uman.
Se folosesc astfel semnalele neuropsihologice cunoscute drept potențiale evocate și
semnalele condiționate. Ultima categorie se referă la o metodă de schimbare a
comportamentului normal prin utilizarea contingenței dintre un stimul discriminativ,
răspunsul pacientului și o condiție de forțare care să determine schimbarea comportamentului

14
în cazul unor stimulări similare ulterioare. Această metodă prezintă dezavantajul de a obosi
pacienții care încearcă pentru un timp îndelungat controlarea reacțiilor.
Potențialele Evocate( eng. Evoked Potentials EP s )- sunt potențiale cerebrale care
coincid cu apariția unui stim ul senzorial extern. Componentele exogene, acelea influențate în
primul rând de proprietățile stimulilor fizici, au loc, în mod normal, la circa 200 de
milisecunde de la apariția stimulului. Aceste componente includ o formă de undă negativă ce
apare la apr oximativ 100 ms(N1) și o formă de undă pozitivă la 200 ms (P2) de la stimulare.
Se pot încadra în categoria potențialelor evocate acelea datorate stimulării vizuale
(Visual Evoked Potentials VEPs ). Acestea au fost studiate Chapman, Bragdon și Sutton el
al. 7 , cei care au descoperit concomitent exitența unui vârf de undă (P3) la aproximativ 300
ms de la apariția stimulului. Acest lucru este important datorită consecvenței în apariție chiar
și în cazurile subiecților în stare de paralizie totală/parțială(Farw ell și Donchin – Illinois) 8 .

Figura 1.10: Potențialul evocat P3. Linia continuă reprezintă forma generală a
componentei P3 din potențialele evocate.
Linia punctată este răspunsul general al creierului în cazul lipsei unui stimul

15
Tabelul următor prezintă principalele semnale culese prin metoda
electroencefalografică, ce pot fi folosit e în aplicații BCI non -invazive 6 :
Denumirea semnalului Descriere
Unde µ și α condiționate de
subiect – ritm senzorimotor –
SMR Unda µ este o undă EEG spontană, cu frecvența de 8 -12
Hz asociată cu activitățile motoare și prelevată în
principal din cortexul senzorimotor. Unda α se prelevă
din cortexul occipital și are frecvență asemănătoare.
Amplitudinile undelor, în ambele cazuri pot fi modificate
prin antrenarea raspunsului biologic( Biofeedback
training )
Sincronizarea/Desincronizarea
cauzată de eveniment –
condiționată de subiect ( Event –
Related S/D – ERS/ERD ) Creșteri/descreșteri în benzi de frecvență la nivelului
cortexului motor. Pacienții pot fi antrenați să schimbe
amplitudinile anumitor unde din anumite benzi de
frecvență.
Potențiale corticale lente( slow
cortical potentials – SCP) –
condiționate de subiect Schimbări majore pozitive sau negative în semnalul EEG,
ce pot dura de la 300 ms până la câteva minute. Pacienții
pot fi antrenați prin intermediul biofeedback -ului să
producă aceste schimbări în semnalele
electroencefalogramelor proprii.
Componenta P3 a EP(Potențiale
Evocate) O schimbare (vârf de undă) apărută la 300 -400 ms de la
acțiunea stimulului. Aceast fenomen este întâlnit în
principal în zona central -parietală a cortexului. Este o
undă ine rentă, nu este nevoie de antrenament pentru
producerea ei.
VEP -uri cu latență scurtă Apare la vederea pentru scurtă durată a unui stimul
vizual. Localizare – regiunea occipitală. Răspuns automat,
nu este nevoie de antrenament.

Tabelul 1.1: Semnale EEG ut ile în aplicații BCI

1.2.2 BCI non -invazive pentru comunicare în cazul paraliziei
Scleroza Amiotrofică Laterală ( ALS), de asemenea cunoscută ca și boala Lou Gehrig
se caracterizează printr -o pierdere(reducere) a anumitor celule nervoase ale creierului și
măduvei spinării, denumite neuroni motori, ce au rolul de a comanda mușchii în cazul
mișcărilor voluntare. Afectarea funcțiilor senzoriale și cognitive este minoră î n cazul acestei
boli(Norris, 1992). Boala este progresivă, invalidantă, fatală. Nu există tratament pentru acest
tip de afecțiune, pacienții fiind nevoiți să accepte respirație și alimentație artificială, după ce
boala distruge neuronii aferenți comandării acestor funcții. Dacă se optează pentru această
variantă, boala progresează până când pacientul pierde controlul asupra ultimelor răspunsuri
musculare, de obicei cele aferente mițcărilor oculare. Starea rezultantă, o paralizie generală se
numește Complete ly Locked -in State(CLIS) . Dacă un singur mușchi este activ, vorbim despre
Locked -in State(LIS). Alte afecțiuni ce pot conduce la o stare LIS sunt atacul subcortical, sau
alte leziuni severe ale creierului, sindromul Guillain Barre, cazuri rare de Parkinso n, precum
și scleroza multiplă( MS).
Bazându -se pe experiența vastă în domeniul clinic și studii efectuate în domeniul
potențialelor corticale lente -SCP (prezente în membranele dendritelor), Birbaumer a dezvoltat

16
un BCI dedicat pacienților diagnosticați c u ALS. Ca și în cazul celor diagnosticați cu
epilepsie, prima fază a fost antrenare subiecților pentru a produce potențiale corticale lente –
SCP, la auzul unei comenzi. Aceștia își puteau urmări progresul, primind feedback pozitiv la
atingerea amplitudinil or impuse. După obținerea unei rate de control mai mare de 70%, le
sunt prezentate pe un ecran litere sau cuvinte. Pacienții au ales litera cerută în test prin crearea
de SCP -uri la apariția acesteia(Birbaumer, Hinterberger, Kubler, Neumann 1999 -2005).
Treizeci și doi de pacienți cu ALS au fost antrenați să folosească aceste sisteme – la care se va
face în continuare referire drept SCP -BCI. Șapte dintre acești pacienți au atins starea LIS și au
fost capabili să utilizeze SCP -BCI. Alți șapte au început să fie antrenați pentru folosirea
acestui sistem după intrarea în stare CLIS, nici unul nereușind să continue cu succes folosirea
sistemului. Într -un singur caz, a existat o comunicare de scurtă durată, dar s -a pierdut
controlul după doar două sesiuni.
În conse cință, problema în cazul SCP -BCI este durata de antrenare a pacienților.
Aceasta se face la domiciliu, cu ajutor specializat, partea negativă fiind viteza redusă cu care
pacienții pot genera comenzi prin generare de SCP. Aceasta nu este însă o problemă, în trucât,
în cazul pacienților aflați într -o stare avansată a bolii(respirație artificială), toate eforturile
cognitive și emoționale s -au îndreptat spre realizarea comunicării(Birbaumer, Strehl,
Hinterberger, 2004).
În tot acest timp, la New York, Wolpaw ș i asociații realizau o serie întreagă de
experimente cu persoane sănătoase, folosind SMR în locul SCP pentru a stimula activitatea
cerebrală. Într -un grup de pacienți, dintre care doi cu leziuni la nivelul măduvei spinării,
Wolpaw și McFarland(2004) au dem onstrat posibilitatea de control multidimensional a unui
cursor, durata de antrenare pentru acest test fiind mult mai mică decât în cazul SCP.
Flexibilitatea, viteza și ușurința cu care se putea folosi această metodă este comparabilă cu
datele obținute în cazul unei stimulări invazive testate pe animale.
Cele două grupuri de cercetători și -au unit ulterior forțele într -un proiect destinat
comparării fezabilității sistemelor SCP -BCI, SMR -BCI și P300 -BCI, dezvoltat de Farwell și
Donchin în 1988. Cercetarea s -a făcut pe șapte subiecți suferinzi de ALS, în stare pre -LIS.
Rezultatele au fost clare: toți pacienții au atins performanțe suficiente(precizie de peste 70%)
folosind sistemul SMR -BCI, patru dintre ei cu P300, iar niciunul cu SCP -BCI. Se poate trage
conc luzia că pentru pacienții cu simțul vizual acut și posibilitatea mișcării globilor oculari,
cele mai bune rezultate se obțin cu SMR -BCI. Stabilitatea însă este maximă la folosirea SCP –
BCI în cazul pacienților care se află în stadiile finale ale ALS și care au avut parte de o
antrenare îndelungată. În Figura 1.11 sunt prezentate trei exemple de antrenare pentru fiecare
dintre cele trei tipuri de interfețe.
Perioadele lungi de antrenare, semnalele zgomotoase, atenția și asistența profesională
necesară la fi ecare pas, fac din posibilitatea realizării unui sistem invaziv care să rezolve
această problemă, o posibilitate atrăgătoare, chiar dacă doar la nivel teoretic.

17

Figura 1.11: Trei tipuri de Interfețe Creier -Calculator(BCI): A: BCI care utilizează potenți ale
corticale lente(SCP), figurate în partea de sus a imaginii. B: BCI care utilizează oscilații
din cortexul senzorimotor(dreapta -sus). În partea stângă a imaginii se află răspunsul la
testul de atingere a țintei folosind cursorul. C: P300 BCI: Rânduri și coloane de litere sunt luminate
pe rând, iar de fiecare dată cănd litera P este între ele, se poate observa răspunsul pe EEG (stân ga).

18
1.2.3 BCI folosit pentru restaurarea motricității
Continuăm exprimarea diverselor metode de folosire interfețelor creier -calculator non –
invazive cu prezentarea posibilității de restaurare a controlului asupra membrelor, în cazul
pacienților cu afecțiuni grave la nivelul coloanei vertebrale. Această aborda re a fost începută
și studiată de Pfurtscheller – 2005, cel care a fost primul care a testat și implementat interfețe
creier -calculator bazate pe SMR, pentru pacienți cu paralizii motoare. S -a făcut posibilă
alegerea și apucarea a diferite obiecte de către pacienți aflați în starea menționată. În acest fel,
s-a demonstrat utilitatea acestei tehnici, în comparație cu experimentele aclamate și lăudate,
efectuate prin metode invazive(implantarea de microelectrozi la maimuțe pentru a restabili
capacitățile motoa re).
Într-un experiment, Pfurtscheller, Neuper et al. folosesc semnalele SMR pentru a
activa electrozi de stimulare atașați membrelor paralizate ale unui pacient tetraplegic. Aceste
date sugerează că, folosind proteze inteligente, și feedback obținut în electromiogramă(EMG),
BCI-urile non -invazive promit rezultate excelente în reconstrucția motricității umane. Aceiași
autori au demonstrat ulterior că același tip de BCI poate fi folosit ca și modalitate de
comunicare în cazul unui pacient cu paralizie cere brală, chiar și din laboratoare specializate
aflate la distanță de locuința acestuia. Din nefericire, niciun pacient nu preferă această
modalitate, atâta timp cât pentru a controla proteze performante se poate folosi abilitatea de a
mișca mușchii feței sau ai umerilor. Se pare că aceste metode rămân dedicate doar celor care
suferă de afecțiuni foarte grave și paralizii severe.
Un alt obstacol în fața acestei metode este nevoia constantă de suport specializat și
monitorizare constantă. Spre exemplu, BCI -uri de tip non -invaziv permit comunicare verbală
redusă în cazul unor pacienți cu probleme grave, dar mișcările involuntare ale acestor pacienți
produc artefacte la nivelul electroencefalogramei, iar eliminarea acestora este o problemă al
cărei grad de dificu ltate atrage deseori indignarea celor care caută să comunice și se văd
nevoiți să aștepte eliminarea artefactelor pentru a se putea stabili o cale de dialog.
Birbaumer, Weber et al., împreună cu grupul de cercetători germani(Tubingen) au
dezvoltat în 200 6 un sistem BCI non -invaziv destinat cazurilor de accidente vasculare
cerebrale, menit să restabilească capacitățile motoare ale pacienților în cauză(ne referim la
pacienții ce nu prezintă capacități motoare reziduale în urma accidentului) . În acest sens, se
va folosi o proteză pentru mână controlată magnetoencefalografic(MEG).
În primele 10 -20 de sesiuni de antrenament cu echipamentul MEG,după ce pacienții
pot deschide, închide mână și apuca obiecte, se trece la conectarea pacientului la o interfață
creie r-calculator mobilă EEG -SMR, folosindu -se aceeași proteză. Rezultatele au fost foarte
bune, ajungându -se chiar la posibilitatea mișcării degetelor în mod individual(Braun,
Schweizer, Elbert, Birbaumer, Taub, 2000).
Principalul scop al antrenării cu MEG -BCI nu este neapărat acela de a restaura
proprietățile motorii în cazurile de atac cerebral, dar mai ales reorganizarea la nivelul
cortexului, astfel încât zonele neafectate să poată suplini în funcționare zonele afectate(Duque
et al., Murase, Mazzocchio, Cohen – 2004 -2005). Rezultatele sunt însă slabe în cazurile
grave, observându -se ca în momentul pierderii mobilității degetelor în cazul unor atacuri
cerebrale, nu sunt semne de recuperare spontane. O alternativă mai mult sau mai puțin

19
superfluă rămâne imp lantarea de electrozi la nivelul cortexului pentru a suplini lipsa de
activitate în zonele afectate iremediabile ale encefalului. Dar de la experimentarea pe animale,
până la aplicabilitatea pe subiecți umani este necesară încălcarea unor reguli morale asu pra
cărora mulți cercetători și membri ale unor organizații rămân încă sceptici și rezervați.

Figura 1.12: Interfață Creier -Calculator ce utilizează MEG pentru restaurarea capacităților motorii ale
mâinii unui pacient ce a suferit un atac cerebral.
Imaginea de sus: cursorul de feedback pentru pacient. Dacă ținta(dreapta) se află în josul imaginii, pacientul
trebuie să înregistreze o creștere a un delor senzorimotorii(SMR), iar dacă se află în partea dreapta -sus, este
necesară o descreștere a SMR.
Imaginea inferioară: Situație experimentală în care degetele sunt fixate unei proteze ce strânge și deschide mâ na.

20
În concluzie , Interfețele Creier -Calculator sunt menite să acorde veridicitate expresiei
„De la gânduri la fapte”, folosind doar activitatea creierului. Cercetarea acestui domeniu a
ridicat multe probleme și paradigme despre relația creier -comporta ment, sau creier -reacții.
Obiectivul final nu este încă atins în acest domeniu: comunicarea cu cei complet
paralizați(CLIS), dar cu fiecare pas,acesta pare și mai aproape de realizare.

21
2. Preprocesarea datelor EEG

Urmărind lucrul procesarea datelor EEG pe calculator, una dintre cele mai importante
probleme pe care le întâlnim este calitatea datelor cu care se lucrează. În acest sens, diferite
forme de undă de interferență(ce poartă denumirea uzuală de artefacte în acestă specialitate),
pot influența negativ performanțele cerute, afectând claritatea și concizia datelor cu care se
lucrează. Aceste artefacte reprezintă potențiale electrice care nu își au originea la nivelul
creierului. Uzual, se consideră patru surse pr incipale ale apariției artefactelor:
1. Echipamentul folosit pentru înregistrarea EEG
2. Interferențe electrice din afara sistemului de înregistrare
3. Firele de legătură și electrozii
4. Subiectul supus investigației: bătăile inimii, mișcări ale ochilor,etc.
În cazu l unei inspecții vizuale, aceste artefacte se pot observa cu ușurință de către
persoanele calificate în studiul electroencefalogramei. Pe de altă parte, considerându -se o
analiză automatizată, aceste semnale crează deseori posibilitatea unei clasificari gr eșite a
semnalelor EEG propriu -zise, provocând deci probleme la utilizarea unor astfel de sisteme
automatizate pentru uz clinic.
Recunoașterea și eliminarea acestor artefacte în cazul unor înregistrări în timp real
reprezintă deci o problemă vitală pentru aplicabilitatea și dezvoltarea de sisteme performante.
Cercetările anterioare în domeniu au dezvăluit faptul că cele mai severe artefacte sunt
generate de mișcări ale pleoapelor și mișcări ale globilor oculari. Valoarea diferenței de
potențial electric între cornee și retină este de aproximativ 100 mV, ceea ce afectează în
principal înregistrările EEG din electrozii plasați frontal(Fp1, Fp2, F3,F4,F7 și F8). Se induc
astfel multe frecvențe înalte și joase, depinzând de tipul de mișcare efectuată(clipire,
schimbarea direcției de privire). Acest lucru este prezentat și în imaginile următoare:

Figura 2.1: Formă de undă EEG fără artefacte, prelevată de un electrod plasat frontal și spectrul de frecvență
al acesteia

22

Figura 2.2: Artefact cauzat de clipire ce corupe forma de undă prelevată de un electrod plasat frontal
(spectrul de frecvență rezultat – dreapta)

Figura 2.1 arată o undă EEG care nu este afectată de
prezența unui artefact, prelevată de un electrod plasat
într-o poziție standard frontală(Fp 1 sau Fp 2) alături de
spectrul acesteia. Figura 2.2 arată același tip de undă
afectată de o clipire a subiectului și cum influențează
acest lucru atât forma de undă, cât și spectrul de
frecvență.
Figura 2.3 arată modul în care același tip de artefact
(cauzat de clipire) afectează formele de undă prelevate
de diferiți electrozi. Este ușor de observat cum că cele
mai afectate forme de undă sunt cele din Fp1, Fp2,
urmate de F7, F8.
Într-o situație clinică, astfel de artefacte sunt
detectate și rejectate la analizarea
electroencefalogramei. Figura2.3: Artefact în înregistrare EEG

Criteriul de recunoaștere a artefactelor este simplu, ceea ce facilitează găsirea unei
metode adecvate de „curățare” online a înregistrării. Astfel, în cazul unui semnal afectat de
artefacte, putem considera:
 Amplitudinea mare a formelor de undă Delta(0.5 – 4 Hz) în cazul
canalelor Fp1, Fp2
 Similaritatea semnalului din Fp1, Fp2
 Diferența mare de amplitudine a undelor Delta în Fp1, Fp2, compara tiv cu
celelalte canale.

23
Se poate face o clasificare a metodelor de detecție și înlăturare a artefactelor, astfel:
1. Metode de rejecție – se referă la înlăturarea înregistrărilor corupte, bazată fie
pe detecție automată, fie vizuală. Succesul acestor metode depinde de calitatea
detecției, cât și de tipul aplicației pentru care este folosită
înregistrarea(exemplificând, pentru aplicații pentru depistarea epilepsiei sau de
tip polisomnografic -sleep scoring – nu se poate renunța la părți din
înregistrare, toate fiind absolut necesare pentru calitatea și veridicitatea
rezultatelor; în altă ordine de idei, la crearea unei interfețe creier -calculator –
BCI- astfel de tehnică este recomandată )
2. Metode de substracți e – se bazează pe presupunerea că semnalul EEG măsurat
este o combinație liniară a unui semnal EEG pur(neafectat de artefacte) și un
semnal cauzat de mișcarea ochilor, ce se poate studia cu ajutorul unei
electrooculograme (EOG). Semnalul EEG nealterat este astfel obținut prin
eliminarea semnalului EOG din cel EEG înregistrat, folosind metode și ponderi
adecvate fiecărui canal(acest tip de artefact afectează în principal canalele
frontale).
De curând, noi metode, bazate pe conceptul de blind source separati on BSS , au fost
propuse pentru a separa activitatea cerebrală de altele în cazul unei înregistrări EEG
spontane. 9
În cele ce urmează, se consideră patru tehnici folosite pentru îndepărtarea artefactelor
din înregistrările EEG, conform aplicații ce se bazea ză pe aceste înregistrări. Prima dintre
acestea, se bazează pe BSS și este denumită „Analiza Independentă a Componentelor” –
Independent component Analisys ICA – .Cea de -a doua este o metodă clasică de rejecție, a treia
prezintă o tehnică de recunoaștere a artefactelor bazată pe rețele neurale, iar ultima este o
metodă de rejecție folosind un filtru FIR( finite impulse response ).

2.1 Eliminarea artefactelor EEG prin Analiza Independentă a Componentelor( ICA blind
source separation)
Analiza Independentă a Componentelor(ICA) este o metodă nouă folosită pentru
îndepărtarea artefactelor în cazul înregistrărilor EEG, ce a depășit în termeni de
performanțe(referitor la acuratețe) clasica Analiză a Componentelor Principale(PCA) în
diverse aplicații. În particular , a fost aplicată cu succes pentru a îndepărta artefactele datorate
mișcărilor oculare, acolo unde PCA nu putea separa artefactele de înregistrări ce reprezentau
potențiale ale activității cerebrale, datorită amplitudinilor comparabile ale celor două.
Metoda ICA presupune existența a n semnale ce reprezintă combinații liniare de m
surse independente de semnal necunoscute. La momentul de timp i , vectorul observat n –
dimensional de date x(i)= 𝑥1 𝑖 …𝑥𝑛 𝑖 , este dat de relația:
𝑥𝑘 𝑖 = 𝑎𝑘𝑗∗𝑠𝑗(𝑘)𝑚
𝑗=1 (2.1)
x(i) = A s(i) (2.2)

24
Unde atât sursele independente de semnal s(i)= 𝑠1 𝑖 …𝑠𝑛 𝑖 , cât și matricea de
amestec A=𝑎𝑘𝑗 sunt necunoscute. Alte condiții pentru a avea o soluție sunt:
1. n=m : exist ă cel puțin la fel de multe combinații câte surse independente de
semnal.
2. Maxim una dintre aceste surse poate fi de tip Gaussian
Pornind de la aceste principii, algoritmul ICA caută o soluție de forma:
𝒔 𝑖 =𝐵∗𝒙(𝑖) (2.3)
Unde B este numită matrice de separare.
Cercetări recente, precum cele făcute de Jung et al.(2000) , au condus la posibilitatea
de separare a semnalelor EEG nealterate, din înregistrări afectate de multiple tipuri de
artefacte.
Această metodă are următoarele avantaje:
1. ICA s epară semnalele EEG, inclusiv artefactele în componente
independente, bazându -se pe caracteristicile datelor, fără a se baza pe
disponibilitatea unuia sau mai multor semnale „curate”, de referință, pentru
fiecare tipologie de artefact.
2. Metodele de îndepăr tare a artefactelor bazate pe ICA pot păstra datele EEG
în totalitate, lucru de o importanță crucială pentru cazurile în care cantitatea
de date este limitată sau acestea sunt în totalitate signifiante pentru analiza
în cauză.
3. Spre deosebire de metodele de rejecție, metoda ICA păstrează datele
prelevate de toate canalele(toți electrozii plasați pe scalp), inclusiv cele
frontale și perioculare.
Există și anumite dezavantaje și limitări ale acestei metode de procesare a datelor
EEG, dintre care amintim:
1. ICA p oate descompune cel mult N surse din N electrozi plasați pe scalp. Se
menționează acest lucru datorită faptului că activitatea cerebrală observată
pe o electroencefalogramă este generată de mai multe entități decât
electrozi folosiți în realizarea înregis trării.
2. Asumpția de independență temporală folosită de ICA nu poate fi satisfăcută
în cazurile unor seturi de date reduse.
3. ICA presupune că sursele fizice de activitate neuronală și sursele
artefactelor sunt staționare în timp. În realitate, nu este niciun motiv pentru
care s -ar crede că sursele de artefacte și cele de semnale cerebrale rămân
staționare în timp.
4. Volumul de calcul mult mai mare decât o metodă tradițională de rejecție.

25
2.2Îndepărtarea artefactelor EEG bazată pe eliminarea valorilor de vârf
Prezența artefactelor în cazul înregistrărilor EEG produce o creștere rapidă a energiei
în locațiile frontale Fp1 și Fp2. Metoda aceasta constă în analizarea acestor două canale cu
ajutorul unor mici ferestre suprapuse, în vederea comparării energiei acest or două semnale cu
o energie de prag, datorată clipirii. În cazul depășirii acestei valori de prag, probele sunt pur și
simplu eliminate din înregistrarea EEG respectivă.
În ciuda principiului simplu al acestei metode, rezultatele obținute au fost
satisfă cătoare, astfel încât a fost opțiunea folosită inițial în cazul unor Interfețe Creier –
Calculator (BCI). Este destul de facil de implementat pe o platformă de procesare a
semnalului de complexitate redusă. Această metodă prezintă dezavantajul de a rejecta ș i
semnale valide, provenite din celelalte canale(nu cele frontale), semnale care ar putea conține
informații importante.

2.3 Recunoașterea artefactelor cauzate de clipire cu ajutoru l Rețelelor Neurale(Neuronale)
Artificiale – ANN – Artificial Neural Networ ks
Metoda prezentată în 10 folosește o abordare bazată pe principiul Rețelelor
Neurale(completări și detalii în capitolele următoare) pentru a găsi artefacte în înregistrări
EEG. Intrarea ( input -ul) pentru rețeaua neurală folosită nu este semnal eșantion at din
înregistrare, ci diferiți coeficienți calculați pentru o fereastră de o secundă de semnal, ce
exprimă proprietăți caracteristice pentru artefacte cauzate de clipire.
În studiul efectuat, s -au creat 41 de coeficienți pe baza cunoștiințelor autorilor , dintre
aceștia alegându -se 14, pe principii de sensibilitate si corelație în legătură cu recunoașterea
coerentă și corectă a artefactelor. S -a folosit un set de antrenare foarte mare –coeficienți
pentru 27000 de ferestre – conținând diferite tipuri de art efacte cauzate de clipire. Apoi, trei
algoritmi de clasificare au fost comparați ca performanțe: k-neighbours, RBF networks și
back -propagation . Cea mai mică eroare de clasificare – 1.40% – s-a obținut prin folosirea
rețelei de tip back -propagation , pentr u 6227 de ferestre cu durata de două secunde.
În concluzie, această metodă obține rezultate foarte bune, datorită următorilor doi
factori:
 Folosirea unui set mare de date pentru antrenare, constând în diferite forme de undă
EEG
 Folosirea cunoștințelor exp erților în domeniu pentru a crea coeficienții potriviți
intrărilor rețelei, ce exprimă caracteristicile artefactelor.

Din nefericire, primul dintre acești factori înseamnă inaplicabilitatea lor în cazul unei
Interfețe Creier -Calculator(BCI).

26
2.4. Rejecția artefactelor folosind filtre trece -banda de tip FIR(Finite Impulse Response)
Această metodă propusă de Gupta et al. 10 folosea un filtru trece -bandă de tip FIR,
urmat de implementarea unuei valori de prag determinată de fiecare dintre subiecți la
fenomenul de clipire, urmărind să îndepărteze artefactele determinate de clipire și mișcări
oculare. În cele ce urmează, schema acestei metode(Figura 2.4):

Figura 2.4 : Schema sistemului propus de Gupta pentru rejecția artefactelor determinate de clipire și mișcări
oculare

Pașii de funcționare:
1. Trecerea probelor EEG nealterate EEG obținute dintr -un convertor analog –
numeric(CAN) printr -un filtru trece -banda (BPF)
2. Determinarea valorii de prag pentru fenomenul de clipire(Vt), corespunzător fiecărui
subiect testat. Acest test constituia antrenarea scurtă premergătoare efectuării testului.
3. Compararea valorii absolute(în modul) a valorii din datele EEG, cu valoarea Vt.
4. Dacă se observă depășirea aceste valori, se îndepărtează N probe din vecinătatea
valorii care a depășit Vt(N/2 în stânga și în dreapta)
5. Translația(shiftarea) următoarelor N probe pentru a umple golul obținut de eliminarea
efectuată anterior. Această operație nu poate fi trecută cu vederea, datorită distorsiunii
grosiere a spectrului de val ori pe care ar produce -o.
Experimentele făcute folosind această metodă, aplicate pe canalele Fp1 și Fp2, au condus
la rezultate satisfăcătoare în rejecția artefactelor cauzate de clipire și mișcări oculare. Metoda
are avantajul de a fi relativ ușor de impl ementat și în același timp fără a avea costuri ridicate,
cu ajutorul unui procesor de semnale, pe un sistem în timp real.
Problema apare atunci când rata de clipire este nenatural de mare, în testele
premergătoare, antrenarea durând 30 de secunde, ceea ce înseamnă, în medie șase clipiri
pentru un subiect normal.

27
3. Procesarea Semnalelor EEG
Studiul computerizat al electroencefalografiei oferă noi posibilități de folosire ale
datelor înregistrate ce reflectă activitatea cerebrală umană. Comparativ cu
electroencefalografia clasică, acesta oferă noi perspective în domeniu, prin folosirea
informației biologice(interpretată în semnale EEG pentru cazul de față) în diverse aplicații.
Procesarea semnalelor EEG este o bază a noilor direcții de dezvoltare pentr u domenii de
interes precum interfețele creier -calculator(BCI), studiul polisomnografic automatizat, etc.
3.1. Modelarea Semnalelor
Referindu -ne la modelarea semnalelor EEG, cu alte cuvinte la exprimarea realității
biologice prin intermediul unor modele m atematice sau fizice, putem afirma că începuturile
modelării activității cerebrale sunt determinate de lucrarea distinsă cu Premiul Nobel în 1952
aparținând lui Hodgkin și Huxley. Cei doi au prezentat un model al unui axon neuronal
aparținând unei specii de caracatiță ce poate fi stimulat de activarea ionilor de Sodiu(Na+) și
Potasiu(K+) aflați în vecinătatea neuronului respectiv, model care descrie un comportament
similar cu realitatea biologică. Figura 3.1 înfățisează acest model:

Figura 3.1: Modelul d e excitație Hodgkin -Huxley. Curentul membranar ce stimulează axonul este obținut prin
însumarea curentului de stimul cu cel ionic(Na, K, curenți intermediari – leak)
Revenind la interesul acestei lucrări de a prezenta metode de procesare a semnalelor
utilizate în practica și cercetările actuale, se pot considera două tipuri de modele ale
reprezentării semnalelor biologice cerebrale:
3.1.1 Modele liniare stochastice
Sunt modele bazate pe fenomenologie, din moment ce nu este încorporată informație
biologic ă sau fiziologică. Cu alte cuvinte, aceste modele nu explică mecanismele ce stau la
baza apariției fenomenelor. Este luată în considerare eficiența computațională a acestor
metode, iar folosirea acestui tip de model se pretează în special la diagnoza unor condiții
patologice precum epilepsia. În acest sens, în continuare sunt prezentate principiile a două
astfel de modele aplicabile semnalelor EEG, ARMA(Auto -Regressive Moving Average) și
AR(Auto -Regressive).

28
Modelul ARMA
(3.1)
Aplicând transformata z:
(3.2)
Cunoscând parametrii polinoamelor A(z) și B(z) putem deduce spectrul de putere al
înregistrării ca fiind:
(3.3)
Caracteristicile EEG evidențiate de această relație sunt date de rădăcinile și polii ecu ației, ce
reprezintă vârfuri și respectiv valori de minim după cum sunt indicate în figura 3.2:

Figura 3.2: Caracteristici EEG evidențiate prin modelul ARMA
Modelul AR
q=0, 𝑏0=1 , deci:
(3.4)
Unde: 𝑎𝑘 sunt reprezentări compacte ale stadiilor EEG și conțin informații legate de spectrul
de putere; p determină numărul de vârfuri prezente în spectrul de putere al modelului AR.
Această relație este valabilă în cazul semnalelor staționare.

29

Valorile a sunt obținute prin rezolvarea ecuației matriceale liniare: 𝑋𝑖𝑎=𝑥0, iar soluția este :
𝒂= 𝑋𝑖𝑇𝑋𝑖 −1𝑋𝑖𝑇𝑥0. Avantajul este efortul de calcul mai scăzut decât în cazul modelului
ARMA.
Considerând un model AR variabil în timp(cazul semnalelor nestaț ionare), relația modelului
devine:
(3.5)
În consecință, 𝑎𝑘(𝑛) trebuie estimat de un algoritm adaptiv.
3.1.2 Modele neliniare
Scopul acestora este de a face înțeles mecanismul(principiul) de generare a semnalelor
cerebrale. Cu alte cuvinte, de a exprima fenomenele ce se întâmplă la nivel neuronal. Pentru
aceasta este nevoie de înțelegerea fenomenului după care neuronii interacționează. Bazele
acestui studiu datează din anii 70, pornind de la modelul neliniar al unui neuron cortical,
evoluând la studiul interacțiunilor între diferite tipuri de populații neuronale, în scopul
depistării atacurilor cerebrale.

3.2 Analiza spectrală a înregistrărilor EEG
Caracterul complex al înregistrării EEG și cantitatea de informație ce poate fi
interpretată por nind de la acest tip de înregistrare, își găsesc o aplicabilitate largă în domeniul
biomedical și implicit, cel al ingineriei medicale. Pentru a putea utiliza toată informația
disponibilă în cadrul unei înregistrări EEG trebuie să analizăm fiecare componen tă a acesteia.
Punctul de început pentru analiza spectrală EEG datează din 1932, când Dietch a folosit
Transformata Fourier pentru a studia semnalele EEG.
3.2.1 Transformata Fourier
În secolul 19, matematicianul francez J. Fourier a demonstrat faptul că orice funcție
periodică poate fi exprimată ca o sumă infinită de funcții periodice exponențiale de numere
complexe. Cu mulți ani după această descoperire, s -a demonstrat că proprietatea descoperită
de Fourier este aplicabilă și funcțiilor ne -periodice, pr ecum și semnalelor periodice și ne –
periodice. În urma acestor demonstrații, transformata Fourier a devenit o metodă
computațională cu multiple aplicații în diferite domenii. Un alt pas important în amplificarea
notorietății Trasnformatei Fourier a fost int roducerea, în 1965, a Transformatei Fourier
Rapidă( Fast Fourier Transform – FFT).
Definiția TF este :
𝐹 𝜔 = 𝑓(𝑡)𝑒−𝑗𝜔𝑡𝑑𝑡∞
−∞ (3.6)
𝑓 𝑡 = 𝐹(𝜔)𝑒𝑗𝜔𝑡𝑑𝜔∞
−∞ – inversa (3.7)

30
Astfel, în relația 3.6, cantitatea de sub integrală corespun de tuturor instanțelor
temporale, dat fiind domeniu de definiție de la minus la plus infinit în domeniul temporal. De
aceea, TF nu este adecvată situațiilor în care frecvența semnalului variază(semnale
nestaționare). Aceasta înseamnă că TF poate furniza in formații despre prezența sau absența
unei anumite frecvențe, informații ce nu depind de momentul temporal al apariției frecvenței
respective.

Figura 3.3: Transformata Fourier aplicată tuturor semnalelor EEG(jos). Se observă acțiunea zgomotului cu
frecvența de 50 Hz asupra semnalelor(artefact determinat de funcționarea defectuoasă a unui electrod)

31
Având în vedere cele prezentate, D. Gabor a introdus în 1946 o reprezentare liniară
timp-frecvență, ca o adaptare a TF, numită Transformata Fourier pe Timp Scurt(Short Time
Fourier Transform – STFT). Principiul acesteia este împărțirea semnalului în segmente
suficient de mici, astfel încât pe aceste segmente, semnalul să poată fi considerat staționar. În
consecință, se impune alegerea unei fereastre, care să încadreze intervalul în care semnalul
este staționar. Matematic, STFT se exprimă astfel:
𝑆𝑇𝐹𝑇 𝑙,𝜔 = 𝑓 𝑡 𝑤(𝑡−𝑙) 𝑒−𝑗𝜔𝑡𝑑𝑡𝑡 (3.8)
Unde w este funcția fereastră.
Majoritatea metodelor utilizate în procesarea semnalelor EEG, liniare sau nel iniare,
presupun staționaritatea semnalelor, în ciuda faptului că, în realitate, informația procesată de
creier este reflectată în schimbări dinamice ale activității acestuia.

3.2.2 Analiza spectrală comprimată(Compressed spectral analysis – CSA)
Este o extensie a Transformatei Fourier, în spațiu tri -dimensional(3D). Spectrul
fiecărei instanțe este sortat de -a lungul axei timpului pentru a oferi o viziune comprimată a
comportamentului semnalului EEG. În figura 3.4 este prezentată CSA pentru patru electr ozi,
iar dreptunghiurile evidențiate în figură indică prezența unui artefact cauzat de clipire.

Figura 3.4: Folosirea CSA pentru detectarea unui artefact cauzat de clipire

32
3.2.3 Undine(Wavelet – eng. Wavelet Transform)
Undina este un tip de funcție f olosit pentru a împărți o anumită funcț ie sau semnal î n
componente diferite de timp -frecventa. Acestea pot fi studiate la o rezoluț ie corespunzatoare
scalei undinei . Prin transformata în undine se înțelege reprezentarea unei funcții cu aju torul
undinelor .
Undinele reprezin tă copii scalate și translatate ale unei unde oscilante de
lungime finită. Aceste copii sunt cunoscute sub denumirea de undine copil, în timp ce undele
inițiale poartă numele de undine mamă .Spre deosebire de transformata Fourier, transformata
în undine conferă po sibilitatea de a reprezenta funcț ii ce au discontinu ități și/sau vârfuri
ascuț ite. Un alt avantaj î l constitu ie capacitatea de a descompune (analiza) ș i reconstrui
(sintetiza) semnale neperiodice și/sau nestaț ionare.
Transform ările wavelet(în undine) sunt clasificate în transformă ri wavelet discrete
(DWT) și transformări wavelet continue (CWT). Î n timp ce transformă rile continue
pot acționa asupra oricărei translaț ii sau scală ri, transformările discrete folosesc o submulțime
specifică de valori pentru aceste operaț ii.
O „undină” este o funcție care satisface următoarele condiții în domeniul timp:
 Prezintă o creștere bruscă și finită a energiei – condiția care face undina să fie bine
localizată în timp
 Prezintă oscilații – condiț ia ce oferă undinei caracterul de „undă”.
Următorii doi operatori explică, din punct de vedere matematic , condițiile exprimate
anterior:
 Operatorul de translație
(3.9)
 Operatorul de dilatație(scalare)
(3.10)
Referitor la operatorul de scalare, având în vedere valoarea lui s putem afirma că dacă
valoarea absolută a lui s este mai mică decât 1, D este o contracție a lui f. În caz contrar, D
este denumită dilatare a lui f.
În figura 3.5, sunt reprezentate mai multe undine, în stânga aflându -se reprezentarea
lor în domeniul timp, iar în dreapta spectrul de amplitudini al Transformatei Fourier. Dilatarea
în domeniul timp, corespunzătoare unei valori s mai mare decât 1, atrage o reducere a
domeniului frecvențial. Principalul efect al acestei dilatații este translația în domeniul
frecvențial spre frecvențe mai mari. Acest efect este vizibil în figura 3.5.

33

Figura 3.5: Dilatațiile unei undine și spectrul de amplitudini ale acestora
Transformata continuă undine( Conti nuous Wavelet Transform – CWT ) a fost definită
în 1992 de Daubechies astfel:
𝐶 𝑎,𝑏 = 𝑓 𝑡 𝜓𝑎,𝑏(𝑡)𝑑𝑡∞
−∞ (3.11)
Unde 𝜓𝑎,𝑏 𝑡 =𝑎1
2𝜓(𝑡−𝑏
𝑎) (3.12)
𝜓𝑎,𝑏 se numește undina mamă , iar a și b sunt operatori, de scalare și translație,
respectiv.
Transformata undine discretă ( Discrete Wave let Transform – DWT ) a fost definită de
Burros(1991) și reduce calculele dificile ale CWT. În relația următoare, f(n) este o funcție
discretă.
𝐶 𝑎,𝑏 =𝐶 𝑗,𝑘 = 𝑓 𝑛 𝜓𝑗,𝑘(𝑛) 𝑛∈𝑍 (3.13)
Unde 𝜓𝑗,𝑘 este o undină discretă definită ca: 𝜓𝑗,𝑘 𝑛 =2−𝑗
2 𝜓(2−𝑗𝑛−𝑘) (3.14)
Parametrii a și b sunt definiți 𝑎=2𝑗 ,𝑏=2𝑗𝑘. Transformata inversă este definită
astfel(Burros 1991)(3.15):
𝑓 𝑛 = 𝐶 𝑗,𝑘 𝜓𝑗,𝑘(𝑛) 𝑘𝑗 (3.15)
Pentru a putea fi utilă, este necesar ca DWT să aibă algoritmi computaționali rapizi,
atât pentru găsirea coeficienților a,b, cât și pentru reconstruirea funcției pe care o reprezintă.
Descompunerea liniară a semnalului în undine a fost o îmbunătățire considerabilă asupra
Transformatei Fourier pe Timp Scurt, permițând reprezentarea ortogonală, implementări

34
numerice rapide și descompunerea multirezolutivă a semnalelor. Descompunerea în undine
este utilizată deseori în aplicații cu semnale EEG. Exemplu de utilizare a undinelor(DWT) în
acest sens în figura 3.6.

Figura 3.6: Exemplu de undine folosite pe înregistrări EEG.
3.2.4 Metoda Hilbert -Huang
Pentru a descrie acest procedeu de analiză a datelor EEG se folosește noțiunea de
„metodă„ datorită faptului că la baza acesteia stau: Transformata Hilbert și Transformata
Huang(Descompunere Empirică). Se vor explicita în continuare cele două noțiuni și f elul în
care acționează asupra semnalelor EEG.
Transformata Hilbert pornește de la principiul exprimării analitice z(t) a unui semnal
real x(t), exprimare obținută astfel:
𝑧 𝑡 =𝑥 𝑡 +𝑖𝑦 𝑡 =𝑎(𝑡)𝑒𝑖𝜑(𝑡) (3.16)
Unde 𝑎 𝑡 = 𝑥2 𝑡 +𝑦2(𝑡) 12 (3.17)
𝜑 𝑡 =𝑎𝑟𝑐𝑡𝑎𝑛 𝑦(𝑡)
𝑥(𝑡) (3.18)
Iar a(t) și 𝜑 𝑡 reprezintă amplitudinea, respectiv faza instantanee a semnalului z(t).Pulsația
instantanee a lui z este dată de ω(t)=𝑑𝜑(𝑡)
𝑑𝑡 .

35
Transformata Hilbert a lui x(t), notată cu y(t) este dată de relația:
(3.19)
Frecvența Hilbert se definește ca:
(3.20)
Această mărime, 𝑓 oferă o aproximare asupra frecvenței medii, folosindu -se de informație
instantanee(frecvența f și amplitudinea a pentru un interval cuprins între 1 și k).
Principiu transformatei Hilbert a fost folosit în cercetări din domeniul bioingineriei,
fiind, în unele cazuri, aplicată cu succes în cazul unor semnale de origine neuronală cu bandă
largă. Transformata Hilbert se folosește cu precădere pentru a estima parametrii de oscilație
în cazul undelor cu bandă îngustă. De aceea, pentru a obține astfel de semn ale, în cazul
folosirii pentru EEG, Transformata Hilbert se cuplează cu tehnica numită Transformata
Huang(figura 3.7 arată aplicarea Transformării Huang pe un semnal EEG înregistrat de la un
pacient sănătos).

Figura 3.7: Aplicarea Transformatei Huang asu pra unui semnal EEG. Prima undă de sus reprezintă semnalul
original EEG , iar cele numerotate, componentele sale oscilatorii.
Aceasta din urmă este o tehnică folosită pentru a extrage toate oscilațiile din cadrul
unui semnal, fără a ține cont de condiții precum staționaritate sau liniaritate. Folosirea celor
două concepte împreună este folosită în domeniul clinic pentru recunoașterea activităților

36
cerebrale patologice. În figura 3.8, o comparație între rezultatele obținute de Transformata în
undine și Meto da Hilbert -Huang, în cazul aplicării pe un semnal.

Figura 3.8: Comparație între Hilbert -Huang(stânga) și Undine(dreapta).

3.3 Harta topografică a creierului
O tehnică relativ nouă, apărută în anii 80, topografia creierului presupune plasarea
unui număr mare de electrozi la nivelul scalpului, la distanțe egale, în scopul codificării, prin
diferite culori(de exemplu, negru, albastru semnifică unde de amplitudin e mică, alb, galben,
rosu, unde de amplitudine mare), a locațiilor diferitelor tipuri de forme de undă atașate
activităților cerebrale.
Această abordare permite observarea zonelor creierului unde se produc răspunsurile la
diferiți stimuli, se poate obser va originea unor evenimente cerebrale. Neurologii folosesc
această tehnică pentru a diferenția patologii specifice.
Topografia nu este necesară în toate cazurile de evaluare a activității cerebrale. De cele
mai multe ori, acest test este folosit pentru a determina prezența unor tumori sau boli
focalizate la nivelul creierului(metodă îmbunătățită de folosirea cine-mode – suprapunerea
temporală a imaginilor topografice obținute pentru a dinamiza procesul). De asemenea, prin
această metodă se supraveghează, de exemplu, procesul de refacere a unor pacienți ce au
suferit operații pe creier, sau comportamentul unor pacienți a căror dependență de diferite
substanțe este pe cale de a fi vindecată.
Ca și în înregistrarea EEG,în procesul de topografiere a creierulu i pot apărea diverse
artefacte, cu surse asemănătoare celor prezentate în cazul EEG. În figurile 3.9,3.10,3.11, se
pot observa mapările activității cerebrale în cazul prezenței unui artefact datorat plasării
defectuoase a unui electrod.

37

Figurile 3.9, 3.10, 3.11, de sus în jos: Harta topografică a activității cerebrale, în prezența unui artefact. În ordine,
înaintea îndepărtării artefactului, în timpul îndepărtării, după.

38
4. Înregistrări EEG în polisomnografie

4.1 Polisomnografia și patologia somnului
4.1.1 Definiție
Polisomnografia constă în înregistrarea simultană a mai multor parametri rezultați în
urma proceselor biologice din timpul ațipirii, somnului propriu -zis sau trezirii. Se
înregistrează simultan activitatea electrică a creierului, mișcările globilor oculari, contracția
unor grupe musculare, activitatea cardiacă și respiratorie. Supravegherea video este necesară
pentru aprecierea comportamentului din timpul somnului sau identificarea unor sindroame
epileptice[1].
Inițial, polisomnografia consta doar în înregistrarea electroencefalografică, urmând ca
mai târziu să fie completată cu electrooculograma, electromiograma, electrocardiograma,etc.
Medicina tulburărilor de somn s -a constituit relativ recent în jurul anilor 195 0-1960,
dezvoltându -se și completându -se treptat. Somnul este privit ca un eveniment înscris într -un
ciclu biologic care asigură o alternanță favorabilă organismului (prin suspendarea parțială a
legăturilor senzoriale cu mediul înconjurător) cu starea de v eghe. La rândul lui, somnul nu
este un fenomen omogen, fiind caracterizat prin prezența unor multiple și variate modificări.
Utilizarea electroencefalogramei la om începând cu 1924 a făcut posibilă identificarea
stării de veghe și a celor 4 stadii ale som nului. Ulterior, William C. Dement, Eugene
Aserinsky, Nataniel Kleitman(1952) au identificat etapa de somn REM(Rapid -Eye-Movement
Mișcarea Rapidă a Globilor Oculari )

4.1.2 Fiziopatologia somnului
Somnul este o componentă vitală a vieții, fiind controlat de sistemul nervos care
asigură derularea ritmurilor circadiene. În mod normal, în cursul a 24 de ore se identifică două
stări: cea de veghe si cea de somn. Acestea se succed și se datorează unor rețele
specifice.Există circuite neuronale de trezire și de adormire care uneori funcționează în
balanță.
Rețeaua de trezire este stimulată de factori endogeni si exogeni(foame, sete, miros,
etc.). Acești factori acționează prin desincronizarea activității electrice cerebrale. Se
declanșează activitatea tonică a n euronilor ca o consecință a inhibării rețelelor de somn lent și
a activării unor structuri ale telencefalului. Activarea telencefalului este caracterizată printre
altele de apariția activității motorii.
Rețeaua de adormire pare a intra în acțiune după ce se constituie fenomenul de
oboseală a rețelei de trezire și menținere a vigilenței. Are componente diferențiate pentru
somnul cu unde lente și pentru cel paradoxal.

39
Rețeaua pentru somn lent se caracterizează electroencefalografic prin prezența
fusurilor ( de somn) și a undelor lente. Neuronii nucleului reticular talamic(gabaergici) au
descărcări de potențial cu frecvența fusurilor de 12 -14 Hz. Fusurile de somn se datorează
circuitului gabaergic oscilant, care include nucleul reticulat al talamusului. Circui tul intervine
în sincronizare iar manifestarea electroencefalografică va lua forma fusurilor.
Hiperpolarizările ciclice sunt la originea blocării influențelor senzoriale de la debutul
adormirii. Undele lente sunt de origine corticală și se datorează sumări i hiperpolarizării
celulelor piramidale din stratul V. Complexul K este de origine corticală și pare a fi implicat
în sincronizarea cortico -subcorticală.
Somnul paradoxal se caracterizează prin atonie musculară, la care se adaugă mișcări
ale globilor ocul ari și contracții ale musculaturii faciale.
Trecerea de la faza de somn la cea de veghe se caracterizează(din punct de vedere al
polisomnografiei) prin dispariția undelor alfa și diminuarea unor parametri ai ventilației.
Polisomnografia oferă detalii cara cteristice pentru starea de veghe, despre somnul lent și
somnul paradoxal.
Explorarea creierului prin EEG a condus la diferențierea diferitelor stări de veghe sau
de somn din punct de vedere electrofiziologic. Somnul se acompaniază și de alte manifestări
care pot fi identificate prin intermediul electrooculogramei și electromiogramei. Referitor la
aceste manifestări, exemplificăm bineînțeles mișcările globilor oculari și ale musculaturii
faciale.
4.1.3Modificarea unor funcții ale organismului în timpul som nului.
În timpul somnului au loc o serie de modificări ale unor funcții ale organismului.
Există modificări admise într -un interval al normalității, dar și variante patologice. Cele mai
importante modificări se întâlnesc la funcțiile cardiovasculare, resp iratorii și digestive.
Funcția cardiovasculară se caracterizează în special prin modificări ale ritmului,
tulburări de conducere și variații ale tensiunii arteriale. ECG este necesară pentru a înregistra
modificările de ritm cardial și unele tulburări de conducere. Efectul acestor tulburări asupra
creierului poate oferi elemente de sprijin pentru diagnosticul diferențiat al epilepsiei, sincopei
sau atacurilor de panică.
De la adormire poate apărea o bradicardie chiar cu pauze sinusale sub 2.5 secunde.
Bradicardia poate oscila între 55 -60/minut dar poate ajunge și la 40/minut. Se induce o
adevărată depresiune nodală cu posibilitatea unui bloc AV de gradul I sau II. Această situație
este rezultatul unei hipertonii parasimpatice cu diminuarea influențelor simpatice. În timpul
somnului paradoxal frecvența cardiacă poate avea neregularități.
Tensiunea arterială în timpul somnului(fazele de somn lent și profund) este diminuată
cu 10 -15% față de starea de veghe. Însă în somnul paradoxal există o mare variabili tate a
tensiunii arteriale cu pusee care urmează oarecum și frecvența cardiacă.
Funcția ventilatorie are un control metabolic prin neuronii respiratori
bulboprotuberențiali, destinați acționării automate și unul adaptiv realizat prin intermediul

40
cortexulu i frontal și hipotalamusului posterior. Controlul adaptiv al ventilației este
caracteristic perioadelor de veghe.
Funcțiile căilor respiratorii sunt deosebit de importante. Apneea de somn, apneea de
tip obstructiv sunt doar două exemple ale posibilităților de identificare a acestor tipuri de
disfuncție. Se poate adăuga și un marker piezoelectric de poziție. Astfel, se va putea ști dacă o
anume variantă patologică a survenit în decubit dorsal sau lateral(drept sau stâng), sau în
procubitus. Se produc fenomene caracteristice adormirii, stării de somn lent stabil și
paradoxal.
Adormirea
Trecerea de la veghe la somn este detectabilă pe EEG prin dispariția ritmului alfa și
diminuarea ventilației. Crește presiunea arterială(PaCO2 -dioxid de carbon) și scade PaO2 –
oxigen. Creșterea PaCO2 se datorează inhibiției controlului adaptiv al respirației o dată cu
apariția somnului, cu reducerea activității tonică a mușchilor respiratori ai căilor aeriene
superioare. Activitatea diafragmică rămane neschimbată.
Somnul lent stabil
Respirația este sub control metabolic, fiind caracterizată de o mare regularitate, atât ca
amplitudine, cât și ca frecvență. În somnul lent crește rezistența căilor aeriene. Unele date
susțin că ventilația este diminuată cu 13% în som nul lent și 15% în cel profund.
Somnul paradoxal
Se caracterizează prin activarea fazică a sistemului nervos autonom și cel implicat în
activitatea musculară. Se asociază cu o atonie a mușchilor posturali, inclusiv cei intercostali.
Deși diminuă în somnu l profund, respirația poate fi neregulată cu variații ale volumelor și
frecvenței, chiar cu posibilitatea apariției apneei la indivizi normali.
Funcția digestivă
Tubul digestiv este controlat de sistemul nervos autonom, mai ales de cel
parasimpatic. Forț a de contenție a sfincterului esofagian superior și inferior ca și
peristaltismul diminuă atât în timpul somnului lent, cât și în faza paradoxală.

4.1.4Clasificarea patologiei somnului
Somnul poate fi perturbat din cauza unui număr mare de afecțiuni, atâ t din patologia
adultului, cât și din cea pediatrică. Clasificarea internațională a tulburărilor de somn (ISCD -2)
descrie și furnizează criterii de diagnostic pentru toate disfuncțiile recunoscute. Patologia
somnului constă în:
1. Insomnii – insomnia de adapt are, psihofiziologică, paradoxală, psihică, datorată
unor afecțiuni medicale sau substanțe terapeutice;
2. Tulburări respiratorii în relație cu somnul – apnee centrală de somn, apnee
obstructivă de somn, hiperventilație/hipoxemie legată de somn;

41
3. Hipersomnii – narcolepsie(cu sau fără cataplexie), hipersomnii recurente,
hipersomnii idiopatice, cauzate de boli generale, medicamente, sidrom de somn
insuficient;
4. Tulburarea ritmului corcadian al somnului
5. Parasomnii – treziri confuzionale, tulburarea somnului REM, pa ralizia izolată
recurentă de somn, catathrenia(mormăit/gemete în somn) , sindromul capului
exploziv, somnambulism, pavor nocturn, coșmaruri, tulburări disociative în relație
cu somnul, enurezis;
6. Tulburări motorii în relație cu somnul – mișcări periodice al e membrelor
inferioare, crampe ale membrelor inferioare, bruxism, mișcări ritmice legate de
somn;

Clasificarea internațională a bolilor de somn(„ Principles and Practices of Sleep
Medicine”, Kryger M., Roth T., Dement W., 2000 ), distinge patru mari categor ii:
A. Dissomniile – tulburări de inițiere și menținere a somnului:
A.1. Boli intrinseci ale somnului (insomnia idiopatică, hipersomnia idiopatică,
narcolepsia,etc.)
A.2. Boli extrinseci ale somnului (insomnia de altitudine, sindromul aportului
alimentar nocturn, etc.)
A.3. Patologii de ritm circadian ( sindromul de somn asociat modificării fusului orar –
jet lag syndrome, patologia de somn asociată lucrului în ture, etc.)
B. Parasomniile:

B.1. Patologii de trezire (somnambulism, pavor nocturn)
B.2. Patologii de tranziție somn -veghe (somniloquismul – vorbit în somn)
B.3. Patologii asociate REM -urilor(paralizia de somn, patologia comportamentală în
somn asociată REM, etc.)
B.4. Alte parasomnii(bruxismul, enurezismul nocturn, apneea de somn infantilă,etc .)

C. Patologiile de somn medicopsihiatrice:
C.1. Asociate cu boli mentale(psihoze, alcoolism, etc.);
C.2. Neurologice(demență, Parkinson disease, etc.)
C.3. Alte patologii medicale(ischemia cardiacă nocturnă, astmul de somn, etc.)
D. Patologii de som n propuse pentru acceptare generală( Hiperhidroza de somn)

42
4.2 Studiu l stadiilor somnului în polisomnografie
Somnul este o stare biologică neuniformă ce a fost împărțită de către experți în diferite
stări(sau stadii), bazându -se pe măsurătorile polisom nografice, ce includ înregistrări EEG,
EMG, EOG, precum și alte tipuri de semnale. Pentru a diagnostica și trata stările patologice
apărute în cazul somnului(prezentate anterior), este necesară clasificarea semnalelor
PSG(polisomnografice) în diferite grup e, corespunzătoare stadiilor diferite de somn amintite.
Se consideră că somnul unui pacient(subiect) sănătos este organizat în secvențe de
stadii care se repetă la intervale de 60 -90 de minute. Depinzând de standardele adoptate,
diverse stadii derivă din cele patru stări majore ale somnului: starea de veghe(trezirea),
somnolența(Light Sleep), somnul profund(Deep Sleep) și fazele REM(Rapid -Eye-
Movement).
Practica se bazează folosirea regulilor de clasificare a fazelor somnului propuse de
Rechtschaffen și Kales(RK) în 1968. Conform acestora, somnul se împarte în următoarele
categorii(etape): Trezirea(Starea de Veghe), Somnul non -REM și somnul REM. La rândul
său, stadiul non -REM este clasificat în patru stadii(S1,S2,S3,S4). Formele de undă EEG
diferă de la u n stadiu la altul, ele fiind înregistrate de electrozi plasați în zona centrală și
occipitală, în majoritatea examinărilor. AASM (American Academy of Sleep Medicine) propune
adăugarea la cele două canale folosite în mod tradițional în practica de specialitate(central și
occipital), un al treilea, plasat frontal, motivând importanța semnalelor înregistrate în această
zonă. De asemenea, o modificare a survenit și în pri vința denumirii stadiilor, astfel W( wake ) a
luat locul denumirii stării de veghe descrisă de RK, N1 -N3 sunt stadiile non -REM aferente
stadiilor 1 -4(cu mențiunea că starile 3 și 4 sunt acum considerate ca fiind un ansamblu,
neexistând diferențe notabile în fiziologia lor), iar stadiul REM completează această
suită. 11
În figura 4.1 se pot observa forme de undă EEG corespunzătoare diverselor stadii ale
somnului, conform regulilor AASM, adoptate în 2007.
Stadiul 1, sau somnolența, este adesea descris ca fiind primul care apare în secvența de
somn. Durează de obicei între 5 și 10 minute. Următorul segment este stadiul 2 al somnului
non-REM, caracterizat prin pusee bruște de activitate cerebrală, numite fusuri de somn. În
acest timp, organismul se pregătește să intre în starea de somn adânc(stadiile 3 și 4, 4 fiind
mai intens decât 3).Undele prezente în aceaste secvențe au o frecvență redusă(slow wave
sleep). Somnul REM diferă de stadiile anterioare prin activitatea cerebrală(similară conform
EEG cu cea din stadiul 1), dar și bineînțeles, prin înregistrarea pe electrooculogramă EOG a
activităților de mișcare a globilor oculari.

43

Figura 4.1: Unde EEG în diverse stadii ale somnului, potrivit regulilor AASM: A: W; B: Stadiul 1, C: stadi ul 2 ,
D: stadiile 3&4 – somn lent, E: somn REM

Distribuția stărilor de somn mențion ate este prezentată în f igura 4.2 , conform duratei
fiecăreia într -un ciclu de somn.

Figura 4.2: Durata diverselor stadii într -un ciclu de somn
Trebuie menționat fapt ul că ordinea acestor stadii nu este conform figurii, somnul
începând de obicei în stadiul 1, apoi trecând în 2,3 și 4. După terminarea stadiului 4, urmează
secvențe de somn tip 2 și 3, iar mai apoi somnul REM. După acesta, de obicei se revine la
stadiul 2 . Acest ciclu se reia, după cum am precizat de mai multe ori pe noapte(sau pe
perioada somnului).

44
Polisomnograma(PSG) este uzual împărțită în intervale de 10,20,30 sau 60 de secunde
numite epoci , care sunt apoi grupate în funcție de regulile RK sau AASM de către un
specialist în polisomnografie, folosindu -se de experiența proprie în domeniu. Graficul rezultat
se numește hipnogramă și este folosită de către medici pentru stabilirea unui diagnostic .
Împărțirea somnului în stadii pleacă de la premisa că un stadiu al somnului(vizibil pe
PSG) durează un anumit număr de epoci, până la apariția unor noi forme de undă, ceea ce
marchează tranziția spre un alt stadiu. Având în vedere continuitatea acestui proces și
ambiguitatea determinată de caracteristicile fiecărui subiect în parte, putem afirma că regulile
RK/AASM sunt, de fapt, o simplificare a procesului biologic real, această demarcare fiind
artificială, o aproximare a realității. Caracterizarea som nului în funcție de acest concept
metodologic vine spre a standardiza analizarea somnului în rândurile specialiștilor în
polisomnografie. Momentul exact al tranziției de la o stare la alta este subiectiv și lasă loc de
interpretare pentru cel care realize ază clasificarea. Studiile indică o concordanță cuprinsă între
67% – 91% între rezultatele diferitelor persoane care realizează clasificarea, în funcție de
lungimea epocilor.
În afara faptului că este subiectivă, clasificarea vizuală a stadiilor somnului este anostă
și durează mult timp, astfel încât se ivește o oportunitate pentru dezvoltarea unor sisteme
automate dedicate acestei activități. Acesta trebuie să dea dovadă de acuratețe și să fie
capabile de a lua decizii prompte într -un timp scurt. Mai mul ți autori au studiat această
posibilitate, din diferite perspective, precum analiza vigilenței, capacitatea de detecție a
pericolelor și bineînțeles, clasificarea stadiilor somnului. Problemele apărute au fost generate
în principal de lipsa acurateței, nef ezabilitatea unei implementări hardware, lipsa
generalizării,complexitatea de calcul .
Tabelul 4.1 prezintă o statistică a metodelor folosite pentru automatizarea clasificării
stadiilor somnului, în ordine cronologică. S -au menționat pentru fiecare autor, anul cercetării,
metoda de extragere a caracteristicilor undelor EEG și metoda de clasificare:

Schmitt R.B. et al
Heiss J.E. et al
Subasi A, et al
Kerkeni N.
Doroshenkov L.G.
Tang W.C. et al
Liu H.J. et al
Liu H.J. et al
Garg G. 1998
2002
2005
2005
2007
2007
2010
2010
2011 Transformata Fourier
–
Wavelet (Undine) Discret
Transformata Fourier
Transformata Fourier
Hilbert -Huang
Fourier
Hilbert -Huang
Wavelet(Undine) Model Markov Ascuns (HMM)
NeuroFuzzy
Rețele Neurale
Rețele Neurale
HMM
(Support Vector Machines)
(Support Vector Machines)
Rețele Neurale
NeuroFuzzy(ANFIS)
Tabelul 4.1: Metode de automatizare a studiului polisomnografic

45
Indiferent de natura clasificării stadiilor somnului, cu referire la metoda clasică, sau
metodele automatizate, proce sul este împărțit conform aceleiași logici:

Figura 4.3: Procesul de clasificare a stadiilor somnului folosind înregistrările EEG

Achiziția semnalelor constă în combinarea informațiilor oferite de mai multe surse
precum EEG, EOG, ECG,EMG, dar se pune accent pe folosirea datelor
electroencefalografice în vederea clasificării stadiilor somnului. Datele folosite pentru
realizarea părți i practice a lucrării conțin înregistrari EMG, EOG, precum și diferite canale
ale înregistrării EEG.
Semnalele EEG sunt folosite în domeniul polisomnografiei, deoarece pe baza
formelor de undă EEG identificate prin caracteristicile lor de frecvență și amplitudine, se
poate face o corelație între acestea și stadiile de somn ce respectă atât principiile indicate
regulile RK, cât și standardele nou apărute AASM. Această corelație este prezentată în
tabelul 4.2:
Componentă EEG Frecvență Amplitudine Stadiu
Activitate(Unde) Alfa 8-13 Hz 20-60 µV Veghe, Somnolență, REM
Activitate Beta 13 Hz 2-20 µV Veghe
Activitate Teta 4-8 Hz 50-75 µV Somnolență, 2,REM
Delta 0-4 Hz 75 µV 3,4
Fusuri de somn 12-14 Hz 2
Tabelul 4.2 Corespondența dintre diferite forme de undă EEG și stadiile somnului – conform standardului
RK 1968

Achiziția semnalelor
Preprocesare(filtrare)
Procesare
Clasificare
Post -Procesare -Obținerea hipnogramei

46
4.3 Metode standard folosite în polisomnografie
Metoda polisomnografică standard presupune analizarea unui pachet de date(semnale
biologice înregistrate) de către un expert în domeniu, care, bazându -se pe cunoștințele proprii
și experiența în domeniu, întocmește o diagramă a stadiilor somnului numită hipnogramă(fig).

Figurile 4.4 & 4.5: Hipnograme rezultate în urma unor proceduri polisomnografice: Figura4.4(sus) : Hipnogramă
pentru 15 minute de somn, epoci de 30 de secunde. Figura4.5(jos): Hipnograme ale aceluiași pacient, în diferite
nopți de somn, pe durată de aproximativ 8 ore

47
Gama de semnale folosite este vastă și poate include înregistrări EEG prelevate pe
diferite cana le(electrozi plasați la nivelul scalpului), semnale EOG aferente ambilor ochi,
diferite înregistrări EMG(electrozi plasați la nivelul feței sau chiar la nivelul membrelor),
înregistrări ECG(electrocardiogramă -studiază activitatea inimii)precum și diferite informații
referitoare alte procese biologice prezente în timpul somnului(respirație, presiune arterială,
etc.). Un exemplu de semnale folosite în polisomnografie este ilustrat în figura 4.6:

Figura4.6: Înregistrări folosite în polisomnografie(EEG, EOG, EMG,ECG,Ritm respirator, Nivelul O2)
De regulă, nu sunt necesare toate aceste canale, practica actuală fiind realizată folosind
patru tipuri de înregistrări, două semnale EEG, un semnal EOG și unul EMG.

Figura4.7: Înregistrările folosite de observatori pentru a realiza examenul polisomnografic prin metoda
observației

48

Cu toate că fiecare dintre aceste informații are scopul de a ajuta la elaborarea unei
hipnograme, principalele informații despre somn le oferă electroencefalograma.
Rechtschaffen și Kales au întocmit în 1968 – 15 ,regulile de bază ale somnografiei pornind de
la prezența/absența diferitelor tipuri de undă din înregistrările EEG, prezentate în primul
capitol al lucrării. Corelația dintre acestea și stadiile somnului este indicată în Tabelul 4. 1.
Celelalte înregistrări, în principal EOG și EMG fac diferența între stadii de somn care pot
prezenta același tip de undă EEG(de exemplu undele Alfa sunt prezente în mai multe stadii
ale somnului, diferența dintre două stadii precum stadiul 1 al somnului – somnolența și stadiul
REM fiind făcută de variația undelor EOG).
Tulburările somnului reprezintă o problemă care afectează numeroși oameni, în special
în zonele metropolitane din țările dezvoltate. Un procent din ce în ce mai mare de oameni
acuză astfel de tulburări, fie ele de natură permanentă, sau temporară(20 de milioane de
persoane din SUA prezintă simptome ale tulburărilor de somn permanente, la care se adaugă
alte 20 de milioane ce acuză tulburări de somn temporare). 11 Astfel, cercetarea în domeniul
polisomnografiei este în plină evoluție, metoda clasică(asistată uman) rămânând, la ora
actuală, cea aplicată în clinicile de specialitate.

Principalele neajunsuri ale acestei metode sunt cauzate de subiectivitatea persoanei
care realizează clas ificarea stadiilor. Somnul nu este un proces uniform, semnalele înregistrate
nu sunt stabile și în plus, apar spontan, nerespectând o regulă anume. La acestea se adaugă și
eventualele artefacte datorate multitudinii de înregistrări care au loc concomitent, artefacte
care sunt în principal datorate interferenței sistemelor de înregistrare. Urmărind deci pașii
prezentați anterior pentru realizarea unei înregistrări polisomnografice,în afara prelevării de
date concludente, trebuie asigurată o eliminare corectă a artefactelor, fie printr -o metodă
clasică(de exemplu implementarea unui filtru), fie printr -o metodă modernă, ca de exemplu
detecția artefactelor cu ajutor rețelelor neurale.
Cu toate acestea, considerând că s -a efectuat o achiziție și o preprocesare corectă a
datelor și chiar mai mult, presupunând că procesarea datelor are la bază același
algoritm(aceeași metodă de procesare), un factor important rămâne subiectivitatea celui care
realizează analiza. Studii(Held et al. 22 ) au arătat că și în cazul înde plinirii tuturor
condițiilor enunțate, rezultatele(hipnogramele) nu se identifică decât conform unui procent de
90%. Cauza acestui fapt poate fi explicată și de ambiguitatea regulilor enunțate în 1968 –
regulile RK. În acest sens, propusă în 2004 și acceptat ă în 2007, metodologia
AASM( American Academy of Sleep Medicine ) prevede anumite schimbări asupra efectuării
testului polisomnografic, ce își au originea în descoperiri în ceea ce privește somnul realizate
în ultimele decenii. Astfel, fazele 3 și 4 ale somnului non -REM sunt clasificate împreună,
neexistând dovezi medi cale privind diferențe notabile între ele, în ceea ce privește
fiziopatologia somnului. Undele Delta lente(0.5 -2Hz) sunt cele care diferențiază această clasă,
fiind prezente doar în acest stadiu al somnului. Stadiul 2, cel dominant în timpul somnului,
este diferențiat cu ajutorul fusurilor de somn (sleep spindles ),cu frecvența 12 -14 Hz(domeniul
Sigma) prezente doar în acesta. Un factor de confuzie ar fi reprezentat de undele Theta, ce
reprezintă fundalul tuturor stadiilor somnului. Pentru rezolvarea acestei probleme se urmăresc

49
înregistrările ajutătoare, EMG și EOG, indicatoare ale stării de veghe(prezența amândurora),
respectiv faze REM(doar activitate oculară). O reprezentare a celor afirmate este prezentată în
figura:

Figura 4.8: Regulile AASM pentru clasif icarea stadiilor somnului: A=Absent(semnalul respectiv), P=Prezent,
X=Irelevant, SD=Slow Delta(unde Delta lente), TH=Theta, SS=Sleep Spindles(Fusuri de Somn),
REMov=activitate oculară specifică fazelor REM, MT=Motion(Activitate musculară)
Cererea crescută în ceea ce privește efectuarea unor polisomnografii semnifică nevoia
de automatizare a unei metode vechi de peste 40 de ani, dar în așa fel încât sănătatea
pacientului să fie prioritară.

4.4 Metode automate de clasificare a stadiilor somnului
Dezvoltar ea tehnicii de calcul din perioada recentă a creat premisele dezvoltării unor
sisteme automate care să fie capabile să suplinească intervenția umană în mod coerent din
diverse activități și arii de interes ce folosesc un volum foarte mare de date. Automat izarea
clasificării stadiilor somnului este un domeniu ce a stârnit interesul multor echipe de
cercetători la nivel mondial. Acest lucru se datorează în mare măsură și cererii din ce în ce
mai mari de investigații polisomnografice. În momentul de față, au tomatizarea clasificării
stărilor somnului nu prezintă nicio metodă folosită clinic, dar performanțele sistemelor de
clasificare cresc de la an la an. Un singur sistem automat a fost folosit în practica clinică în
decursul ultimilor ani, anume ALICE 3(Heal thdyne Tech, Marietta,GA – 2004). Acesta a fost
folosit pe 50 de pacienți, constatându -se o asemănare în proporție de aproximativ 75% între
rezultatele oferite de sistem și cele prelucrate manual, de către experți. Astfel, fezabilitatea
proiectului nu a fo st confirmată, medicii și experții în polisomnografie folosind astfel de
sisteme doar la nivel de laborator, pentru detectarea și confirmarea unor anormalități.
Analizând procesul de clasificare a stadiilor somnului(Figura 4.3), rezultă diferențierea
meto delor de automatizare studiate până la momentul actual. Achiziția și preprocesarea
datelor sunt realizate prin metode asemănătoare, lucru care nu se poate afirma și despre
metodele de procesare și clasificare. Acestea din urmă diferențiază sistemele, în s ensul
performanțelor și fezabilității. Majoritatea acestor sisteme automate se bazează pe clasificările
efectuate de specialiști în polisomnografie.Termenii -cheie sunt experiență și factorul

50
uman(logica umană) . Acest lucru este descris de două noțiuni folo site în sistemele automate:
Rețele Neurale(bazate pe experiență, pe învățare) și Logica Fuzzy(factorul uman).
Se prezintă în continuare două sisteme automate de scoring(clasificare a stadiilor
somnului), expuse în 20 , 21 . Acestea realizează etapele de prelucrare a datelor și
clasificare în mod asemănător, dar folosind metode diferite. În ambele cazuri sunt folosite
pentru clasificare sisteme inteligente adaptive. Problema apărută este găsirea unei forme
reprezentative de exprimare a unui volum mare de i nformație, pentru a putea fi utilizată
alături de sistemele inteligente. Astfel, cele două abordări prelucrează semnalul EEG, încât o
epocă de semnal să fie caracterizată de puține mărimi pentru a putea fi clasificată.
S-a realizat în cadrul lucrării o i mplementare a metodei prezentată în 21 , dar
aplicată pe date diferite, folosind algoritmi de procesare și clasificare proprii.

4.2.1 Clasificare automată a stadiilor somnului folosind Undine și Clasificator Neuro -Fuzzy
Această abordare, 20 , folosește pentru procesarea datelor Transformata Wavelet,
pentru a descompune semnalul EEG în diferite benzi de frecvență. Aceasta a fost aplicată pe
epoci cu durata de 30 de secunde, ce au fost descompuse pe șase nivele, prezentate în tabelul
4.3. Frecvența de eșa ntionare a semnalului EEG a fost de 100 Hz.

Tabelul 4.3: Benzile de frecvență folosite în această abordare
Problema folosirii acestora pentru un clasificator Neuro -Fuzzy este dată de
dimensiunea problemei, mai precis de faptul că numărul de reguli Fuzzy crește exponențial cu
numărul variabilelor de intrare. Astfel, s -a folosit conceptul de Energie Relativă Wavelet, ce
are capacitatea de a selecta automat caracteristicile corelate cu variațiile înregistrărilor EEG
din diferite faze ale somnului. Această e nergie a fost obținută din descompunerea Wavelet și a
returnat un vector de caracteristici cu 6 coloane.

51
Vectorii caracteristici menționați reprezintă mărimi de intrare pentru clasificatorul
Neuro -Fuzzy bazat pe structura ANFIS -Adaptive Neuro -Fuzzy Infe rence System (Jang et al. –
19 ), iar ieșirea sistemului este reprezentată de un vector cu 5 coloane, reprezentând cele 5
stadii ale somnului luate în considerare(W -veghe, REM, NREM 1, NREM 2, NREM3&4).
Chiar dacă stadiile somnului sunt clasificate conform re gulilor RK, pentru simplificarea
sistemului s -a decis gruparea stadiilor 3 și 4 ale somnului NREM. Un exemplu de structură
ANFIS este:

Figura4.9: Structură ANFIS standard. Pentru abordarea prezentată, s -au folosit 6 intrări, corespunzătoare celor 6
benzi de frecvență menționate, pe care s -au aplicat funcțiile de apartenență (DA, NU) – semnificând prezența sau
absența acelei frecvențe în diferite benzi de somn. La ieșirea sistemului se află 5 mărimi, corespunzătoare celor 5
stadii ale somnului luate în co nsiderare.
20 raportează o rată de succes de 97.4%, ceea ce reprezintă un procent satisfăcător,
perfecționarea lui putând fi aplicată în viitor în practică. Dezavantajul acestei metode constă
în volumul de calcul pentru prelucrarea datelor, precum și nevoi a de modificare a setului de
reguli Fuzzy, pentru optimizare, fapt care prezintă dificultății în ceea ce privește
implementarea sistemului în timp real. Metoda este foarte precisă pentru o clasificare off -line
a stadiilor somnului.

4.2.2. Clasificare aut omată a stadiilor somnului folosind Transformata Fourier și
Rețele Neurale.
Implementarea acestui tip de algoritm de clasificare automată reprezintă partea
practică a lucrării și se bazează pe ideile expuse în 21 , folosind algoritmi de procesare și
date pentru antrenare și testare proprii.
Înregistrarea polisomnografică folosește diferite tipuri de înregistrări pentru a clasifica
stadiile somnului – EEG,ECG,EMG,EOG,etc.. Abordarea proprie propune simplificarea
acestei examinări, prin folosirea unui singu r semnal EEG și urmărește performanța de
clasificare obținută de sistemul automat ce va folosi doar acest semnal. În funcție de rezultat,
se va propune o metodă de îmbunătățire a procentului conform căruia rezultatul menționat
este asemănător cu cel obținu t de experții în domeniu prin metoda standard de analizare
vizuală.

52
Conform procesului de clasificare a stadiilor somnului, achiziția datelor a reprezentat
primul pas pentru realizarea acestei metode. Pentru aceasta, au fost folosite date provenite din
sursa http://www.edfplus.info , un domeniu aparținând European Data Format. Este un format
simplu de înțeles și utilizat pentru folosirea înregistrărilor biologice, introdus în 1992.
S-au folosit pentru implementare date ce reprezintă două înregistrări polisomnografice
înregistrate pe doi pacienți diferiți și de asemenea, hipnogramele aferente, realizate prin
metoda de detecție vizuală a stadiilor somnului. Acest scoring a fost realiza t conform
regulilor RK 15 , iar stadiile NREM 3 și NREM 4 au fost grupate, conform principiului
enunțat de 11 . Formatul datelor a fost EDF (European Data Format), acestea fiind
vizualizate cu Polyman Viewer, software aparținând EDF. Pentru conversia datelor din format
EDF în format ASCII, a fost folosit EDFtoASCII, aparținând de asemenea, EDF. Durata
înregistrărilor a fost de 15 minute, iar frecvența de eșantionare a semnalului de 128 Hz. De
asemenea, semnalele au fost preprocesate, în vederea eliminării art efactelor.

Figura4. 10: Semnalele folosite în polisomnografie, vizualizate cu software -ul Polyman Viewer

53

Figura4.11: Hipnograma aferentă semnalelor din figura anterioară, vizualizată cu Polyman Viewer

A fost ales pentru fazele de procesare și clas ificare semnalul EEG Fpz_Cz , cules în
sistem bipolar, pentru care s -a folosit un montaj circular(figura 4.12). Acesta oferă informații
relevante pentru studiul somnului, prezentând toate tipurile de unde EEG necesare
determinării stadiilor de somn. Pentru prelucrare și clasificare am folosit MatLab R2007b, cu
toolbox -urile necesare procesării semnalelor și construirii de rețele neurale aferente.

Figura4.12 : Culegerea semnalului Fpz_Cz în montaj circular
Un semnal cu durata de 15 minute și frecvența de eșantionare de 128 Hz, convertit
folosind EDFtoASCII, produce vector cu 128*15*60 (frecvență de eșantionare, minute de
înregistrare,secunde) = 115200 de elemente. Epocarea acestui vector reprezintă împărțirea în
segmente egale, corespunzătoare unei durate de 30 de secunde. A rezultat o matrice cu 30 de
linii și 3840 de coloane, fiecare linie reprezentând o epocă de 30 de secunde de semnal.
Elementele matricei reprezintă amplitudinea semnalului(tensiunea biocurenților cerebrali între
cele două puncte Fpz – Cz). Procesarea semnalului a constat în efectuarea următorilor pași:
 Împărțirea semnalului în perioade de 30 de secunde – epocare
 Pentru fiecare epocă, s -a calculat puterea spectrală folosind FFT. Din spectrul
rezultat, sunt necesare doar frecvențele inclu se în intervalul 0.5 – 32 Hz, ceea ce

54
reprezintă limitele de frecvență în care se încadrează undele EEG. Se elimină astfel
componenta continuă a semnalului, cu frecvența apropiată de 0.
 Spectrul se împarte în 5 părți, corespunzătoare celor 5 benzi de frec vență folosite
pentru studiul somnului – Delta(0.5 – 4 Hz), Theta(4 – 8 Hz), Alpha(8 – 12 Hz),
Sigma(12 -14 Hz), Beta (14 -32 Hz). Pentru fiecare dintre aceste benzi se calculează
puterea spectrală relativă(RSP –Relative Spectral Power ), ca raport dintre pu terea
spectrală a acelei benzi(BSP – Band Spectral Power ) și puterea întregului spectru
filtrat(TSP – Total Spectral Power ) .
În acest mod, o epocă de semnal, reprezent ată anterior de un vector cu 3 840 de valori,
este modelată sub forma unui vector cu cinci valori, reprezentând cele cinci puteri spectrale
relative, aferente fiecărei benzi.

𝑅𝑆𝑃𝑖=𝐵𝑆𝑃𝑖
𝑇𝑆𝑃,𝑖∈ 𝐷𝑒𝑙𝑡𝑎,𝑇𝑕𝑒𝑡𝑎,𝐴𝑙𝑝𝑕𝑎,𝑆𝑖𝑔𝑚𝑎,𝐵𝑒𝑡𝑎 (4.1)

Figura 4.13: Principiul modelării semnalului prezentată anterior
Astfel, o epocă de semnal, reprezent ată anterior de un vector cu 3 840 de valori, este
modelată sub forma unui vector cu cinci valori, reprezentând cele cinci puteri spectrale
relative, aferente fiecărei benzi. Acest mod de reprezentare este pretabil folos irii unei rețele
neurale. Întreaga informație EEG cu durata de 15 minute este reprezentată deci, de o matrice
cu 30 de linii(numarul de epoci de 30 de secunde) și 5 coloane(puterile spectrale relative). S –
au obținut astfel două fișiere, corespunzătoare cel or două semnale EEG Fpz_Cz de la cei doi
pacienți. Sunt prezentate 3 epoci reprezentate de câte 5 valori – puterile spectrale relative.
0.5792 0.1523 0.1070 0.0332 0.1284
0.5754 0.1454 0.1129 0.0283 0.1380
0.5595 0.1401 0.1089 0.0337 0.1578
Metoda clasificării stadiilor somnului clasică se bazează pe experiența unor
clasificatori experți în acest domeniu. Am ales ca soluție de clasificare a semnalului modelat

55
după metoda expusă Rețelele Neurale, logica ac estora bazându -se pe experiența antrenărilor
anterioare. Ca arhitectură a rețelei, am ales o rețea cu arhitectură de tip feed -forward
multistrat(FF) și algoritm de antrenare BackPropagation(BPN). Configurarea rețelei a fost
realizată în MatLab, folosind co manda >>nntool .

Am construit datele de antrenare, folosind segmente(succesiuni de epoci) din cele
două înregistrări, datele de ieșire reprezentând stadiul/stadiile aferente fiecărui segment.
Aceste stadii sunt codificate în felul următor: 0 – Starea de veghe(Wake), 1 – NREM 1, 2 –
NREM 2, 3 – NREM3&4, 5 – REM. Intrarea rețelei este reprezentată de un vector de
dimensiune 5(corespunzător valorilor RSP), iar ieșirea indică stadiul de somn aferent epocii
de somn exprimată prin vectorul de intrare. Pentru a antrena rețeaua s -a folosit un set de date
reprezentând 30 de epoci de semnal EEG, modelate prin algoritmul propus (4.1), folosit ca
intrare pentru rețeaua neurală, iar datele țintă reprezintă stadiile de somn corespunzătoare
celor 30 de epoci, extrase din hipn ogramele efectuate de experți. O reprezentare comprimată a
unei hipnograme poate arăta în felul următor:
2 2 2 2 2 2 2 2 2 2 1 1 0 1 1 5 5 5 5 5 5 5 5 5 5 5 3 3 3 3

Având datele de intrare și datele țintă, am trecut la alegerea Rețelei Neurale care să
ofere cea mai bună performanță la antrenare. Pentru aceasta, am testat mai multe rețele,
selectând pentru fiecare opțiuni precum număr de straturi, număr de neuroni pe strat, funcția
de antrenare, funcția de adaptare a învățării, funcția de performanță și fu ncția de activare. Am
comparat indicele de performanță obținut pentru fiecare rețea și am ales -o pe cea cu cel mai
bun indice de performanță.

56

Figura4.14: Testarea diferitelor rețele neurale

Figura4.15: Indicele de performanță

57
Rețeaua aleasă a avut următoarele caracteristici:
 Tipul rețelei : Feed -Forward Backpropagation
 Funcția de antrenare : TRAINOSS
 Funcția de învățare: LEARNGDM
 Funcția de performanță: MSE –Eroare pătratică medie
 Funcția de transfer: TANSIG – tangentă sigmoidală
Pentru realizarea efectivă a clasificării – simularea rețelei neurale, s -a folosit ca
mărime de intrare un set de date obținut asemănător cu procedeul de obținere a setului de
antrenare. După simulare, rezultatele au fost exportate în MatLab, unde s -a apli cat funcția
>>round pentru a rotunji valorile returnate de rețea. Am comparat apoi rezultatul rețelei cu
rezultatul clasificărilor -expert și am tras concluziile aferente. Rezultatul așteptat este:
(2 2 2 2 2 5 5 1 1 0 1 1 3 3 3 3 2 2 3 3 3 3 2 2 2 5 5 5 5 5)
,iar cel returnat de Rețeaua Neurală:
(2 2 2 2 2 0 5 1 1 0 1 1 3 3 3 3 2 3 3 3 3 3 5 5 5 5 5 2 2 5 )
4.2.3 Concluzii pe baza rezultatului obținut
Se observă prin compararea valorilor obținute cu cele așteptate că rețeaua este capabilă
să returneze rezultate în concordanță cu expertul care a întocmit această clasificare.Este foarte
precisă în diferențierea stadiilor 0(veghe) și 1(somnolență). Acest fapt se datorează frecvenței
mari a undelor Beta, ușor interpretabile de sistemul propus, car e sunt prezente doar în starea
de veghe. Sunt de notat problemele apărute atunci când după un stadiu lung de somn în
același stadiu se trece la altul, rețeaua nu se adaptează atât de rapid. Este cazul celei de -a 6-a
valori, când rețeaua confundă stadiul RE M cu stadiul W(veghe). O altă observație este legată
de confundarea în anumite cazuri a stadiului NREM2 cu REM. Acest fenomen apare de
câteva ori în acest rezultat. S -ar putea imputa o precizie scăzută a aproximării, considerând ca
este făcută doar pe un interval de 15 minute de somn, cantitate ce se multiplică în cazul unei
nopți întregi, dar, analizând figura următoare, ce reprezintă regulile RK de clasificare în
funcție de frecvența undelor, tragem concluzia că fenomenul ce determină confuzia stadiilor 2
și 5 este prezența undelor Theta pe fundalul semnalului amândurora (figura 4.16) .

Figura4.16: Regulile RK de clasificare în funcție de frecvența undelor

58
Problema poate fi foarte ușor soluționată analizând semnalul EOG cules în paralel,
care prezintă o scilații semnificative în stadiul 5(REM). Metoda adoptată pentru procesarea
semnalului EEG nu este aplicabilă și celui EOG, acesta nefiind împărțit în tipuri de undă de
frecvențe diferite. Analiza lui se face pe baza amplitudinii semnalului.
Această metodă este o simplificare a contextului real, dar rezultatele obținute, având în
vedere dimensiunea redusă a datelor disponibile pentru antrenare, sunt satisfăcătoare.

59
5. Concluzii
Studiul electroencefalografiei este la ora actuală într -un proces continuu de dezvoltare.
Comparativ cu celelalte înregistrări similare, semnalul EEG oferă cele mai multe informații cu
privire la activitatea biofiziologică a unui pacient. În consecință, ac est semnal este folosit într –
un spectru larg de cercetări științifice.
Folosind o gamă variată de înregistrări, dar bazându -se în special pe EEG,
polisomnografia este o arie de interes aflată într -o continuă dezvol tare în decursul ultimilor
ani.Cu toate că a fost introdus în 1968 15 , acest tip de înregistrare nu prezintă nicio soluție
de automatizare folosită la nivel clinic până în momentul de față. Acest fapt explică interesul
crescut acordat polisomnografiei în decursul ultimilor ani . Abordările și r ezultatele diferitelor
propuneri de automatizare prezintă un progres continuu în ceea ce privește precizia cu care
hipnogramele obținute prin metodele de automatizare sunt în concordanță cu cele obținute de
experți în polisomnografie, indicând perioada scurtă care a mai rămas până la acceptarea unei
metode și stabilirea unor noi standarde în ceea ce privește polisomnografia.
Am introdus în cadrul lucrării concepte, modalități de achiziție și prelucrare a
înregistrărilor EEG în scopul prezentării a două metode de auto matizare a studiului
polisomnografic, ambele având un raționament asemănător și fiind fezabile aplicabilității
clinice de specialitate.

60
Capitolul 6. Anexe
Anexa 1 – Considerații de ordin biomedical
A1.1 Neuroni. Activitate neuronală. Sinapse
Studiind activitatea cerebrală umană, apare nevoia de a explica originea(natura) tuturor
acestor fenomene pe care le întâlnim la nivelul cerebral. În acest sens, se poate afirma că
entitatea care face posibil ă funcționarea creierului uman este neuronul .
Creierul conține aproximativ 100 de miliarde de neuroni. Fiecare dintre aceștia poate
avea până la 2000 de conexiuni cu alții și poate primi până la 20 000 de semnale. Se poate
afirma deci, că neuronul este ce a mai diversă, din punct de vedere al formei și al mărimii,
celulă a corpului uman. Totuși, toți neuronii au în comun proprietatea de a genera, conduce,
integra sau transmite impulsuri nervoase.
Structura unui neuron este compusă din trei părți de bază:
1. Corpul neuronului (sau soma ). Această parte a neuronului conține toate componentele
necesare susținerii celulei – nucleul(cel care conține informație ADN), reticul
endoplasmatic și ribozomi(pentru construirea de proteine) și mitocondrii(pentru
producerea de energie). Corpul neuronului este vital pentru existența neuronului.
2. Axonul . Această prelungire a neuronului este responsabilă cu transportul mesajului
electrochimic(impuls nervos sau potențial de acțiune), de -a lungul celulei. Depinzând
de tipul neuronul ui, axonul său poate fi acoperit(protejat) de o teacă de mielină,
similar cu protecția unui conductor. Mielina îmbunătățește viteza de transmisie a
mesajului electrochimic. Neuronii protejați de mielină se găsesc de obicei în nervii
periferici(senzoriali ș i motori), pe când cei neprotejați se află în creier și măduva
spinării.
3. Dendritele – Aceste mici proiecții ale neuronului sunt destinate conexiunii cu alți
neuroni. Pot apărea atât într -o extremă a neuronului, cât și în cealaltă.

FiguraA1.1: Topologia neuronului. Corpul celulei( Cell body ), Dendrite( dendrites ), Axonul( axon ), Teaca de
mielină( Myelin Steath )

61

Neuronii se prezintă în numeroase forme și mărimi. De exemplu, un singur neuron
senzorial de la extremitățile degetelor are un axon a cărui lungime se întinde pe tot brațul, în
timp ce un neuron de la nivelul creierului se poate extinde doar câțiva milimetri. Depinzând
de funcționalitate, neuronii variază ca și formă. Cei motori de exemplu, au corpul celular la un
capăt, axonul în partea mediană și de ndritele în capătul opus corpului celular. Se diferențiază
astfel, următoarele tipuri de neuroni:
 Senzoriali – conduc impulsurile senzoriale de la extremitățile corpului la sistemul
nervos central.
 Motori – conduc semnale de la creier spre organe, mușchi, piele, etc.
 Receptori – codifică informația primită din mediul ambiant și o transmit prin
comunicația cu neuronii senzoriali către sistemul nervos central
 Interneuroni – neuroni de legătură.
În figura următoare, reprezentări ale diferitelor tipuri de neuroni, conform lucrării „The
fine structure of the nervous system: the neurons and supporting cells” – Peters, Palay, Webster
-1976 –Saunders Company Philadelphia, Londra, Toronto.

Figura A1.2: Diverse tipuri de neuroni. A – Celulă piramidală de la nivel ul cortexului vizual. B –Neuron aflat
la nivelul cerebelului. C – Astrocită protoplasmică din cadrul materiei cenușii la nivelul creierului. D –
Oligodendrocită din materia albă. E, G – Neuroni motor din măduva spinării. F,H – Neuroni motor de la nivel
muscul ar. J – Fibră nervoasă protejată de teaca de mielină.

62
Sinapsele
Sinapsa este locul specializat la nivelul căruia are loc contactul dintre neuroni. Are o
importanță crucială în transmiterea informației(semnalelor) între neuroni. Structural, sinapsa
se poat e considera drept un spațiu(despărțitură) între doi neuroni și este constituită de:
1. O terminație pre -sinaptică ce conține neurotransmițători, mitocondrii și alte tipuri
de microorganisme celulare.
2. O terminație post -sinaptică ce conține receptori corespunză tori
neurotransmițătorilor
3. Un cleft sinaptic – spațiul dintre terminațiile pre – și post – sinaptice
Pentru comunicația între neuroni, un semnal(impuls electric) trebuie să tranziteze
axonul înspre terminația sinaptică.
Potențiale electrice apar la nivelul j oncțiunilor sinaptice, ce se pot localiza la nivelul
axonului(axoaxonice), la nivelul somei(axosomatice), sau al dendritelor(axodendritice) și
exprimă comunicația între neuroni. Când un neurotransmițător se leagă la un receptor pe
partea post -sinaptică a l egăturii(sinapsei), acesta schimbă excitabilitatea celulei post -sinaptice:
o face mai mult sau mai puțin predispusă pentru a lansa un potențial de acțiune. Dacă numărul
de evenimente excitatorii post -sinaptice este suficient de mare, se va declanșa un pote nțial de
acțiune ce va reprezenta continuarea transmiterii „mesajului”. O înregistrare EEG detectează
aceste potențiale de acțiune.

Figura A1.3: Tipuri de sinapse. De la stânda la dreapta: axoaxonică, axodendritică, axosomatică

Nu toate ti purile de activitate cerebrală au același impact pe o înregistrare EEG.
Adâncimea la care se află, orientarea și simetria intrinsecă a conexiunilor de la nivelul
cortexului sunt signifiante în acest sens. Tipul de celulă cu o importanță deosebită în sensul
EEG este celula piramidală de la nivelul cortexului. Se cunoaște faptul că neurotransmițătorul
atașat ei este puternic excitator . Celula piramidală este diferită de ceilalți neuroni, ea
încălcând una dintre regulile principale ale neurofiziologiei, acee a că numai axonii produc
potențiale de acțiune care transmit mesaje între neuroni, iar dendritele produc potențiale
scăzute excitatoare sau inhibitoare ce se însumează la baza axonului pentru a stabili
potențialul acestuia. În cazul celulei piramidale(punc tul A în figura), dendrita apicală , un tub
alungit aflat între regiunile apicală și bazală, poate produce potențiale de acțiune, care la
rândul lor amplifică potențialele de acțiune ce sunt proiectate înspre exterior – sistemul
senzorial, sistemul motor, etc. Din aceste considerente, se crede că principalele semnale EEG
sunt cauzate de celulele piramidale cerebrale.

63
A1.2 Electrooculograma
Electrooculograma reprezintă metoda de identificare a modificărilor potențialului
corneo -retinal determinate de mișcările globilor oculari. Mișcările ochilor pot fi înregistrate
deoarece între cornee și retină există o diferență de sarcină elect rică, corneea fiind încărcată
pozitiv, iar retina negativ. Se formează astfel un potențial de dipol, determinat de proprietățile
diferite ale membranelor și fluidelor din partea anterioară și posterioară a globului ocular.
Acest potențial poartă numele de potențial corneo -retinal și variază între 100 -1200 µV, cu o
valoare medie de 300 µV.
Când electrozii de culegere sunt plasați în apropierea ochiului, ei înregistrează
modificarea poziției potențialului corneo -retinal sub formă de potențiale po zitive atunci când
corneea se apropie de electrodul pozitiv și negative atunci când corneea se îndepărtează de
electrodul pozitiv. Aceste mișcări sunt înregistrate ca semnale electrice, sunt amplificate și pot
fi citite sub forma electrooculogramei.

Figura A1.4: Înregistrarea electrooculogramei Figura A1.5: Structura ochiului uman

64
A1.3 Electromiografia
Electromiografia(EMG) este o investigație modernă paraclinică prin intermediul căreia
se studiază activitatea bioelectrică la nivelul mușchiului striat, în stare de repaus sau
contracție, respectiv în condiții normale și patologice.
Asemă nător EEG, sistemul electromiografic este format din electrozi de culegere,
amplificator și sistem de afișare(monitor sau hârtie, în cazul sistemelor mai vechi). Opțional,
electromiograful se poate dota cu sistem de redare a activității musculare prin semn ale
acustice(difuzor), precum și cu un sistem de stimulare, pentru provocarea contracțiilor în
vederea stabilirii funcționării normale a mușchilor. Undele EMG sunt de diferite amplitudini
și frecvențe, depinzând de gradul de contracție musculară
În ceea ce privește folosirea EMG în studiul polisomnografic, este de interes doar
semnalizarea apariției activității musculare, nefiind necesară o interpretare a acesteia.
Montajul folosit, EEG,EMG,EOG, pentru efectuarea unui test polisomnografic este pre zentat
în figura A1.6:

Figura A1.6: Montaj pentru testare polisomnografică. Se observă corespunzător EMG forma de undă în prezența
și respectiv absența activității musculare(jos)

65
A1.4 Termeni medicali folosiți în redactarea lucrării
Pentru această parte a lucrării, se dorește explicarea termenilor cu specific medical
apăruți pe parcursul lucrării. Cu alte cuvinte, un dicționar succint, menit să completeze
informațiile prezentate, pentru o înțelegere completă a lucrării.
Unită ți nosologice – cap. „Electroencefalografia” – Grup de boli ce au cauză comună
Subiacent – cap. „Electroencefalografia” – Plasat dedesubt
Atonie – cap. „ Polisomnografia” – reducerea elasticității unui țesut – cu referire în special la
țesutul muscular.
Bradicardie – cap. „ Polisomnografia” – încetinirea normală sau patologică a ritmului cardiac
Cataplexie – cap. „ Polisomnografia” – încetare bruscă și de scurtă durată a oricărei mișcări
Decubit – – cap. „ Polisomnografia” – poziție orizontală a corpului
Enurez is – cap. „ Polisomnografia” – incontinență urinară
Gabaergic – cap. „ Polisomnografia” – tipologie neuronală ce se referă la secreția de acid
gamma -aminobutiric(GABA)
Hipoxemie – cap. „ Polisomnografia” – scăderea cantității de oxigen în sângele arterial
Patolo gic – cap. „ Polisomnografia” – provocat de o boală
Pavor nocturn – cap. „ Polisomnografia” – stare de frică, groază. Pavor nocturn – coșmar
Peristaltism – cap. „ Polisomnografia” – contracții ale unor grupe de mușchi interni
cavitari(stomac, intestin)
Procubitu s – cap. „ Polisomnografia” – poziție orizontală a corpului pe partea ventrală. Opusul
termenului „decubit dorsal”.

66
Anexa 2 – Noțiuni utilizate
Se vor trata în acest capitol noțiunile, conceptele, principiile amintite și folosite
anterior în cadrul lucrării, asupra cărora nu s -a realizat o detaliere suficientă, pentru o
înțelegere deplină a utilității și motivelor folosirii acestor abordări.

A2.1 Convertoare Analog -Numerice (CAN)
Având în vedere aspectele prezentate în cadrul achiziției și procesării semnalelor EEG
pentru a fi utilizate în aplicații automatizate, este necesară referirea la conversia datelor
înregistrate la nivel cerebral cu a jutorul electrozilor(date analogice) în mărimi numerice.
Pentru aceasta, se folosește un Convertor Analog -Numeric – CAN.
Convertorul analog numeric este un circuit care transformă o mărime cu variație
analogică aplicată la intrare într -o mărime numerică la ieșire. Operațiile ce duc la conversia
analog numerică sunt eșantionarea și cuantizarea. Eșantionarea definește aspectul temporal al
conversiei și modul de prelevare al eșantioanelor în timp ce cuantizarea definește chiar modul
de obținere al echivalen tului numeric al mărimii analogice . Astfel, se poate deduce o schemă
de principiu a unui CAN, prezentată în imaginea de mai jos:

Figura A2.1 – Schema de principiu a CAN. De la stânga la dreapta: circuitul de prefiltrare are rolul de a limita
banda de fre cvență a semnalului de intrare pentru a putea fi îndeplinită condiția teoremei eșantionării ; circuitul
de eșantionare și memorare are rolul de a menține constant semnalul analogic pe toată durata conversiei ;
circuitul de eșantionare găsește valoarea clasei care îi corespunde eșantionului analogic de intrare ; de codare –
obține valoarea numerică clasei determinate de circuitul de eșantionare în conformitate cu codul numeric de
ieșire utilizat.
Un exemplu de astfel de convertor folosit în practica legată de studiul EEG este CAN –
ul de tip Flash(cu comparare paralelă), datorită vitezei de procesare a datelor.
Realizarea unei conversii analog numerice constă în compararea semnalului analogic
ui cu o mărire de referință V REF. Un circuit comparator este un CAN paralel de un bit. În acest
caz la cele două intrări ale comparatorului se aplică tensiunea de intrare și tensiunea de
referință. Ieșirea comparatorului reprezintă bitul b 1 al semnalului.
Realizarea unui CAN de N biți se obține prin compararea simultană a semnalului de
intrare cu 2N-1 comparatoare iar valorile de referință sunt realizate din tensiunea de referință
folosind un divizor de precizie. Structura unui astfel de convertor este prezentată în figura
A2.2:

67

Figura A2.2 : CAN de tip FLASH : pentru 8 biți de ieșire sunt necesare 255 de comparatoare iar pentru 10 biți
acest număr crește la 1025. Tensiunea de referință V REF este aplicată unei rețele rezistive de precizie astfel încât
fracțiunea de referință aplicată intrării inversoare a fiecărui compara tor să fie cu 1LSB mai mare decât cea de la
comparatorul de rang superior. Comparatoarele realizează atribuirea mărimii de intrare de pe intrarea
neinversoare unui interval de cuantizare. Toate comparatoarele care au referința mai mică decât valoarea de
intrare vor avea la ieșire 1 logic iar restul 0 logic. Se obține astfel o codare termometrică a mărimii de intrare.
Datorită numărului mare de biți necesar (2N-1) codul termometric rezultat se aplică unui codificator cu 2N-1
intrări și N ieșiri rezultând codul numeric dorit.

A2.2 Filtre cu răspuns finit la impuls – Finite Impulse Response FIR
Se completează în această secțiune informațiile prezentate în partea lucrării legată de
preprocesarea datelor, cu referire la metoda de rejecție a artefactelor prin utilizarea unui FIR
trece -bandă, metodă propusă de Gupta.
Un filtru digital, sau numeric este un sistem discret ce scalează și/sau defazează în
mod selectiv componentele spectrale ale semnalului discret de intrare, oferind la ieșire un
semnal discret opt im pentru scopul dorit. Scopul filtrării este deci îmbunătățirea calității
semnalului(reducerea sau înlăturarea zgomotului), de a extrage informații sau de a separa
două sau mai multe semnale combinate.

68
În cazul menționat(filtru FIR trece -banda), se u rmăresc următoarele ecuații:
𝑦 𝑛 = 𝑕 𝑛 𝑥 𝑛−𝑘 𝑀−1
𝑘=0 A2.1

𝐻 𝑧 = 𝑕 𝑘 𝑧−𝑘 𝑀−1
𝑘=0 A2.2
Unde h[k] – coeficientii de raspuns la impuls al filtrului; H(z) – functia de transfer a
filtrului; M-1 – ordinul filtrului;
Caracteristica de frecvență a filtrului trece -bandă se observă în figura A2.3:

Figura A2.3: Caracteristica de frecvență a unui filtru trece -banda

A2.3 Rețele neurale – Neural Networks
Principiul rețelelor neurale este utilizat în cadrul acestei lucrări atât în pre -procesarea
datelor(metodă de rejecție a artefactelor cauzate de clipire și mișcări ale globilor oculari), cât
și ca logică folosită în automatizarea procesului de sleep -scorin g (cuantificarea fazelor
somnului) folosit în cadrul polisomnografiei(cap. „Polisomnografia” ).
Studiate pentru prima dată în 1943, de către McCulloch și Pitts, rețelele neurale
caracterizează ansambluri de elemente de procesare simple, puternic interconect ate și operând
în paralel, care urmăresc să interacționeze cu mediul înconjurător într -un mod asemănător
creierelor biologice și care prezintă capacitatea de a învăța. Nu există o definiție general
acceptată a acestor tipuri de sisteme, dar majoritatea cer cetătorilor sunt de acord cu definirea
rețelelor artificiale ca rețele de elemente simple puternic interconectate prin intermediul unor
legături numite interconexiuni prin care se propagă informație numerică.

69
Originea acestor rețele trebuie căutată în stud ierea rețelelor bioelectrice din creier
formate din neuroni și sinapsele acestora. Principala trăsătură a acestor rețele este capacitatea
de a învăța pe bază de exemple într -un mod conexionist , folosindu -se de experiența anterioară
pentru a -și îmbunătăți performanțele.
În mod obișnuit, o rețea neurală este antrenată astfel încât o intrare particulară să
conducă la o ieșire țintă. Rețeaua va fi adjustată, bazându -se pe comparațiile dintre datele de
ieșire pe care le generează și ieșirile țintă, până când i eșirile rețelei se potrivesc cu ieșirile
țintă. Pocedeul folosit pentru a executa procesul de antrenare se numește algoritm de învățare,
care are funcția de a modifica ponderile sinaptice ale rețelei într -un mod sistematic pentru a
atinge obiectivul dorit de proiectare. Există două tipuri importante de învățare: supervizată și
nesupervizată . Învățarea supervizată presupune aplicarea unei intrări rețelei, după care se
compară ieșirea produsă de rețea cu ieșirea dorită și se modifică ponderile astfel încât să se
minimizeze diferența dintre cele două. Acest tip de antrenare dă rezultate bune, însă nu are
corespondent în lumea reală, întrucât nu există un mecanism de instruire care să compare
ieșirile dorite cu reale și să propage corecțiile în rețeaua de neuron i. În învățarea nesupervizată
mulțimea de antrenare constă numai din vectori de intrare. Iar scopul algoritmului este de a
produce vectori consistenți, în sensul că două semnale foarte apropiate să producă răspunsuri
identice sau foarte asemănătoare. Astfe l perechile ( vector de intare, vector de ieșire ) similare
sunt grupate în clase, proces numit și clusterizare.
Rețelele neurale artificiale se pot caracteriza pe baza a 3 elemente:
1. Modelul adoptat pentru elementul de procesare individual
2. Arhitectura rețelei
3. Algoritmii de învățare

1. Modelul neuronului: sau modul în care rețeaua transformă datele de intrare în date de
ieșire:

Figura A2.4: 2 modele ale elementului de procesare individual: de la stânga la dreapta: fără
deplasare(bias), cu deplasare. Scalarul de ieșire a este obținut prin rezultatul dat de funcția de transfer f ,
atunci când primește argumentul w*p( input – p, pond erea – w)

70
Atât ponderea, cât și deplasarea sunt parametri reglabili în cazul acestor rețele și pot fi
modificați pentru a obține comportamentul dorit. Se poate controla astfel rețeaua, încât să
realizeze un lucru dorit(referitor la principiile polisomnogr afiei – evident scopul folosirii
rețelelor neurale este clasificarea).
Referitor la funcțiile de transfer, acestea sunt predefinite, incluse în toolbox -ul MatLab
nnet , destinat lucrului cu rețele neurale. Cele mai frecvent folosite sunt: hard -limit ,
liniară(pureline), sigmoidală(logsig), prezentate în continuare:

Hard – limit – limitează ieșirea
la valori de 1 și 0 Liniară Sigmoidală – valori de
ieșire între 0 și 1 – folosită
în special în cadrul rețelelor
backpropagation

hardlim(n) =
0, dac ă 0
1, dac ă 0n
n 
 

purelin (n)=n

logsig (n) = 1 / (1 + exp( –
n))

Tabelul A2.1: Cele mai frecvent folosite funcții de transfer folosite în cazul rețelelor neurale

2. Arhitecturi neurale. Mai mulți neuroni pot fi așezați pe un nivel, iar o rețea neurală
poate conține unul sau mai multe straturi de neuroni. Această arhitectură este la
alegerea proiectantului, singura constrângere fiind reprezentată de faptul că numărul
neuronilor din stratul de ieșire trebuie să corespundă număru lui de ieșiri ale sistemului
asupra căruia se aplică logica rețelelor neurale.
Putem clasifica arhitecturile rețelelor neurale în două mari grupe:
 Cu propagarea informației dinspre intrare spre ieșire( feed-forward )
 Rețele recurente(cu reacție – feedback )
În figura A2.5 , o rețea neuronală pe un singur strat, cu R mărimi de intrare și S
ieșiri(neuroni).

71

Figura A2.5: Rețea Neurală cu un singur strat, cu matricea ponderilor,
1,1 1,2 1,
2,1 2,2 2,
,1 ,2 , . . .
. . .
. . . . . . . . . .
. . . R
R
S S S Rw w w
w w w
w w w


W

O rețea poate avea mai multe nivele, fiecărui nivel corespunzându -i o matrice de
ponderi W, un vector bias b și un vector rezultant a. Figura A2.6 prezintă o astfel de rețea
neurală. De remarcat faptul că ieșirile unui nivel reprezintă intrările nivelului următor. Putem
afirma deci că este vorba de o rețea de tip feed-forward – informația se propagă dinspre
stânga spre dreapta(intrare ieșire).

Figura A2.6: Rețea Neurală cu 3 straturi

72
3. Algoritmii de învățare în cazul rețelelor neurale se pot clasifica în două mari categorii:
 Învățare supervizată – în acest caz se impune vectorul intrărilor și cel al ieșirilor dorite
 Învățare nesupervizată – în acest caz, învățarea se realizează pe baza experienței, a
unui coeficient de învățare
Având în vedere cele prezentate anterior putem detalia diverse tipuri de rețele neurale .
Conform Hapr et al. (1989), există aproximativ 30 de tipuri de rețele neurale folosite în
prezent în cercetare și aplicații. Dintre acestea, 14 sunt folosite cu precădere și sunt foarte
răspândite.
Teoria Rezonanței Adaptive( ART – Adaptive Resonance Theory) – crează grupuri de date de
intrare (grupează datele de intrare în funcție de un parametru selectat numit „vigilență”).
Acest tip de rețea este cu învățare nesupervizată.
Avalanșa(AVA) – o clasă de rețele care poate fi folosită pent ru învățare,
recunoaștere(identificare).
Back -propagation(BPN) – cel mai folosit tip de rețea neurală, folosită în diverse tipuri de
aplicații și având o configurație de tip feed -forward multi -strat. Acest tip de rețea utilizează un
algoritm de minimizare pentru eroarea pătratică la mapare. A fost descrisă complet de
Rumelhart și McClelland.
Memoria asociativă bidirecțională(BAM) – Rețea hetero -asociativă monostrat, cu capacitate de
învățare
Mașina Boltzmann -Cauchy – este utilizată pentru rezolvarea unor pro bleme de optimizare.
Unitățile de procesare ale BCM sunt binare, iar adaptarea este probabilistică.
Brain State in a Box (BSB) – rețea monostrat auto -asociativă care minimizează eroarea
pătratică.
Cerebellatron(CBT) – învață formele de conducere spațiu -timp prin amplificarea
lor(asemănător cu funcțiile cerebelului de a conduce sistemul locomotor)
Hopfield(HOP) – memorie auto -asociativă cu învățare supervizată.
Learnmatrix – rețea monostrat nerecursivă
Madaline(MDL) – un set de combinatori neliniari antrenabi l prin minimizarea erorii pătratice.
Neocognitron(Neo) – este o rețea multistrat folosită în recunoașterea caracterelor alfa -numerice
Perceptron(PTR) – o rețea monostrat feedforward, care poate fi folosită atât pentru intrări
binare cât și pentru intrări con tinue cu capacitatea de a învăța și de a recunoaște forme simple.
Self-Organizing Map(SOM) – inspirată de principiul organizării canalelor simțurilor din
creierul uman.

73
A2.4 Logica Fuzzy – Sisteme Fuzzy
Conform Dicționarului Limbii Engleze, termenul fuzzy este definit ca un sinonim al
unor însușiri precum neclar, confuz, vag, indefinit. Totuși, în sfera inginerească, termenul
amintit capătă conotații diferite. Sistemele fuzzy sunt sisteme bazate pe experiență, pe o bază
de reguli bine stabilită. Sunt folosite pentru a clasifica date(cazul pentru care se va folosi în
lucrarea de față – clasificarea datelor EEG conform regulilor RK referitoare la stadiile
somnului), a lua decizii, a controla diverse procese, a prezice anumite evenimente, în cazul
unor probleme în care modalitățile clasice de rezolvare nu pot fi adaptate gradului de
ambiguitat e a datelor. Aceste sisteme funcționează, cu alte cuvinte, pe principiul transpunerii
limbajului uman în limbaj mașină.
Introduse în 1965 de către Zadeh, mulțimile fuzzy sunt o metodă de reprezentare a
incertitudinilor prezente în viața de zi cu zi, care sunt dificil de modelat printr -o variantă
convențională. Pentru a rezolva problema ambiguității informațiilor primite de un sistem,
Zadeh a introdus gradul de apartenență a unui element la o mulțime. Pentru a controla acest
fenomen, s -a introdus funcția c e stabilește acest grad de apartenență, denumită funcție de
apartenență. O mulțime fuzzy este așadar descrisă de gradul de apartenență a fiecărui element
al său la un domeniu de interes.
Logica fuzzy se diferențiază de principiile logicii clasice conform c ărora o propoziție
poate fi ori adevărată, ori falsă, introducând conceptul de valoare intermediară(ca de exemplu
poate adevărată în loc de adevărată privitor la valoarea de adevăr a unei propoziții).La baza
acestei logici(principiul fundamental al logicii fuzzy) se află un set bine stabilit de reguli de
tip DACĂ… ATUNCI…
Referitor la structura unui sistem fuzzy, indiferent că acesta este folosit pentru a
controla anumite procese, sau pentru alte aplicații pretabile, figura A2.7 indică principiul de
funcționare a sistemelor fuzzy.

Input Output

Figura A2.7: Structura unui sistem Fuzzy
Fuzzificarea reprezintă conversia datelor de intrare(valori ferme, reale) în variabile
lingvistice, folosind funcțiile de apartenență din Baza de Date. Mecanismul de inferență,
bazându -se pe Baza de Reguli(de tip Dacă..Atunci.. ) convertește mărimea de intr are de tip FUZZIFICARE
MECANISM DE
INFERENȚĂ
BAZA DE
REGULI DEFUZZIFICARE
BAZA DE DATE

74
fuzzy într -o ieșire fuzzy, urmând ca Defuzzificatorul să transforme această valoare într -una
fermă, folosind funcții de apartenență omoloage celor folosite de Fuzzificator.
În continuare, sunt prezentate diferite tipuri de mecanisme de inferenț ă: Mamdani,
Takagi -Sugeno -Kang, Tsukamoto.
Mecanismul(motorul) de inferență Mamdani(1975)
Scopul original al acestui sistem a fost reglarea unui ansamblu compus dintr -un motor
cu aburi și un boiler pe baza unui sistem de reguli lingvistice impus de operat ori umani
experimentați. Pentru această problemă, existau doi parametri de intrare , X, Y și trebuia
returnată o ieșire Z. Figura A2.8 ilustrează felul în care ieșirea Z derivă din cele două mărimi
de intrare, pe baza unui mecanism de inferență Mamdani cu două reguli(max -min).

Figura A2.8: Mecanism de inferență tip Mamdani pentru două mărimi de intrare X și Y
Defuzzificatorul avea sarcina de a transforma mărimile de ieșire fuzzy(Z), prin funcții
de apartenență omoloage cu cele folosite pentru fuzzificare a mărimilor de intrare, în mărimi
ferme, analogice. Principalele metode de defuzzificare în cazul modelului Mamdani sunt cele
prezentate mai jos, aplicate pe aria indicată în figura anterioară(A2.8), explicitată în figura
A2.9.

 Centroidul Ariei(COA)
 Bisectoarea Ariei(BOA)
 Media Maximelor(MOM)
 Cel mai mic Maxim(SOM)
 Cel mai mare Maxim(LOM)

Figura A2.9: Deffuzificare Mamdani

75
Mecanismul(motorul) de inferență Sugeno(TSK) – 1985
Scopul acestui tip de mecanism a fost generarea de seturi de reguli fuzzy pentru un set
de date intrare -ieșire dat. Forma generală a unei reguli folosite în mecanismul TSK este:
Dacă ( x=A) și (y=B) Atunci z=f(x,y) A2.3
În relația A2.3, A, B sunt seturi(mulțimi) fuzzy, iar z este o funcție ce primește valori
ferme(crisp). f este de regulă o funcție polinomială ce depinde de x,y. În acest caz, avem de a
face cu un mecanism Sugeno Fuzzy de Ordinul Întâi. În cazul în care f este o constantă,
mecanismul se va numi Sugeno Fuzzy de Ordin Zero.
În cazul existenței a două reguli pentru un model Sugeno Fuzzy de Ordinul Întâi:
 Fiecare regulă va avea o ieșire fermă(crisp)
 Mărimea de ieșire totală va fi calculată ca medie ponderată a ieșirilor
 Nu este nevoie de procesul defuzzificării.
Principiul celor enunțate anterior se reflectă și în figura A2.10:

Figura A2.10: Valoarea de ieșire(output -ul) în cazul unui mecanism de inferență TSK – Notă: weighted
average = medie ponderată(eng.)
Mecanisme de inferență Tsukamoto -1979
Exemplul unui model Tsukamoto Fuzzy cu trei reguli și o singură mărime de
intrare(input) – relațiile A2.4:
Dacă x este Small Atunci y este C1
Dacă x este Medium Atunci y este C2 A2.4
Dacă x este Large Atunci y este C3

76
Principiul Mecanismului Tsukamoto Fuzzy este prezentat și în figura A2.11:

Figura A2.10: Output -ul în cazul mecanismului de inferență Tsukamoto – Notă: weighted average = medie
ponderată(eng.)

A2.5 Fuziunea Sistemelor Fuzzy cu principiile Rețelelor Neurale

Folosind termenul de „fu ziune” în cadrul anterior, se face referire la posibilitatea de a
folosi specificațiile și avantajele ambelor tipuri de raționamente, combinate într -un sistem
hibrid care să răspundă unor cerințe enunțate, rezultând performanțe mai bune. În acest sens,
ne putem referi la două mari categorii de mecanisme hibride neuro -fuzzy, menite să rezolve
neajunsurile celor două tipuri de raționamente în aplicarea pe sisteme complexe și anume
Rețele Neurale folosite pentru proiectarea unor Sisteme Fuzzy și Sisteme Fuzzy folosi te
pentru proiectarea și antrenarea unor Rețele Neurale.
În ultima perioadă, tehnici inteligente precum precum sistemele fuzzy, modelarea
fuzzy, logica fuzzy, sunt folosite în vaste domenii de interes, precum inginerie, medicină și
științe sociale. Desigu r, unele sisteme de control fuzzy pot fi observate în obiecte de uz
casnic, sisteme de transport automatizate, linii de producție. După cum am prezentat și
anterior, funcțiile de apartenență, pentru procesul de fuzzificare sau defuzzificare, cruciale
pentr u logica fuzzy, sunt determinate de operatorul sistemului, prin folosirea experienței în
domeniu. Acest fapt implică o perioadă de testare și adaptare a mecanismului care poate dura
perioade destul de lungi, chiar și pentru cele mai simple sisteme. În cons ecință, această
problemă se amplifică în momentul în care trebuie proiectată logica de funcționare a unui
sistem complex.
În acest sens, au fost propuse diferite mecanisme cu auto -acordare parametrică, printre
care amintim Rețeaua Neuro -Fuzzy bazată pe al goritmul Backpropagation , sau mecanismul
de învățare Fuzzy folosind Radial Basis Function(RBF).

77
Aceste sisteme hibride au capacitatea de a învăța mai repede decât RN clasice . Totuși,
operatorul trebuie să decidă numărul și natura funcțiilor de apartenență înainte de a începe
procesul de învățare. Acuratețea unui sistem ce folosește logica Fuzzy este evident
determinată de numărul de funcții de apartenență. Se poate afirma că un mecanism de
inferență cu mai multe funcții de apartenență este mai precis decât unul cu mai puține, dar
trebuie ținut cont de faptul folosirea mai multor funcții de apartenență atrage după sine
proiectarea unui număr mai mare de reguli pentru mecanismul de inferență, ceea ce înseamnă
creșterea probabilității de a greși în cursul proiectării sistemului.

78
7. Bibliografie:
[1]. DUMITRU CONSTANTIN, D. Craiu, N. Butoianu, C. Sîrbu, T. Lupescu, C.
Popescu – „Electroencefalograma clasică și modernă la adult și copil” – Editura
Medicala 2008, București.
[2]. B.J. FISCH – „EEG Primer -Basic Principles of Analog and Digital EEG” –
Elsevier , Albuquerque SUA,2005
[3]. MARILENA KORY -MERCEA – „Metoda Electroencefalografică” – Editura
Risoprint 2008,Cluj Napoca
[4]. F H LOPES DA SILVA,F.C GONCALVES, J.C. DeMUNCK –
„Electro encephalography (EEG) ” Elsevier 2009,Amsterdam
[5]. J. OCHOA – „ EEG Signal Classification for Brain Computer Interfaces
Applications” – 2002, Lausanne
[6]. NIELS BIRBAUMER – „ Breaking the silence : Brain Computer Interfaces for
communication and motion control” – Blackwell Publishing 2006,USA
[7]. CHAPMAN , R.M. & Bragdon – „Evoked responses to numerical and non –
numerical visual stimuli while problem solving. Nature, 203, 1155 -1157. ”- 1964
[8]. L. A. FARWELL and E. Donchin – „Talking off the top of your head: A men tal
prosthesis utilizing event -related brain potentials,” Electroencephalogr. Clin.
Neurophysiol., vol. 70 ”- 1988
[9]. R. ACHARYYA – „A New Approach for Blind Source Separation of
Convolutive Sources ”-2008
[10]. GUPTA et al. – „Preprocessing EEG signals for direct h uman -system interface
Intelligence and Systems ”, 1996., IEEE Intern ational Joint Symposia
[11]. AASM – „The AASM Manual for the Scoring of Sleep and Associated Events:
Rules, Terminology and Technical Specifications ”- SUA, 2007
[12]. S. SANEI, J.A. CHAMBERS – „EEG Signal Processing” – 2007 , Cardiff
[13]. JAN-HENDRIK – „EEG Signal Processing” -2004
[14]. D. NOVAK, L Lhotska, V. Eck, M. Sorf – „EEG and VEP signal processing” –
2005, Praga
[15]. RECHTSCHAFFEN A, KALES A. – „A manual of standardized terminology,
techniques and scoring system for sleep stages of human subjects” – Public Health
Service -1968
[16]. S. GREER, J.M. Saletin – „Sleepsmg – Computerized Sleep Scoring” – U.C.
Berkeley 2011
[17]. SHIMADA T. et al. – „Sleep Stage Diagnosys system with neural network
analysis” – 1998
[18]. RAJEEV AGARWAL , J. Gotman – „Computer -Assisted Sleep Staging” –
IEEE vol 48, 2001
[19]. JANG, J.S. Roger – „ANFIS – Adaptive Network -Based Fuzzy Inference
System” – IEEE vol 23, 1993
[20]. GIRISHA GARG, V. Singh, J.R.P Gupta, A.P. Mittal, S. Chandra – „Computer
Assited Automatic Sle ep Scoring Using Relative Wavelet Energy Based Neuro Fuzzy
Model” – Inmas Delhi, India, 2011

79
[21]. N. KERKENI et al. – „Neuronal Spectral Analysis of EEG and Expert
Knowledge Integration for Automatic Classification of Sleep Stages” – Toulouse ,2005
[22]. J.E. HEISS, C.M. Held, P.A. Estevez, C.A. & J.P. Perez, C.A. Holzmann –
„Classification of sleep stages in infants: a Neuro -Fuzzy Approach”Santiago, Chile,
2002
[23]. C.M. HELD et al. – „Extracting Fuzzy Rules From Polysomnografic
Recordings for Infant Sleep Clasification” – 2003
[24]. PETERS, Palay, Webster – „The fine Structure of the Nervous System” –
Saunders Company 1976
[25]. I. DUMITRACHE, N. CONSTANTIN, M. DRAGOICEA – „Rețele Neurale.
Identificarea și conducerea proceselor” – MatrixRom, București – 1999
[26]. I. DUMITRACHE – „Ingineria Reglării Automate” – Politehnica Press,
București, 2005
[27]. D. POPESCU, V. Sgârciu – „Echipamente pentru măsurarea și controlul
parametrilor de proces” -București, 2002
[28]. Li-Xin Wang – „A Course in Fuzzy Systems and Control” – Pentice -Hall
International
[29]. M. Pătrașc u, A.B. Hanchevici – „Sisteme Avansate de Conducere -Îndrumar de
laborator” – Politehnica Press,București, 2011
[30]. C.J. Lakhmi, N.M. Martin – „Fusion of Neural Networks, Fuzzy Systems and
Genetic Algorithms: Industrial Applications ” – CRC Press, 1998
[31]. www.edfplus.info