DIPLOMATERV BENYOVSZKY MÁTÉ 2011

DIPLOMATERV

BENYOVSZKY MÁTÉ 2011.

DIPLOMATERV

AZ EKG AUTOMATIZÁLT SZOFTVERES ELEMZÉSE PSZICHOFIZIOLÓGIAI VIZSGÁLATI HELYZETBEN

TÉMAVEZETŐ: DR. MOLNÁR MÁRK KÜLSŐ INTÉZMÉNY: MTA PSZICHOLÓGIAI KUTATÓINTÉZET PSZICHOFIZIOLÓGIAI KUTATÓCSOPORT

1068 Budapest, Szondi u. 83-85.

SZERZŐ NEVE: BENYOVSZKY MÁTÉ INTÉZMÉNY: PÁZMÁNY PÉTER KATOLIKUS EGYETEM INFORMÁCIÓS TECHNOLÓGIAI KAR BIONIKUS SZÁMÍTÁSTECHNIKA SZAK LEADÁS DÁTUMA: 2011. JÚNIUS 15.

Benyovszky Máté | Diplomaterv

NYILATKOZAT AZ ÖNÁLLÓ MUNKÁRÓL

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

Budapest, 2011. június 14.

____________________________ aláírás


TARTALOMJEGYZÉK 1.

A feladat rövid összefoglalása .............................................................................................................3

2.

Abstract .........................................................................................................................................................4

3.

Bevezetés......................................................................................................................................................5

4.

Feladatkiírás ...............................................................................................................................................6

5.

Irodalomi háttér ........................................................................................................................................7 5.1

5.1.1

EEG ..............................................................................................................................................7

5.1.2

EKP ..............................................................................................................................................8

5.1.3

EKG ..............................................................................................................................................9

5.1.4

HRV ........................................................................................................................................... 10

5.1.5

RT .............................................................................................................................................. 11

5.2

6.

Pszichofiziológia aspektusok......................................................................................................7

Vizsgált helyzetek ........................................................................................................................ 11

5.2.1

Várakozási helyzet (CNV)................................................................................................ 11

5.2.2

Mentális aritmetika............................................................................................................ 13

5.3

Kapcsolat a vizSgált aspektusok között .............................................................................. 13

5.4

Szívritmus feldolgozó szoftverek .......................................................................................... 14

Korábbi munkák ..................................................................................................................................... 16 6.1

Fejlesztések .................................................................................................................................... 16

6.1.1

EKG Timeline ........................................................................................................................ 16

6.1.2

EKG EventGenerator ......................................................................................................... 17

6.1.3

EKG PeakDet 2 ..................................................................................................................... 18

6.1.4

DATSTAT ................................................................................................................................ 19

6.2

KORÁBBI ELEMZÉSEK ............................................................................................................... 21

6.2.1

Várakozási folyamatokkal összefüggő agyi elektromos jelek elemzése ...... 21

6.2.2

Várakozási folyamatokkal összefüggő agyi elektromos potenciálok

változása kis dózisú alkohol hatása alatt ..................................................................................... 22

6.2.3

Kognitív tevékenységek vegetatív idegrendszeri mutatói kis dózisú alkohol

hatása alatt ............................................................................................................................................... 24 6.2.4

Kognitív

erőfeszítéssel

összefüggő

EEG

változások

és

vegetatív

idegrendszeri folyamatok korrelációja ......................................................................................... 27 A tervezés részletes leírása................................................................................................................ 28

7.

7.1

Fejlesztés ......................................................................................................................................... 28

7.1.1

Alapvető szempontok, célok .......................................................................................... 28

7.1.2

Szoftverrendszer logikai felépítése ............................................................................. 30

7.1.3

EKG Timeline 7 Reader .................................................................................................... 31

7.1.4

EKG Timeline 7 Analyser ................................................................................................. 36

7.2

Vizsgálati helyzetek ..................................................................................................................... 41

7.2.1

CNV helyzet ........................................................................................................................... 41

7.2.2

Számolás helyzet................................................................................................................. 42

7.3

A feldolgozás lépései ................................................................................................................... 43

Eredmények, értékelés ........................................................................................................................ 44

8.

8.1

Fejlesztés ......................................................................................................................................... 44

8.1.1

Továbbfejlesztési lehetőségek ...................................................................................... 45

8.2

CNV helyzet..................................................................................................................................... 46

8.3

Számolás helyzet .......................................................................................................................... 51

Összefoglaló ............................................................................................................................................. 55

9. 10.

Felhasznált eszközök ....................................................................................................................... 56

11.

Köszönetnyilvánítás ......................................................................................................................... 56

12.

Irodalomjegyzék ................................................................................................................................ 57

13.

Mellékletek .......................................................................................................................................... 65

13.1

Ábrajegyzék .................................................................................................................................... 65

13.2

MATLAB program forráskódja magyarázattal ................................................................. 66

13.3

Feldolgozott adatok..................................................................................................................... 66

13.4

A feldolgozás folyamata ............................................................................................................. 66


2. oldal

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

3. oldal

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


4. oldal

3. BEVEZETÉS Munkám inkrementális folytatása az Önálló labor tárgyak keretében megkezdett kutatásaimnak. Kezdetben az idegrendszer tevékenységét vizsgáltam különböző feladathelyzetekben, majd a vegetatív idegrendszeri mutatókkal, azokon belül is a szívritmus változással való korrelációt elemeztem. A vegetatív mutatók, mint a bőr vezetőképessége (galvános bőrellenállás, GSR), a pupilla méretének változása, légzés sebessége vagy a pulzus változásai (szívverés sebessége vagy vérnyomás változás, baroreflex) fontos kísérői az agyi tevékenységeknek. Bár hozzájuk kapcsolódó vizsgálati módszerek fejlettek és kifinomultak, az egyes feladathelyzetekben történt mérések eredményeinek nagy elemszámú feldolgozására nem állnak rendelkezésre elterjedt, bevált megoldások. A diplomamunkámban [3] is elvégzett kutatások során kristályozódott ki egy olyan szívritmus elemző szoftver kifejlesztésének szükségessége, mely kellően rugalmas ahhoz, hogy a változatos pszichofiziológiai

mérések

eredményei

gyorsan

kielemezhetőek

legyenek,

de

mindemellett felhasználóbarát, kimenetei tovább elemezhetőek és szükség szerint, az új tudományos eredményekhez kapcsolódó algoritmusokkal bővíthető eszköztárral rendelkezik. Az irodalomkutatás során az alapjelenségek megismertetése és néhány fontosabb vonatkozó cikk említése után a hipotézisek alatt vizsgált helyzeteket pszichofiziológiai vonatkozásait mutatom be. Röviden kitérek az elemzés eszközrendszerére, majd leírom korábbi eredményeim eléréséhez ezeket hogyan alkalmaztam (korábbi diplomatervemre építve). A tervezés részletes bemutatását az újonnan fejlesztett szoftverrel szemben támasztott követelmények és koncepciók ismertetésével kezdem, folytatva a program felépítésének és folyamatainak leírásával. Az használatot két kísérleti helyzeten történő alkalmazáson keresztül mutatom be, az eredményeket külön fejezetben értékelve. A közel két éves munka összefoglalásaként dolgozatomban egy olyan új, több tudományterületről tapasztalatokat kamatoztató szoftverrendszert mutatok be, mely nem csak radikálisan leegyszerűsíti az EKG jelek feldolgozását, de felhasználóbarát grafikus felülettel rendelkezik és az új tudományos eredményekre felkészülve viszonylag rövid idő alatt új modulokkal is bővíthető.


5. oldal

4. FELADATKIÍRÁS A vizsgálati helyzetek során felvett EKG elemzése informatív mutatókat ad az agyi elektromos jelek értelmezésének megértéséhez. A piacon lévő szoftverek azonban jellemzően egy-egy vizsgált személy adatainak elemzésekor segítenek, komplett vizsgálati helyzetek automatizált elemzése nem lehetséges. 2008-ban ezért kezdtük fejleszteni az EKG Timeline elemzést segítő MatLab szoftvert, mely a teljes vizsgálati helyzetek elemzését hivatott megkönnyíteni. A program számos verziót megélt, melyek jellemzően kiegészítések vagy javítások voltak, és több cikk referált eredményeire. Azonban a nehéz bővíthetőség, a labor és a kor új igényei új, rugalmasabb, pontosabb, és gazdagabb eszköztárral, elemzési képességekkel rendelkező szoftver kívánnak. Ehhez komplett újratervezésre van szükség. A megvalósítás során a következő feladatokat vittük véghez: -

-

-

-

-

-

-

Tekintse át a vonatkozó szakirodalmat! A kurrens vizsgálati módszerek és eredmények bemutatása. Vizsgálja meg a jelenleg elérhető szoftverkínálatot! Az elérhető elemző szoftverek felkutatása (különösen az ingyenes megoldásokra fókuszálva). Mutassa be az egyes szívritmus elemzési technikákat! Az idő- és frekvenciatartományban történő elemzések legfontosabb tulajdonságainak bevezetése. Hasonlítsa össze az eredményeket, és adjon javaslatot az elemzési metodikára! Állítson össze egy javasolt feldolgozási műveletsort a kiválasztott, leghatékonyabb algoritmusokkal a későbbi kutatások felgyorsítására. Dolgozza ki és fejlessze le az elemzéseket hatékonyan automatizáló szoftvercsomagot! A kialakítást előzze meg tervezés. A kész program lehetőleg moduláris felépítésű legyen a későbbi bővíthetőség érdekében. A szoftver rendelkezzen grafikus felhasználói felülettel, az eredményeket jelenítse meg vizuálisan! A felület bármilyen kutató munkát végző vagy segítő számára kezelhető legyen. A konfigurálás és a paraméterezés során a módosítások eredményei lehetőleg azonnal jelenjenek meg, a végleges adatok kimentése előtt. Mutassa be a programot és működését, adjon felhasználói leírást és specifikációt! A program működését mutassa be funkcionális szolgáltatásain keresztül, használatához készüljön közérthető útmutató. Tesztelje és ellenőrizze a helyes működést! A kísérleti adatokkal ellenőrizze a szoftverek eredményeit. Mutassa be a használatot példákkal és eredményekkel! Valós adatok elemzését végigvezetve mutassa be a program használatát.


6. oldal

5. IRODALOMI HÁTTÉR 5.1 PSZICHOFIZIOLÓGIA ASPEKTUSOK 5.1.1 EEG Az EEG (elektroencefalogram) tudomány általánosan elfogadott tézisei szerint az idegsejtek közötti kommunikáció egyik megnyilvánulási formájának tekinthető [4] [5]. A neuronok a szinapszisokon keresztül összekapcsolódva továbbítják az impulzusokat, melyek tulajdonképpen ionkoncentráció változások a sejtmembránok mentán. Ezeknek elektromos töltése van, s az így keletkezett potenciálkülönbségek eredményeként random jellegű „oszcillációk” alakulnak ki. Ingerek hatására azonban részint intenzitásuk, részint időbeli összerendezettségük nő (1. ábra). Subject: EEG file: 21_cnv1_3.cnt Recorded : 10:12:48 20-Dec-2005 Rate - 1000 Hz, HPF - 0 Hz, LPF - 70 Hz, Notch - off, Montage - None

Neuroscan SCAN 4.3 Printed : 12:41:21 13-Nov-2007

FP1FP2F7F3FzF4F8FT9FC5FC1FC2FC6FT10T7C3CzC4T8TP9CP5CP1CP2CP6TP10P7P3PzP4P8PO9O1O2PO10HEOGjHEOGbVEOGfVEOGaEKGFCz

-256 µV

600 ms

9

00:03:23.71

2

2

00:03:24.71

2

5

00:03:25.71

10

00:03:26.71

00:03:27.71

00:03:28.71

1. ÁBRA: CNV HELYZET, EGYETLEN SZEMÉLY NYERS EEG ADATAIVAL

A frontális elektródoknál (F-el kezdődő csatornák) a 10-es trigger után (00:03:26) látható „szabad szemmel is” a CNV-hez kötődő eltolódás negatív irányba (felfelé). Alul az EKG.


7. oldal

Az elvezetés fejre helyezett, pontosan pozicionált elektródok [6] segítségével történik. Mivel közvetetten mérünk, (mélyen fekvő idegsejteket nem lehet közvetlenül elérni ezzel a technikával) csak közelítő képet kapunk. Előnye viszont az „invazív” (feltáró, azaz műtéti beavatkozást) igénylő „deep brain” eljárásokhoz képest, hogy tulajdonképpen kockázatok nélkül bárkit vizsgálhatunk (bármilyen tevékenység közben, nagyon jó időbeli felbontással) [7]. Az EEG tevékenységben hagyományosan az amplitúdót vizsgáljuk (μV), az utóbbi évtizedek eredménye frekvenciaspektrum [8], és más karakterisztikumok elemzése [9].

5.1.2 EKP Az esemény kiváltott potenciálok (EKP) [10], az EEG tevékenység adott eseményéhez kapcsolódó inger által kiváltott, jellemzően több komponensből álló tranziens elektromos aktivitások, melyek sokszor funkcionális kognitív működésre utaló jelentéssel is rendelkezhetnek. A kiváltott potenciálok osztályozása, nevezéktana az alábbiak szerint történik: az N vagy P betű a negatív vagy pozitív irányú polaritást, az utána következő szám pedig az ingertől számított eltelt idő (latencia) msec-ban (a nullák olykor jelölése elmarad, így két nagyságrenddel kisebb számot látunk).

2. ÁBRA: AEP-K ÉS JELLEMZŐIK


8. oldal

A potenciálokat többféle inger kiválthatja (pl. vizuális, taktilis), melyek típusra és endogén folyamatokra jellemző komponensekből épülhetnek fel. Az akusztikusan kiváltott válasz (AEP) is jellegzetes mintázatot vesz fel, melyet rövid hanginger (vizsgálatoknál jellemzően fülhallgatón keresztül érkező hallásküszöb feletti hang) idéz elő. Főbb elemeit az alábbi ábra foglalja össze (2. ábra) [11]. Legfontosabbak az N100 (90-130 ms környékén), az N2 (130-160 ms) és a P300 (300-400 ms). Ezek közül az N1 például mindig megjelenik, míg a P3 feladathelyzettől függően elmaradhat.

5.1.3 EKG Az elektrokardiográfia (röviden EKG) a szív elektromos jelenségeit vizsgálja, a szívizom-összehúzódásakor keletkező elektromos feszültség-ingadozás regisztrálásával. A szív összehúzódása egy elektromos inger hatására jön létre, mely normális esetben a sinuscsomóból indul és a test felszínére helyezett elektródokkal, „non-invazív” módon elvezethető. Az EKG-felvételen szívverés periódusonként ismétlődő csúcsokat lehet megkülönböztetni (mV nagyságrend), melyeket a szakirodalomban betűkkel jelölnek. Ezek csúcsok megfelelnek bizonyos biológiai eseményeknek a szívben, sorrendben: 1. P - ingerület kialakulása a szinusz csomóban, 2. Q - az ingerület kezdete a kamrákban (ez az apró negatív csúcs gyakran nem is látható), 3. R - a legnagyobb csúcs a kamrákon végigterjedő ingerületet mutatja meg, 4. S - a negatív csúcs a kamrán végigfutó ingerület végét jelzi, 5. T - a kamra repolarizációját mutatja meg, 6. U - a normális görbén nem vagy csak alig látható, de kóros állapotokban (pl. káliumhiány esetén) látványosan jelenik meg. Az összehúzódások számát, azaz a pulzusszámot könnyen megkaphatjuk, ha összeszámoljuk az adott idő (pl. 1 perc) alatt keletkező R csúcsok számát. Pontosabb mérés esetén – melyet használtunk - pulzusgörbét az R csúcsok közötti távolság méréséből állapíthatunk meg (3. ábra) [12].


9. oldal

3. ÁBRA: RR INTERVALLUM

5.1.4 HRV A szívritmus (Heart Rate: HR) szabályozása összetett idegrendszeri folyamat, melyet 3 fő komponens befolyásol: 

a vegetatív idegrendszer szimpatikus (5 s feletti reakcióidő, alacsony frekvenciájú moduláció: LF) és



paraszimpatikus (gyors hatás, 1-2 szívverés alatti hatás, magas frekvenciájú komponens: HF), illetve közvetetten



a vérnyomás (érfalak feszessége, baroreflex) (4. ábra) [13].

Az EKG elméleti szinten akár 300-400 msec, de maximum 1-2 sec alatt követheti a kognitív tevékenységet. Az idegi hatásokon kívül egyéb tényezők is befolyásolják a szívritmus variabilitást, vagy annak bizonyos komponenseit: ugyanis komoly összefüggés van az egészségi állapottal [14], nemmel és korral [15] [16], ezek által a táplálkozással [17] [18] [19]. A testalkattal is összefüggésbe hozható (nem szignifikáns) [20], ezekből következően pedig fizikai állapottal, ugyanúgy, mint a CNV [21]. Az EKG felvételek során befolyásoló tényezőnek számíthat levegővételhez kötődő légzési szinusz aritmia [22] is.


10. oldal

4. ÁBRA: SZÍVRITMUS SZABÁLYOZÁS KOMPONENSEI

5.1.5 RT A reakcióidő (Reaction Time: RT) az egyik legrégebbi és legkönnyebben mérhető viselkedési mutató, évtizedek óta használják a kognitív és motoros teljesítmény mérésére. Kapcsolódó mutató lehet a helyes válaszok aránya az összes visszajelzéshez viszonyítva. A reakcióidőt számos aspektus befolyásolhatja, például a nem és a kor [23], éberségi állapot, vagy véralkohol szint [24].

5.2 VIZSGÁLT HELYZETEK 5.2.1 VÁRAKOZÁSI HELYZET (CNV) A várakozási helyzetben [25] egy lassú negatív agyi potenciál alakul ki (Contingent Negative Variation: CNV), melyet egy rövid pozitív eltolódás követhet [26] (sokak szerint ez a P300 EKP hullámnak felel meg). A funkcionális jelentés egy rugó analógiájával mutatható be a legjobban: a felkészítő (szakirodalomban S1-el jelölik általában) inger után kezdődik a negatív irányú összenyomás, egészen az felszólító (S2) ingerig. Benyovszky Máté | Diplomaterv

11. oldal

Kiengedés után egy pillanatra a rugó túl is nyúlik eredeti hosszán pozitív irányban, s rövid ideig csökken az ingerelhetőség. Az előfeszítés nagysága arányosnak tűnik a befektetett energiával, azaz koncentráció nagyságával. Ezt az is alátámasztja, hogy elterelő vagy kimaradó feladatok után az ott fel nem használt „potencia” sok esetben megjelent az utána lévő helyzetnél [26]. Ezt a jelenséget „CNV rebound”-nak (visszacsapás) nevezi a szakirodalom. Az agykérgi ingerelhetőség [27] mértékének is titulált CNV nyomai a fej hosszanti felezővonalán - orrgyök (nasion) – fejtető – nyakszirt (inion) - mutathatóak ki leghatározottabban (a homlok felső részétől indulva, ahol általában a legnagyobb az amplitúdó) (5. ábra). Subject: EEG file: xg_null.avg Recorded : 10:28:49 14-Nov-2005 Rate - 1000 Hz, HPF - 0 Hz, LPF - 70 Hz, Notch - off

*Fz

Cz

Neuroscan SCAN 4.3 Printed : 11:55:37 16-Apr-2008

Pz

-40.0 -30.0 -20.0 -10.0 µV 0.0 10.0 20.0 30.0

40.0 -500.0

500.0

1500.0

2500.0 ms

3500.0

4500.0

5500.0

5. ÁBRA: A CNV SKALPELOSZLÁSA

A CNV terjedésével kapcsolatos lokalizációs megfigyelések. A kísérletben résztvevő személyek (30 fő adatainak nagyátlaga) 5 hangjelzést hallottak, s egy gombot kellett megnyomniuk, amennyiben az utolsó elmaradt. A frontalis (Fz), centralis (Cz), parietalis (Pz) irányban csökken az amplitúdó. A nyilak a hangjelek elhangzásának időpontját jelölik.


12. oldal

A CNV csúcsamplitúdóját igen sok tényező befolyásolhatja. Kézenfekvő ezek közül például az éberségi állapot, mely alacsony szintjénél az egyszerű esetekben általában magasabb, míg a bonyolultabb feleletválasztós esetekben alacsonyabb értékű CNVcsúcsamplitúdó várható [28]. A reaktivitás, ingerelhetőség alacsonyabb, amikor az átlagos EEG DC-szint eleve negatív irányba tolódott (pl. feszült idegállapot esetén): ilyenkor kisebb a „kilengési” lehetőség. A fizika fittség is hatással van a kognitív mutatókra:

rendszeresebben

sportoló

(vagy

fiatalabb)

vizsgálati

személyek

szignifikánsan magasabb CNV amplitúdókat produkálnak [29] [30]. Ez alátámasztja a feltevést, hogy a szívritmussal is korrelálhat a csúcsérték. Az intelligencia és memóriateljesítmény is korrelál a várakozási potenciálok nagyságával [31], ami viszont aligha lehet közvetlen összefüggésben a pulzusszámmal.

5.2.2 MENTÁLIS ARITMETIKA Számolási helyzet vizsgálatakor az agy aritmetikai feladatvégzései teljesítményét, a feladatvégzés során bekövetkező kognitív folyamatokat elemezzük. A kísérletek jelentős részénél azonban a logikai műveletvégzés nem szeparálható el teljesen munkamemória használatától (meg kell jegyezni számokat) illetve – esetünkben – a várakozáshoz kapcsolódó CNV jelenséghez hasonló stresszhelyzettől.

5.3 KAPCSOLAT A VIZSGÁLT ASPEKTUSOK KÖZÖTT Mindent az idegrendszer irányít, ezért az agyi, a vegetatív illetve motoros rendszer közötti összefüggés várható. A szívműködés és az agyi tevékenységek kapcsolatát tekintve, egyik legérzékenyebb mutató a szívritmus változása [32]. A szívritmus nem csak testi, de lelki egészségünkre is következtetni enged [33]. Visszafele is igaz: érzelmi állapotunk (pl. depresszió), s ennek esetleges kezelése (akár gyógyszeresen antidepresszánssal) vagy változása is befolyásolja a pulzust [34]. A temperamentum is a pulzusszám változás egyik befolyásoló tényezője lehet, az autonóm idegrendszer egyensúlyának felborulásán túl a hangulati zavarok szintén kihathatnak a szívritmus működésre [35]. Más tanulmányok ennek az aspektusnak a kiváltott potenciálokra vetett hatását mutatják be: a depresszív hajlam, illetve az öngyilkossági kísérleteket elkövetőknél szignifikánsan kisebb P300 és CNV amplitúdót találtak [36]. Nem meglepő módon a különböző érzelmi töltettel rendelkező ingerek különböző módon és mértékben változtatják a szívverés sebességét [37] [38].


13. oldal

A fiziológiai állapotváltozásokon túl az EKP-kra hatással lehet a figyelem, kor, betegség stb. [39], sőt eseménykiváltott EKG változásról is beszélhetünk [2]. Az S1-S2 paradigma (CNV esethez kapcsolódó figyelmeztető és felszólító inger) hatását a HR-re és a vérnyomásra az 1970-es évektől vizsgálják, a folyamat szinte minden aspektusát és elemét részletesen kielemezve [40] [41]. Az aritmetikai műveletekkel kapcsolatos változásról saját publikációink is vannak [42] [43]. A kapcsolat erősségére jellemző, hogy már orvosi diagnosztikában is alkalmazását ajánlják: születés után az EEG és EKG kombinált használatát javasolják csecsemőkori epilepsziás rohamok detektálására [44]. De nem a csecsemőkor a legkorábbi állapot, ahol megmutatták a korrelációt: születés előtt is kimutatható az agyi elektromos tevékenység egyes jellemzői és a szívritmus közötti kapcsolat [45]. Természetesen nem csak a szívvel, hanem például a bőrrel is kapcsolatban van a központi idegrendszer, de utóbbi esetben csak a szimpatikus szabályozáson keresztül. A várakozási helyzet hatása azonban galvános bőrellenálláson (GSR) így is megmutatkozik [46] [47]. A motoros rendszer tevékenységét vizsgálva pedig régóta ismert, hogy a reakcióidő korrelál a CNV csúcsamplitúdójával [48] [49]. Természetesen erre az életkor is jelentős hatással van, mellyel a kognitív teljesítmény szintén korrelálhat bizonyos esetekben, [50] [51] [52]. Legérdekesebb talán az a cikk, mely az életkort, EKP-kat és szívritmus változás közötti korrelációt egyszerre keresi [53].

5.4 SZÍVRITMUS FELDOLGOZÓ SZOFTVEREK Az egyedi szoftver fejlesztése előtt számos szívritmus elemző megoldás elérhetőségét megvizsgáltuk. Az ingyenesen elérhető megoldásokat vettük számításba, melyeknek általánosságban véve két hiányossága volt: vagy alkalmatlanak voltak több felvétel együttes vizsgálatára, összegzésére; vagy csak paraméterezhető függvény funkciók voltak jól használható grafikus felület nélkül. Az utóbbiak közül többet beépítettünk saját szoftverünk vizuális felületébe. 

Gari Clifford and Danny Kaplan (dksoft) HRV Tools [54] [55]: A HRV algoritmust az előbbi a függvénytárból származtattuk, MatLab alapú szoftver.



Biosignal Toolbox [56]: Komplett elemző függvény csomag, CNV adatforrás beolvasását használtuk fel belőle, MatLab alapú szoftver.



Interface/ISAX: Nem ingyenes program, melynek alapjait Dr. Láng Eszter és munkatársai fejlesztették. Képes többek között a szemmozgás, pupilla, EKG


14. oldal

elvezetésére, az EKG-ból pedig egy különleges autoregressziós függvény segítségével készít HRV-t. 

KARDIA [57]: FFT és AR metódussal is képes HRV-t számolni, MatLab alapú szoftver.



EEGLAB [58]: Biosignal Toolboxhoz hasonló, fejlettebb, grafikus felülettel rendelkező csomag, MatLab alapú szoftver.



KubiousHRV [59]: Gyors, szép grafikus felülettel rendelkező és praktikus elemző program FFT és AR típusú elemzési lehetőséggel.


15. oldal

6. KORÁBBI MUNKÁK 6.1 FEJLESZTÉSEK 6.1.1 EKG TIMELINE Az EKG Timeline a szívritmus elemző szoftvercsomag központi feldolgozó modulja, mely számos verziót megélt a

jelenlegi,

diplomatervben

bemutatott 7-es számú változat előtt. Az első verzió csak megjelenítette a pulzusgörbét,

majd

a

2.0

lehetőséget

először

mintavételezésre

és

Ekkor

alakult ki

adott a

átlagolásra.

az interpolálás

alapgondolata is, mely végigkísérte a további változatokat. A 3-as verzió az

6.

ÁBRA:

AZ

EKG_TIMELINE.M

2.0

PROGRAM

optimalizáláson túl a parancssorbeli KEZELŐFELÜLETE elérhetőséget, illetve a műtermékszűrést támogatta az EEG felvételekben megállapított epoch elfogadottsági státuszok alapján. A 4.0 sorozat verziói teljesen újraírt hibatűrő és felismerő maggal, grafikus felület nélkül születtek. Meghívható függvényként működtek, így alkalmasak kötegelt feldolgozásra is. Megjelent az „automatikus műtermék-szűrés” funkció, mely kiszűri a túl magas vagy túl alacsony pulzusszámú epoch-okat. A program fejlődött tovább, az következő verzió már képes a vizsgált EKG-ból az EEG-hez teljesen hasonlóan, személyenként, epoch-onként lokális minimum, maximum vagy átlag értéket keressen. Javult a hibatűrés, illetve a feldolgozási sebesség majd 40%-al nőtt az optimalizációnak köszönhetően. A feldolgozás azonban így is sok emberi erőforrást és tudást igényelt. Egyes lépések jól automatizáltak voltak, de a feldolgozáshoz szöveges módban komplex paraméterezéssel lehetett konfigurálni csak az alkalmazást (7. ábra). Ezen kívül hátrány volt, hogy a módosított paraméterek által okozott változások tesztelése körülményes volt, nem látszott azonnal. Benyovszky Máté | Diplomaterv

16. oldal

7. ÁBRA: EKG ELEMZŐ PROGRAMCSALÁD HASZNÁLATÁNAK FOLYAMATÁBRÁJA

„Dataflow diagram”, azaz az adatok útját követhetjük végig az ábrán. Az adatokat jelölő állomások jobb alsó sarkában az őket készítő program neve szerepel. Komplett, több felvételből vagy csoport méréséből álló vizsgálat során az automatikus feldolgozáshoz további script állományokra van szükség, melyek mindannyiszor meghívták az EKG Timeline szoftvert: pl. az idős-fiatal feladat-kontroll összehasonlítás minimum 4 futtatást igényelt.

6.1.2 EKG EVENTGENERATOR Az

EKG

Timeline

tesztelésére szimulált

program

készíthetünk EKG

jeleket.

Az

alkalmazás futtatása után (8. ábra) lehetőségünk

van

grafikus

felületen véletlenszerű szívritmus adatok generálására. Különböző (tetszőleges

számú

triggert

adhatunk

(létrehozhatunk,

és

meg

törölhetünk,

szerkeszthetünk) meghatározhatjuk,

nevű)

hogy

és 8. ÁBRA: AZ EVENTGEN.M PROGRAM KEZELŐFELÜLETE milyen


17. oldal

sűrűn forduljanak elő. Ehhez normál eloszlás felhasználásával paraméterezhető mennyiségű szórást definiálhatunk, kicsit jobban közelítve a biológiai rendszerek működéséből adódó eltéréseket (9. ábra). A generált vizsgálat hosszán túl megadható a generált file-ok száma is (vizsgált alanyok száma a szimuláció szerint). D:\arden\onlab2_alkohol\evgen-rand120.ev 75

Pulzusszam

70

65

 0ms

 1300ms  650ms

60

0

10

 2600ms

 1950ms

20

30

 3250ms 40

50

60

70

Ido 9. ÁBRA: SZIMULÁLT EKG

33 személy szimulált adata és vastag vonallal az átlag.

6.1.3 EKG PEAKDET 2 A NeuroScan EEG PEAKDETECTION (csúcskereső) funkciójának kimenetét eddig nehezen tudtuk elemezni. Táblázatkezelőkkel való szerkesztés után kellett egy további statisztikai elemző programba átvinni. A EKG PeakDet parancssoros funkció egyszerűen kigyűjti a kiválasztott csatorna beállított csúcsait, s az elhelyezkedést és az amplitúdót egy vektorba rakja az eddig is felhasznált MATLAB keretrendszeren belül. A továbbfejlesztett PeakDet 2 az EKG Timeline 5 csúcskeresési eredményeit és az EEG epoch feldolgozás csúcskeresési eredményeit egyformán képes feldolgozni. Tetszőleges paraméterként megadott függvényt (szórás, eloszlás, stb.) képes alkalmazni, s az adatokat előkészíteni a végleges statisztikák készítésére. A PeakDet 2-t sajnos szintén minden vizsgálati helyzetre le kell futtatni egy teljes kísérletsor feldolgozásához. Benyovszky Máté | Diplomaterv

18. oldal

6.1.4 DATSTAT A DATSTAT egy statisztikai megoldás a MATLAB Statistics Tollbox-ra épülve. Az EKG Timeline 5 (illetve a PeakDet 2) program eredményei azonnal megjeleníthetőek, nincs szükség külső elemző szoftverben történő adatmozgatásra, kimentés-konvertálásbeolvasás-elemzés procedúra végigvitelére.

10. ÁBRA: DATSTAT.M PROGRAM FŐMENÜJE

Az Update Variable List frissíti a memóriából a változó listát, a View Selected Data gomb pedig táblázatban mutatja meg a kiválasztott vektorokat. Bal oldalon megjelenik a MATLAB összes memóriában lévő változója (melyek pl. a PeakDet 2-ből származhatnak), amiből a Control billentyű lenyomása mellett kiválaszthatunk tetszőleges számú vektort, amit össze szeretnénk vetni. A korábban


19. oldal

használt különálló, bonyolult statisztikai programok kiváltására készített programom előnye, hogy egy átlátható felületen az eredményt egy-két kattintásból megkapjuk. Funkciók listája (10. ábra): 

Plot: egyszerű ábrázolás koordinátarendszerben



Scatter history: két vektor alapján készít eloszlástérképet



Boxplot: ANOVA-hoz hasonló, de paraméterezhető, dinamikus grafikon saját készítésű eszközökkel (11. ábra)



One Way Anova: egyszempontos ANOVA



Multiple comparison: az ANOVA alapján látványosan megjeleníti mely adatok különböznek szignifikánsan



Covariance: kovariancia mátrix kiszámolása



Correlation coefficients: Korrelációs koefficienseket adja vissza, a hipotézist tesztelő p-értékekkel



Correlation: Pearson (mérésekhez használt), Kendall és Spearman korreláció ρ és p értékekkel

11. ÁBRA: BOXPLOT2.M KIJELZŐ MINTA


20. oldal

6.2 KORÁBBI ELEMZÉSEK Az alábbi fejezetekben korábbi munkáim legfontosabb eredményeit foglalom össze. A munkák áttekintése választ adhat arra, hogy az elemző szoftver fejlesztése során milyen hylezetekre kell felkészülni, milyen méréseket, követelményeket kell kiszolgálni.

6.2.1 VÁRAKOZÁSI FOLYAMATOKKAL ÖSSZEFÜGGŐ AGYI ELEKTROMOS JELEK ELEMZÉSE Egy úgynevezett „go/no go” típusú feladatot használtunk a CNV vizsgálathoz [27]. Előnye, hogy a feladat végén nem minden esetben kell tennie valamit az alanynak (no go), s amikor nincs teendő (izommozgás) a várakozás végén, nem jönnek be az esetlegesen zavaró artefaktok, melyek a tiszta EEG elvezetésünket zavarnák. A vizsgálatban szereplő személyek 50-szer hallottak egymás után egy 5 hangból álló ingersort. Azonban az esetek egy részében véletlenszerűen elmaradt az utolsó hang, amit gombnyomással kellett jelezniük. A következő képen (12. ábra) egy frontális területről (Fz) elvezetett teljes feladathelyzet átlag látható. Az egyes csúcsok a hangingerek (fekete nyíl, 600 ms-enként 50 ms) által kiváltott, mindig kiváltódó N1 válaszokat mutatják (piros nyíl). Subject: EEG file: _nagyatlagkontroll.avg Recorded : 09:59:41 25-Jan-2007 Rate - 1000 Hz, HPF - 0 Hz, LPF - 70 Hz, Notch - off

Neuroscan SCAN 4.3 Printed : 12:36:26 13-Nov-2007

*_nagyatlagkontroll.avg _nagyatlag.avg Electrode: Fz

-25.0 -20.0 -15.0 -10.0 -5.0 µV 0.0 5.0 10.0 15.0 20.0 25.0 -1000.0

0.0

1000.0

2000.0

3000.0 ms

4000.0

5000.0

12. ÁBRA: A CNV


21. oldal

A kontroll-, (zöld vonal) és feladathelyzetben (piros vonal) elvezetett CNV átlaga az Fz csatornáról. A CNV görbéje 2850 ms-nél, a várt ötödik hang környékén éri el minimumát (kék nyíl)

6.2.2 VÁRAKOZÁSI FOLYAMATOKKAL ÖSSZEFÜGGŐ AGYI ELEKTROMOS POTENCIÁLOK VÁLTOZÁSA KIS DÓZISÚ ALKOHOL HATÁSA ALATT A várakozási helyzeteket különböző szerhatás mellett már nemcsak az EEG, hanem az EKG, azaz a szívritmus változás szempontjából is vizsgáltuk minden egyes helyzetben. Az alacsony dózisú alkohol (0,2 g/test kg: kis dózis, illetve 0,4 g/test kg: nagy dózis) hatásait vizsgálva a fenti CNV helyzetben a következő eredményeket kaptuk (13. ábra: ).

13. ÁBRA: A SZÍVRITMUS VÁLTOZÁSA KÜLÖNBÖZŐ HELYZETEKBEN (31 SZEMÉLY ADATAINAK NAGYÁTLAGA)

Fekete nyilak jelzik a megszólaló, szürke az elmaradó akusztikus ingert. A „Placebo előtt”, „Kis dózis előtt” és „Nagy dózis előtt” az adott dózisú vizsgálat napján a szer beadását megelőző (szerhatás nélküli) feladathelyzetet jelenti. Benyovszky Máté | Diplomaterv

22. oldal

Érdekes hogy a legnagyobb amplitúdó változás a pulzusgörbén a placebo esetnél volt mérhető, míg a nagyobb mennyiségű alkohol csökkentette a változás nagyságát. Feladat nélküli helyzetben nincs jelentős szívritmus változás. Statisztikailag szignifikáns különbség (Tukey próba) az egyes helyzetekben mért CNV csúcsértékek között nem volt, csak a feladat nélküli helyzetekben (pirossal jelölt pértékek a szignifikancia-érték táblázatokban az ábra jobb felső sarkánál). Látható azonban, hogy az alkohol dózisfüggően csökkenti a CNV amplitúdóját. (14. ábra) Effective hypothesis decomposition Vertical bars denote 0.95 confidence intervals -5

Szignifikancia értékek

{1}

Feladat nélkül (1)

-10 -15 -20

{2}

{3}

{4}

0.000146

0.000156

0.000233

0.981192

0.825185

Placebo előtt (2)

0.000146

Kis dózis előtt (3)

0.000156

0.981192

Nagy dózis előtt (4)

0.000233

0.825185

0.963435 0.963435

-25 -30

Amplitúdó

-35 -40 -45 -50 -55

Feladat nélkül (Fz)

Kis dózis (Fz)

Placebo (Fz)

Nagy dózis (Fz)

Helyzet 14. ÁBRA: CNV CSÚCSAMPLITÚDÓJÁNAK STATISZTIKAI ELEMZÉSE AZ EGYES VIZSGÁLATI HELYZETEKBEN

A CNV csúcsamplitúdójának (2000 ms és 3500 ms között mért) elemzése. Az elvezetések mind Fz-ről (frontális lebeny) történtek


23. oldal

6.2.3 KOGNITÍV TEVÉKENYSÉGEK VEGETATÍV IDEGRENDSZERI MUTATÓI KIS DÓZISÚ ALKOHOL HATÁSA ALATT Kíváncsiak voltunk arra, hogy más kognitív tevékenységek milyen szívműködésbeli változásokat eredményeznek, ezért megvizsgáltam a szívritmus változását számolást (összeadást) és vizuális memóriát igénylő helyzetekben. Kísérletünk során minden mérést megismételtünk pszichoaktív élvezeti szerek befolyása mellett is: a páciensekre ható különböző dózisú alkohol hatását elemeztük. 6.2.3.1 SZÁMOLÁSI HELYZET Minden alany helyzeteként összesen 20 db ingersort kapott. Először egy plafonszámot láttak 1 másodpercig, majd újabb egy másodperc múlva a négy összeadandó szám volt látható 4100 msec-ig. Ez alatt kellett válaszolt adniuk, majd 2 másodpercig helyes vagy helytelen megoldásnak megfelelően zöld vagy piros képernyőt láttak (15. ábra) [60].

15. ÁBRA: ÖSSZEADÁS FELADATHELYZET

Kontrollhelyzetben a feladatok között a visszajelző képernyő (zöld illetve piros) helyett fixációs kereszt volt látható. A várakozásoknak megfelelően számolás (és memóriahasználat) által okozott fokozott mentális erőfeszítés eredményeként nő a percenkénti pulzusszám. A kis dózis alkohol okozta a legnagyobb amplitúdó változást, a placebo pedig alig eredményezett emelkedést a szer nélküli eredményekhez képest (16. ábra)– de a változás egyik esetben sem volt szignifikáns [43]. Benyovszky Máté | Diplomaterv

24. oldal

EKG timeline 4.5 - Számolás 90

85

Alc-nagy Alc-kicsi Alc-placebo Kontroll Szer-Nélkül

Pulzusszám

80

75

70

65 -2000

-1000

0

1000

2000 3000 Idő [msec]

4000

5000

6000

7000

16. ÁBRA: PULZUSGÖRGÉK A KÜLÖNBÖZŐ HELYZETEK ALATT, ÖSSZEADÁS SORÁN

Az első, sötétszürke függöleges vonal a plafonszám,, a második a négy összeadandó szám megjelenésének ideje. A harmadik vonal után már a választ kiértékelő képernyőt látják. 6.2.3.2 VIZUÁLIS MEMÓRIA HELYZET A vizsgálatban résztvevő személyek feladata 12 egyidőben, 30 s-ig mutatott kép megjegyzése volt. Ezt fél perces „megjegyzési szakasz” követte, ami alatt fejben kellett tartani a látott képeket. Hanginger jelezte a felidézés kezdetét, amikor a személyeknek fel kelltt sorolniuk a látottakat Az ingersort csak egyszer láthatták a kísérletben résztvevő személyek. Feladat nélküli kontroll helyzet nem volt (csak szerhatással és szerhatás nélküli felvétel).


25. oldal

EKG timeline 4.5 - Memória 110

105

Alc-nagy Alc-kicsi Alc-placebo Szer-Nélkül

Pulzusszám

100

95

90

85

80

75 -59344

-49344

-39344

-29344 -19344 Idő [msec]

-9344

656

17. ÁBRA: PULZUSSZÁM A MEMÓRIAFELADATOK SORÁN (RÉSZLETEK A SZÖVEGBEN)

A pulzusgörbét mutató ábrán az első és a második függőleges szürke vonal között volt látható feladathelyzetben a kép (30 másodpercig). Ezután szintén 30 másodpercig meg kellett jegyezniük azokat. A harmadik szürke vonal a felidézés kezdetét jelzi (17. ábra). A statisztikai eredmények azt mutatták, hogy a „nagy dózis” alkohol tompítja a hatásokat a placebo esethez képest, míg a „kis dózis” hatása alatt volt megfigyelhető a legmagasabb pulzusszám.


26. oldal

6.2.4 KOGNITÍV ERŐFESZÍTÉSSEL ÖSSZEFÜGGŐ EEG VÁLTOZÁSOK ÉS VEGETATÍV IDEGRENDSZERI FOLYAMATOK KORRELÁCIÓJA A vizsgálati helyzet megegyezik az 6.2.1 fejezet keretében elemzett esettel, így annak részleteit nem írom le ismét. A görbék megjelenésén túl a továbbfejlesztett szoftverrendszernek köszönhetően már az egyes időszakaszokban található minimum, maximum és átlag értékeket is mérni tudtuk. A feladatvégzés alatt fellépő kiváltott potenciál események korrelációját vizsgáltuk statisztikai módszerekkel (N100, P200 és CNV amplitúdók egymáshoz, illetve az EKG adatokhoz).

CNV csúcsamplitúdó – EKG max érték korreláció EKG

Fz

Cz

Pz

ρ páronkénti lineáris korrelációs mátrix EKG

1

0,5686

0,5457

0,5778

Fz

0,5686

1

0,9606

0,881

Cz

0,5457

0,9606

1

0,9281

Pz

0,5778

0,881

0,9281

1

p értékek hipotézistesztelésre EKG

0

0,0275

0,1542

0,0133

Fz

0,0275

0

0,000

0,000

Cz

0,1542

0,000

0

0,000

Pz

0,0133

0,000

0,000

0

1. TÁBLÁZAT: CNV CSÚCSAMPLITÚDÓ ÉS EKG MAXIMUM KORRELÁCIÓJA

Az EKG változásai igazolták elvárásainkat. Az maximum pulzusszáma korrelál a CNV csúcsamplitúdójával minden csatornán. Ennek alapján feltehető, hogy a CNV-nek megfeleltethető állapot általános aktivációként értelmezhető, melynek megnyilvánulási formája többek között a szívritmus emelkedése. Habár az elemzéseknek nem tárgya, de a tapasztalt változás valószínűleg követhető lett volna a bőrellenállás változásában is, amint azt számolási feladathelyzet esetén már tapasztalhattuk [43]. Az EKG mint élettani mutató ebből a szempontból annyiban összetettebb, hogy a bőrellenálláshoz képest ezt mind a szimpatikus, mind pedig a paraszimpatikus idegrendszeri hatások befolyásolják. Feltevésünk ellenére a P200 amplitúdó nem korrelált szignifikánsan a szívritmussal.


27. oldal

7. A TERVEZÉS RÉSZLETES LEÍRÁSA Diplomatervem fő célja egy új szoftver fejlesztése volt. A fejezet első felében a tervezés és kialakítás lépéseit, illetve az elkészült szoftvert mutatom be, míg a második felében konkrét vizsgálati helyzeteken alkalmazva példán keresztül írom le annak működését, illletve a felhasználás lehetőségeit.

7.1 FEJLESZTÉS 7.1.1 ALAPVETŐ SZEMPONTOK, CÉLOK Az új szoftver újragondolásának szükségessége több irányból is megfogalmazódott. Egyrészről az új kutatási irányok követése rendre új képességek, új feldolgozó függvények felhasználását igényli (fejlett szívritmus felismerés, műtermék szűrés és pl. HRV elemzés), másrészről a feldolgozás felhasználóbarát módja kevesebb kutatói kapacitás lekötése mellett több eset tesztelését, több eredmény elérését teszi lehetővé (azonnal látható eredmények grafikus felületen). Az EKG Timeline szoftver fejlesztése a korábbiak során javarészt inkrementális jellegű volt: gyakorlatilag egy mérő algoritmus bővítéséről és javítása volt középpontban. Ez a felépítés könnyű átláthatóságot biztosított, de az új igények követése, a lehetőségek bővítése,

fejlesztés

szabályrendszere

nem

volt

kellően

felkészítve

a

továbbfejleszthetőségre. Az új lehetőségek, elágazások implementása után a kód kuszává kezdett válni, a kód ismerete nélkül pedig nem lehetett az új opciókat hatékonyan kiaknázni. A feldolgozás gyökeres átalakítása vagy bővítése új függvényekkel pedig gyakorlatilag megoldhatatlan volt, így a HRV és teljesítmény számítások kivitelezése mindenképpen architektúrális módosításokat vont volna maga után. Az új szoftver architektúra kialakításánál ezért alapvető cél volt a bővíthetőség és modularitás biztosítása. Az elemzések végrehajtásához komplex műveletsorra van szükség, mely a nyers felvételekből eredményeket hozhat (lásd 6.1.1 fejezet, 7. ábra). Bár az EKG Timeline korai, egyszerűbb verzióinál lehetőség volt grafikus felületen, MatLab ismeret nélkül paraméterezni a függvények futását, a fejlesztés során ez megkopott: egyrészt a kötegelt feldolgozás támogatásának megjelenése miatt (amikor egyszerre akár komplett vizsgálati sorok adatait dolgozhattuk fel), másrészről a megjelenő új opciók kivezetése grafikus felületre sok fejlesztői munkát igényelt volna. Benyovszky Máté | Diplomaterv

28. oldal

Célom tehát egy olyan szoftverrendszer kialakítása volt, mellyel 

minél kevesebb szükséges program vagy segédeszköz használatával,



alacsony felhasználói közreműködéssel,



MatLab programozói ismeretek nélkül,



grafikus felületen,



gyorsan,



könnyen és kifinomultan paraméterezhetően,



szükség szerint új függvényekkel kibővítve

lehessen végrehajtani elemzéseket. E szempontok megvalósításához az alábbi irányelveket tűztem ki: 

legyen lehetőség a kísérletek során felvett bioelektromos jelek különböző szempontok szerinti elemzésére: helyzetekre, triggerekre vagy időszakokra, személyekre és csoportokra vonatkozóan egyaránt



a mérések paramétereit megváltoztatva, azonnal látni lehessen változást (például más tartományon, más helyzetben, más triggerrel stb. mérünk)



a mentések során ezek a paraméterek az elraktározott adatok mellett megtalálhatóak legyenek. Így segítjük elő, hogy az eredmények paraméterei később is ellenőrizhetőek legyenek



alapszintű műtermékszűrést el lehessen végezni mind kézzel, mind automatizált módon



moduláris felépítésű legyen a kód (külön függvény minden feladatra) a későbbi bővíthetőség és cserélhetőség, illetve új függvények felvételének támogatása miatt



jól definiált, átlátható legyen a programrészek közötti kommunikáció



a kimenetek ábraként jól használhatóak vagy statisztikai programban könnyen feldolgozhatóak legyenek



új függvények, képességek legyenek benne (EKG-ban R hullám detekció, HRV függvény).


29. oldal

7.1.2 SZOFTVERRENDSZER LOGIKAI FELÉPÍTÉSE A fenti célok és irányelvek teljesítése, illetve azaz a hatékonyság és rugalmasság növelése érdekében az új szotver két fő rétegre bontott (18. ábra). Az első réteg (EKG Timeline 7 Reader) a nyers adatok beolvasásáért és értelmezéséért felel. Felépítése moduláris, így később

kis

ráfordítással

új

formátumú

bemenetek

feldolgozása

könnyen

implementálható. Kimenete egy köztes rétegként szereplő egy Excel táblázat, mely a kijelölt kísérlet minden fontos adatát tartalmazza. A közismert formátumnak köszönhetően manuálisan is

értelmezhető,

elemezhető,

egyszerű

kimutatások

készíthetőek,

illetve

kézi

műtermékszűrésre is lehetőséget ad. A második réteg (EKG Timeline 7 Analyser) a kinyert adatok feldolgozását, átlagolását segíti, sok féle elemzésre ad lehetőséget. Ennek kimente egyrészről grafikon lehet az eredményekkel, másrészről Excel állomány, melyben az adatok további statisztikai feldolgozásra alkalmas formában kerülnek mentésre.

CNT ECG Excel Excel EV2

Grafikon

ETC

Bemeneti állományok

EKG Timeline 7 Reader

EKG Timeline 7 Analyser

18. ÁBRA: EKG TIMELINE 7 ADAT ÚT (DATA FLOW) DIAGRAM

Egyik legfontosabb változás, hogy így tulajdonképpen bármilyen más szoftver felhasználása nélkül végigvihető az EKG-hoz (és reakcióidőhöz) kapcsolódó össze tevékenység. Nincs szükség sem .tcl scriptek fejlesztésére és futtatására NeuroScan [61] alatt, a .m kiterjesztésű programok MATLAB [62] alatt futtathatóak (a fejlesztés a 2009b verzió alatt történt). Mellékletekben minden programhoz forráskód, kimenetek, használati útmutató, valamint futtatási példák találhatóak (13. fejezet). Benyovszky Máté | Diplomaterv

30. oldal

7.1.3 EKG TIMELINE 7 READER 7.1.3.1 FELÜLET ALAPELEMEI Az EKG Timeline 7 Reader program funkcióit a felületen elemein keresztül mutatom be.

19. ÁBRA: AZ EKG TIMELINE 7 READER FELÜLETE

Az EKG Timeline 7 Reader megnyitása után a felületen a következő elemeket látjuk (1. ábra): 

menü ikonok



alap információk



beállítási lehetőségek



napló



grafikon

A program elindításához szükséges előfeltételek a forráskód elején találhatóak.


31. oldal

7.1.3.2 MENÜ IKONOK Az ikonok 3 fő csoportba vannak rendezve a felület felső részében (20. ábra).

20. ÁBRA: EKG TIMELINE 7 MENÜ IKONOK

Az első csoportban a fájl műveletekhez kapcsolódó ikonok szerepelnek. A megnyitás gombbal nyithatunk meg EKG-t vagy szívritmus adatokat tartalmazó állományokat. Jelenleg támogatott file típusok:     

CNT (Neuroscan) ECG (RAW data) EV2 (Neuroscan) – triggereker és helyüket tartalmazó file Time (text) Time Diff (text)

Későbbiekben ha szükséges egyéb formátumok (Biosig, Biosignal Toolbox) is könnyen implementálhatóak a moduláris felépítésnek köszönhetően. Az új kódrészleteket az „openfile” függvényben kell elhelyezni, mely egy űrlaphoz hasonlóan működik: mindig azok a részek futnak le belőle, ami az adott formátumú fájl beolvasásához szükségesek. Például a szívritmus felismeréshez kellő algoritmusok és opciók csak CNT és ECG formátumoknál kellenek, a triggerek alap feldolgozása a TEXT alapú állományoknál hasonló. Az A/R megnyitás gomb

a .EEG (Neuroscan) formátumú fájlokból a kiválasztott

triggerhez kapcsolódó epoch elfogadottsági állapotokat (Accept/Reject) képes beolvasni. A mentés gomb

hatására az eredmények Excel formátumban kerülnek mentésre. A

mentés során opcionálisan ki lehet választani egy Excel sablon állományt, melyben előkészített függvények, formázások, diagramok lehetnek. A Microsoft Office Excel XLSX (illetve akár XLS) formátum a következők miatt tűnt a legcélrevezetőbbnek: 

a MATLAB beépített támogatással rendelkezik (xlsread, xlswrite parancsok)



viszonylag portábilis formátum (szinte minden számítógépen megtekinthető)



alkalmas sok adat átlátható tárolására (emberek számára is)


32. oldal



rendezések, kézi műtermékszűrés, alapvető kimutatások elkészítésére is hazsnálható



rögtön beolvashatóak Statistica-ba és más elemező programba



már mentéskor tartalmazhatna (sablon alapján) közelítő kimutatásokat

Az adattípusokat külön munkalapokon tárolom. Az alábbi munkalapokat készíti el a program automatikusan: 



     

Summary: összegzés, az összes beállított paraméter elmentésével o Dátum o Rövid leírás o Részletes leírás o Eredeti file-ok száma o Eredeti adatok típusa o Eredeti file-ok elérési útja o Felismerési metódus o etc. DSummary: részletes összegzés az egyes file-okra vonatkozóan o eredeti file név o szívverések száma összesen (+átlag, min, max) o triggerek száma összesen History: A beolvasás során véghezvitt lépések HBeatTime: Szívverések ideje HBeatDiff: szívverések között eltelt idő Triggers: triggerek száma egymás után Triggertimes: triggerekhez tartózó időértékek RejectedTrigger: trigger elfogadottsági állapotok o 2 standard, nincs adat o 1 elfogadott (accept) o 0 nem elfogadott (reject)

Kényelmi funkcióként mentés után a program rögtön felajánlja a termék megnyitását Analyser-ben vagy Excel-ben. A kéz gomb és a nagyítók mérő

a grafikon mozgatására és átméretezésére valók, a

gombbal a grafikonon látható görbe pontos adatait kérhetjük le adott pontban

(21. ábra).


33. oldal

21. ÁBRA: MÉRÉS AZ EKG TIMELINE 7 PROGRAMMAL

A világító lámpa ikon

azt jelenti, hogy a program várakozik. Művelet végzés alatt a

lámpa szürke lesz. 7.1.3.3 ALAP INFORMÁCIÓK Az ikonsor alatt láthtó a beolvasott fájlok száma, típusa és elérési útja. Nevet adhatunk a vizsgálati anyagnak (mely mentésnél az alapértelmezett fájl név lesz) illetve röviden leírhatjuk a tartalmát. Ezek az adatok a kimentett állományba is bekerülnek, így később is visszakereshetőek.


34. oldal

7.1.3.4 BEÁLLÍTÁSI LEHETŐSÉGEK A program felületén mindig csak az adott formátumhoz illeszkedő paraméterek, beállítási lehetőségek elérhetőek (a többi ki van szürkítve, 22. ábra).

22. ÁBRA: READER PARAMÉTEREZÉSI LEHETŐSÉGEK EV FORMÁTUMÚ FÁJL ESETÉN



Preview: A beolvasott állományok közül kiválaszthatjuk a megjeleníteni kívánt fájlt.



Detection method: a felismerés típusát állíthatjuk be. Típustól függően ez lehet 2 féle R csúcs detekció (Method 1 és 2) illetve szöveges állomány esetén a triggerek megfelelő értelmezését jelentheti. CNT állomány esetén mind a 3 opció elérhető lehet.



Sample rate: mintavételezés frekvenciája, nyers, RAW formátumú ECG adatoknál



Selected channel: CNV esetén kiválaszhatjuk, hogy mely csatorna tartalmazza az EKG-t



Heart Beat trigger: Heart Beat trigger detekció esetén a fájllban tlaálható triggerek kötül kiválaszthatjuk, hogy melyik ajelenti a szívveréseket



Accept/Reject trig: megadhatjuk, hogy az A/R beolvasás menüben beolvasott epoch elfogadottsági adatok mely triggerre vonatkoznak



CNT Correction: a kapcsoló használata régebbi típusú CNT állományok használata esetén szükséges



Show triggers: a kapcsoló aktiválásával a pulzusgörbe mellett láthatjuk az ingersor triggerek helyét, és rendelkezésre álló adat esetén az elfogadottsági


35. oldal

állapotukat



is

(pl.

). Azonos triggerek ugyanolyan színnel jelöltek.

7.1.3.5 NAPLÓ Naplóba a vizsgálatsor elemzéseinek fontosabb eseményei gyűjthetők. Igény szerint más is rögzíthető a „puthistory” függvénnyel, az összesített eredmény pedig a kimeneti Excel állományban is szereplni fog. 7.1.3.6 GRAFIKON A grafikon minden paraméter módosítás esetén azonnal követi a változást. Megtekinthető a pulzusgörbe, mérhető minden időpillanatban, illetve megjelenhetnek a triggerek helyei és az elfogadottsági állapot is.

7.1.4 EKG TIMELINE 7 ANALYSER 7.1.4.1 FELÜLET ALAPELEMEI Az EKG Timeline 7 Analyser program funkcióit az előzőekhez hasonlóan a felület elemein keresztül mutatom be.


36. oldal

23. ÁBRA: EKG TIMELINE 7 ANALYSER KEZDŐKÉPERNYŐJE

A felület fő elemei a következők (23. ábra): 

Menü ikonok



Alap információk



Mérések



Általános beállítások



Napló



Adat választó panelek



Grafikon

A felületet úgy terveztem, hogy hasonló legyen a Reader program grafikus interfészéhez. A felhasználóknak így könnyebb eligazodni rajta.


37. oldal

7.1.4.2 MENÜ IKONOK Az ikonsor hasonlít a Reader program menüjéhez (24. ábra).

24. ÁBRA: EKG TIMELINE 7 ANALYSER MENÜSORA

Az A/R megnyitó ikon helyett itt az új grafikon

ikon szerepel, mely az aktuálisan

látott görbéket egy külön új ablakba is megnyitja. Így lehetőség nyílik a különböző paraméterezések eredményeinek összahasonlítására, illetve az új ablakban a grafikon részletesen testre szabható és számos formátumban elmenthető. Újdonság továbbá a jelmagyarázat

funkció, mely az ábrázolt görbékhet kapcsolódó

adatforrások nevét jeleníti meg a grafikon szélén. A többi ikon funkciója hasonló, mint amit a Reader-ben tapasztalhattunk. Mentés esetén itt is lehetőségünk van sablonokat használni. A kimentett Excel állományban pedig az általános információkon túl (mérés legfontosabb alap adatai, felhasznált állományok, elfogadottsági statisztika) az egyes mérési sorokra vonatkozó adatok is megtalálhatóak (összes adat személyenként illetve átlagolva, reakcióidő, illetve csúcskereséshez kapcsolódó minimum, maximum értékek). 7.1.4.3 ALAP INFORMÁCIÓK ÉS NAPLÓ Megegyezik a Readerben leírtakkal. 7.1.4.4 MÉRÉSEK A mérések táblázatban soronként vehetjük fel az adatállományokon végrehajtani kívánt vizsgálatok legfontosabb paramétereit: 

Name: a mérés neve



Trigger: az a trigger, amelyhez a mérés során viszonyítunk. Ha egy állományban nincs trigger, a beolvasás során a program automatikusan hozzáad egy -1-es jelölőt. Csak olyan triggerek láthatóak, amelyek valamely beolvasott állományban szerepelnek.



Selection: itt lehet kiválasztani, hogy a kiválasztott triggerek közül melyeket vegyük bele a mérésbe. Így lesz lehetőség például a teljes feladathelyzet alatti


38. oldal

változás vizsgálatára, vagy a feladathelyzet eleje és vége közötti változások megfigyelésére. A következő előre konfigurált lehetőségeink vannak a triggerek kiválasztására: o

Mindet

o

Csak az elsőt

o

Felvétel első felében lévőket

o

Felvétel második felében lévőket

o

Felvétel első harmadéban lévőket

o

Felvétel második harmadéban lévőket

o

Felvétel harmadik harmadéban lévőket



Before: a vizsgált trigger előtti intervallum hossza ms-ben



After: a vizsgált trigger utáni vizsgált szakasz hossza ms-ben



2. Trigger: az a trigger, melynek távolságát (pl. reakcióidő mérésnél) az első triggertől mérni szeretnénk



Color1; Color2: szín beállítási lehetőség a pulzusgörbén



Line Style: vonal stílus beállítási lehetőség

Ha minden paramétert kitöltöttünk helyesen, akkor az OK oszlopban pipa lesz, és a grafikon kirajzolódik. A mérések táblázata alatt 5 gomb található: 

Add: új sort vehetünk fel a méréshez



Remove: törölhetünk egy sort



Baseline: a görbéket a „before” és a kiválasztott trigger közötti szakasz átlaga alapján nullához igazítja.



Use A/R: az epoch elfogadottsági adatok használatát engedélyező kapcsoló



Hold plot: a kapcsoló használatával amíg az aktív, a paraméterek módosítása esetén nem kerülnek rögtön kiszámolásra és rajzolásra a megváltozott görbék, grafikon.


39. oldal

7.1.4.5 ÁLTALÁNOS BEÁLLÍTÁSOK A képernyő jobb oldalán az egész vizsgálatra vonatkozó beállítások találhatóak (25. ábra).

25. ÁBRA: ÁLTALÁNOS BEÁLLÍTÁSOK

7.1.4.5.1 METÓDUS (METHOD) Itt állítható be, hogy idő alapú mérést, vagy HRV mérést szeretnénk végezni a kiválasztott szakaszokon. Idő alapú mérés esetén beállítható, hogy a kimeneti pulzusgörbe skálása ms vagy szívverés per perc alapú legyen, s a grafikon ennek megfelelően módosul. HRV esetén a mérések ablaka, az ablakok közötti átfedés és a megjeleníteni kívánt frekvencia tartomány (alacsony, magas, vagy a kettő aránya) konfigurálható. 7.1.4.5.2 REGISZTRÁTUM: (LINE) Az eredmények minden esetben diszkrét értékek, a görbévé alakításhoz interpolációra van szükség. 4 féle interpolációs metódus közül választhatunk (a MatLab beépített „interp1” függvényének paraméterezése), az opcióknál pedig a mintavételezés sűrűségét adhatjuk meg ms-ben. 7.1.4.5.3 MŰTERMÉKSZŰRÉS (HR CORRECTION) Egyelőre a „Min/max” típusú szűrés függvénye került implementáslása. Ha kiválasztjuk, akkor az opcióknál megadhatjuk a megengedett legkisebb és legnagyobb szívverés távolságot

ms-ban,

illetve

további

finomhangolási

lehetőségként

a

szívverés

sebbeségének megváltozása is lekorlátozható. 7.1.4.6 NAPLÓ Funkcionalitása megegyezik a Reader program naplózásával.


40. oldal

7.1.4.7 ADAT VÁLASZTÓ PANELEK A felső panelben a kiválasztott vizsgálatsor vagy vizsgálatsorok láthatóak. A kiválasztott vizsgálatsorban szereplő felvételek az alatta lévő személy választó panelen jelennek meg.

26. ÁBRA: VIZSGÁLAT ÉS SZEMÉLY VÁLASZTÓ PANEL. A RÖVID CNV FELADATHELYZET VIZSGÁLATÁBAN RÉSZTVEVŐ NÉHÁNY SZEMÉLY ADATA VAN KIVÁLASZTVA

A személy választó panelen (26. ábra) a felvételben szereplő összes állomány neve fel van sorolva. A kijelöltek szerepelnek a mérésben, alapértelmezetten az összes állomány. Lehetőség van csak egy, vagy akár tetszőleges számú és kombinációjú (Ctrl billenytyű nyomvatartása mellett) kiválasztás megtételére: ekkor a mérésbe csak a kijelölt elemek adatai kerülnek be. 7.1.4.8 GRAFIKON Az elemzések eredmény görbéi jelennnek meg, alapértelmezetten a paraméterek módosítása után azonnal.


41. oldal

7.2 VIZSGÁLATI HELYZETEK 7.2.1 CNV HELYZET A várakozási helyzet vizsgálatához kapcsolódó CNV helyzetek felvétele 2009-ben, egy OTKA által támogatott, idősödéssel járó kognitív változásokat vizsgáló kísérletsor keretében történt az MTA-PKI Pszichofiziológiai Kutatócsoport laborjában. Egy fiatalokból (n=10, átlag életkor=21.9) és idősökből (n=12, átlag életkor=66,7) álló csoport vett részt a vizsgálatban, mely során egy rövidebb (korábbi kísérletekben már használt) és egy hosszabb ingersorból álló feladathelyzetet is rögzítésre került. A vizsgálatban résztvevő személyek a kísérletsor elején végighallgatják mindkét blokkot, feladat nélkül (kontroll). Feladatuk utána az lesz, hogy folyamatosan számolják a blokkban megszólaló hangingereket, és ha az utolsó elamarad, azt gombnyomással (mindkét kézzel egyszerre) jelezzék. Azt várjuk, hogy az utolsó hang elmaradását várva a hangsorozat alatt CNV alakul ki. A rövid (5 hang) és a hosszú (8 hang) váltott sorrendben szerepel a személyeknél. Az 5 hangos blokk ingersorát 35 alkalommal prezentáltuk a személyeknek (2. táblázat), az esetek 40%-ban marad el az utolsó hang (3. táblázat). 50

600

50

600

50

600

50

600

50











1'

2'

2'

2'

2'

600

6000-9000 szünet

2. TÁBLÁZAT: „5 HANG CNV” HELYZET INGERSORA. AZ IDŐ LEGFELÜL MS-BAN, ALUL A TRIGGEREK AZONOSÍTÓJA

50

600

50

600

50

600

50









9'

2'

2'

2'

600

50

600

6000-9000 szünet

5'

3. TÁBLÁZAT: RÖVID INGERSOR, HA AZ 5. HANG ELMARAD


42. oldal

A „8 hang” sorozat 30-szor ismétlődött (4. táblázat), és szintén az esetek 40%-ban maradt el az utolsó hang (5. táblázat). 50

600

50

600

50

600

50

600

50

600

50

600

50

600

50

















1'

2'

2'

2'

2'

2'

2'

2'

600

6000-9000 szünet

4. TÁBLÁZAT: HOSSZÚ INGERSOR, HA MINDEN HANG SZEREPEL

50

600

50

600

50

600

50

600

50

600

50

600

50















9'

2'

2'

2'

2'

2'

2'

600

50

600

6000-9000 szünet

5'

5. TÁBLÁZAT: HOSSZÚ INGERSOR ELMARADÓ 8. HANGGAL

7.2.2 SZÁMOLÁS HELYZET Az EEG felvételek a „Pszichoaktív élvezeti szerek” hatását vizsgáló kísérletsor keretében kerültek rögzítésre, különféle helyzetekben. A vizsgálatsor célja az volt, hogy megállapítsa, a pszichoaktív élvezeti szerek (alkohol, nikotin) mennyiben befolyásolják az ember figyelmi kapacitását, memóriateljesítményét, és a kognitív aktivitás más mutatóit [47]. A 32 alany (fiatal jobbkezes egyetemista férfi, átlag életkor: 22 év, szórás: ±2.31) számos feladatban vett részt több alkalommal, köztük ebben az összeadási helyzetben is, melyet elemeztem. A vizsgálat elején kétféle kontroll felvétel készült: egy csukott szemes, és egy nyitott szemes kontroll felvétel, melyen során a kísérleti személyek látták a számokat, de nem tudták még, hogy mi a teenedő (azaz nem számoltak). A feladatsort kétszer rögzítettük, 20-20 ingersorral. 1030 ms-ig látható volt egy kétjegyű szám („plafonszám”, 4-es trigger), ezt 1 másodpercig egy fixációs kereszt követte (a szemmozgások elkerülése végett), majd megjelent a 4 összeadandó szám (1-es trigger). A kísérleti személyeknek gombnyomással kellett jelezni, hogy a 4 szám összege nagyobb-e, mint a korábban megjelenő „plafonszám”.


43. oldal

2000

1030

+

1030

4'

+

4100

1'

2000

5'/6'/+

Helyes válasz: 10’, 11’. csak a sorozat elején 6.

TÁBLÁZAT:

SZÁMOLÁSI

Helytelen: 8’, 9’ HELYZET.

IDŐ

MILISECUNDUMBAN

FELÜL,

ALUL

AZ

ESEMÉNYTRIGGEREK

Kontrollhelyzetben a feladatok között a visszajelző képernyő (zöld illetve piros) helyett fixációs kereszt volt látható. A mérések megkönnyítése érdekében a feladat nélküli kontrollba véletlenszerűen elhelyeztem feladatkezdetet jelző (4-es) triggereket, illetve a helyes és helytelen válaszok triggereit összevontam.

7.3 A FELDOLGOZÁS LÉPÉSEI A feldolgozás folyamatát, egyúttal a program használatát a nagy terjedelemre való tekintettel a 13.4 melléketben csatoltam.


44. oldal

8. EREDMÉNYEK, ÉRTÉKELÉS 8.1 FEJLESZTÉS Az EKG Timeline 7 szoftver kifejlesztésével a szívritmus adatok feldolgozásához körülbelül 75%-al kevesebb idő szükséges, mint korábban! Programozói tudás sem szükséges, sőt az eredmények is pontosabbak és jobban paraméterezhetőek. Mik vezettek ehhez az eredményhez? Az új szofver néhány kiemelt erősségét az alábbi táblázatban gyűjtöttem össze (7. táblázat). Munkafolyamat Korábbi elemzés Felismerés

EKG Timeline 7

és NeuroScan kellett az R csúcs A detekciót az EKG Timeline 7

előfeldolgozás

detekcióhoz

Reader képes elvégezni, több féle formátumból

Script

írásra

vagy Grafikus felületen lehet dolgozni, az

volt

szükség, eredmények azonnal áttekinthetően

módosításra

majd a futtatás megvárására

látszanak

Lassú feldolgozás

Az

EKG

harmad

Timeline idő

alatt

7

körülbelül

dolgozza

fel

ugyanazt az adatmennyiséget Egyszerű, de kicsit pontatlan Többféle, fejlettebb R csúcs felismerő küszöb függvény dolgoz fel

függvény

közül

Függvénytár

lehet

választani.

további

MatLab

megoldásokkal bővíthető Kimeneti

fájl

áttekinthető,

nem Kimenet egy jól formázott, könnyen szöveges szerkeszthető,

állomány

egyszerű

mérések

elvégzésére és műtermékszűrésre is alkalmas Excel állomány

Elemzés

és Kötegelt feldolgozás szöveges Grafikus felületen lehet dolgozni, az

felkészítés

paraméterezéssel,

script eredmények azonnal áttekinthetően

statisztikai

írással,

vizsgálatokhoz

futtatásokat meg kell várni

eredményekhez

a látszanak

Korlátolt paraméterezési és Könnyen nehézkes bővítési lehetőség

a

program szerkezete fel van készítve új


paraméterezhető, függvények,

modulok 45. oldal

befogadására Eredményeket körülményes Egyszerűen kimenthető grafikonok, a statisztikázni

végeredmények rögtön sablonozható Excel táblába kerülnek mentésre

Csak

időbeli

függvény Tetszőleges

használható Időbeli

függvények

(pl.

teljesítménysűrűség)

függvény

korlátolt Többféle

paraméterezhetősége

felbontás,

kerekítési

módszer, skála áll rendelkezésre azonnal

Egyszerre csak egy mérés Tetszőleges számú mérés végezhető, végezhető, és az csak az egész akár kijelölt szakaszokon (vizsgálat adatsoron

eleje, vége)

Nem lehet az átlagba bevont Egyesével személyeket

kijelölhetőek,

illetve

egyesével kizárhatóak az adatforrások

vizsgálni 7. TÁBLÁZAT: EKG TIMELINE 7 ERŐSSÉGEI

8.1.1 TOVÁBBFEJLESZTÉSI LEHETŐSÉGEK Az új szoftverekkel az EKG elemzés egy könnyen konfigurálható, bővíthető keretrendszert kapott. A képességek kiterjesztése több irányba is történhet, mely új modulok implementálásával illetve további függvények beépítésével valósítható meg. Az alábbiakban néhány olyan fejlesztési irányt, lehetőséget gyűjtöttem össze, mely viszonlyag könnyen implementálható és valós igényként mérlegelhető. Munkafolyamat Bővítési lehetőség Felismerés

és Többféle bemeneti formátum. Eltérő szoftverrendszerek EKG

előfeldolgozás

felvételeinek elemzését teszi lehetőve.

(EKG Timeline R csúcs detekció az R hullámban. A felismerésre többféle 7 Reader)

matematikai modell is ismert. A szoftver bővíthető lenne például neurális hálózat alapú felismerési algoritmussal [63], melynek vannak MatLab nyelven megírt algoritmusai. Mentés más formátumokban. Az Excel kimeneti formátum sok szempontból

praktikus,

de

sajnos

a

MatLab

rendszerben

implementált megoldás igen lassú, ugyani minden műveletnél a háttérben az Excel kliens alkalmazás megszóólításán keresztül végzi


46. oldal

a műveleteket. Elemzés

és Többféle bemeneti formátum. A program jelenleg csak a saját, EKG

felkészítés

Timeline 7 Reader által generált Excel formátumát képes

statisztikai

feldolgozni. Az Excelek beolvasás viszont sajnos szintén időigényes.

vizsgálatokhoz

Teljesítménysűrűség alapú függvények. Az EKG Timeline 7 Analyser

(EKG Timeline jelen formájában is tartalmaz egy HRV függvényt [55]. A függvény 7 Analyser)

azonban nem paraméterezhető elég jól [64], és feldolgozás sebessége azonban lassabb az elvárhatónál. Továbbá olyan rövid időintervallumú

feladathelyzetekhez,

amikkel

dolgozunk,

AR

(autoregressziós) függvények használatával lehetne jobb eredményt elérni egyes vélemények szerint [22]. Részeredmények megjelenítése. A program futása során rögtön méri az elfogadott epochok arányát és a reakcióidőket, de a grafikus felületen ez egyelőre nem jelenik meg, csak a kimentett állományokban.

8.2 CNV HELYZET A CNV feladathelyzet méréseit mind az „5 hang-” mind a „8 hang-sorozat” adatokon elvégeztem. Az átlag pulzusszámok az alábbiak szerint alakultak (8. táblázat): 5 hang sorozat

Idős kontroll

Idős feladat

Fiatal kontroll

Fiatal feladat

Átlag

76,95897

78,25637

74,89061

73,55947

Szórás

0,483139

1,24649

0,580512

2,101075

8 hang sorozat

Idős kontroll

Idős feladat

Fiatal kontroll

Fiatal feladat

Átlag

78,73244

79,32798

74,20884

72,80154

Szórás

0,786054

1,1512

0,856446

1,197785

8. táblázat: Pulzusszámok alakulása CNV helyzetben Az idős és fiatal korcsoport között mindkét esetben szignifikáns különbség volt, de a kontroll és feladat helyzet átlaga nem tér el ekkora mértékben. Ennek oka ebben a mérésben valószínűleg az, hogy a helyzeteket egy viszonylag hosszú, 9 másodperces szakaszon vizsgáltuk (Az első hang előtt 1500 ms kezdjük a mérést, mely 7500 ms-ig tart).


47. oldal

Mind a rövid (27. ábra), mind a hosszú (28. ábra) CNV helyzetben megfigyelhető, hogy a várakozási helyzet lefutása utána a „CNV rebound” (visszacsapás) EEG jelenséghez hasonlóan egy ellentétes irányú kilengés történik.

82

80

Elderly-4Control Elderly-4Task Young-4Control Young-4Task

5

1 78

76

74

72

70

-1000

0

1000

2000

3000

4000

5000

6000

7000

27. ÁBRA: „5 HANG SOROZAT” KONTROLL ÉS FELADAT HELYZET PULZUSGÖRBÉJE. ZÖLD NYÍL JELZI AZ ELSŐ, SÁRGA AZ UTOLSÓ ELMARADÓ INGER HELYÉT

82

80


78

8

1

76

74

72

70

-1000

0

1000

2000

3000

4000

5000

6000

7000

28. ÁBRA: „8 HANG SOROZAT” CNV KONTROLL ÉS FELADAT PULZUSGÖRBE


48. oldal

Idősek esetében az átlagos pulzusszám magasabb, mely feladathelyzet alatt kicsit tovább emelkedik. Azonban így is megfigyelhetőek a fiataloknál jellemző hullámformák: az első hangok megjelenése után egy rövid csökkenő szakasz melyet pulzusszám emelkedés követ, végül az elmaradó utolsó hang megjelenésének idején egy erős csökkenés (29. ábra). A „8 hang-helyzetben” a feladat első és utolsó hangjai közötti emelkedés az alapvonal igazított ábrán különösen jól megfigyelhető (30. ábra) mindkét korcsoportban (alapvonaligazítás az első 1500 ms átlaga alapján történt). 4

3


5

2

1 1

0

-1

-2

-3

-4

-5

-1000

0

1000

2000

3000

4000

5000

6000

7000

29. ÁBRA: RÖVID CNV HELYZET PULZUSGÖRBÉJA ALAPVONAL IGAZÍTÁSSAL. ZÖLD NYÍL AZ LESŐ, SÁRGA AZ UTOLSÓ ELMARADÓ HANG HELYÉT JELZI 5

4


3

8

2

1 1

0

-1

-2

-3

-1000

0

1000

2000

3000

4000

5000

6000

7000

30. ÁBRA: HOSSZÚ CNV HELYZET ALATTI SZÍVRITMUS ALAPVONALIGAZÍTÁSSAL


49. oldal

A feladathelyzet alapvonala (-500-tól +500 ms-ig) és a CNV csúcsok környékén lévő szintén 1 másodperces szakaszok átlagán jól láthatóak a feladatvégzés során bekövetkező változások (minden esetben szignifikáns), illetve a CNV hullám fejlődése (31. ábra és 32. ábra). 5/4 hangos CNV feladathelyzeten belüli változás 79 78 77 76 75 74 73 72 71 70 Idős feladat előtt

Fiatal feladat előtt

Idős feladat alatt

Fiatal feladat alatt

31. ÁBRA: RÖVID CNV FELADATHELYZET ALATTI VÁLTOZÁS AZ IDŐS ÉS FIATAL KORCSOPORT FELADATVÉGZÉSÉNEK KEZDETÉN ÉS VÉGÉN 8/7 hangos CNV feladathelyzeten belüli változás 80 79 78 77 76 75 74 73 72 71 70

Idős feledat előtt

Fiatal feladat előtt

Idős feladat alatt

Fiatal feladat alatt

32. ÁBRA: HOSSZÚ CNV HELYZET ALATTI PULZUSSZÁM VÁLTOZÁS A KORCSOPORTOKBAN


50. oldal

Megvizsgáltuk a mérések alatt bekövetkező változásokat is, azaz a fáradás szerepét a vizsgálatsor alatt. A rövid, körülbelül 3,5 másodpercig tartó feladathelyzetekben a vizsgálat második felében mind a fiatalok, mind az idősek esetében nagyobb amplitúdójú görbéket látunk, mely egyfajta rutin kialakulását sejteti (33. ábra). A hosszú, 6,5 másodperces feladatok felvétele során azonban már mind az idősek, mind a fiatalok esetében határozott dinamizmus csökkenés figyelhető meg (34. ábra). (Szaggatott vonal jelzi a vizsgálat második felében mért eredményeket.) 82

80

Elderly-4Task-First Young-4Task-First Elderly-4Task-Last Young-4Task-Last

78

76

1

5

74

72

70

68

-1000

0

1000

2000

3000

4000

5000

6000

7000

33. ÁBRA: RÖVID CNV FELADATHELYZET KÖZÖTTI VÁLTOZÁS A VIZSGÁLAT ELSŐ ÉS MÁSODIK FELÉBEN 84

82

Elderly-7Task-First Young-7Task-First Elderly-7Task-Last Young-7Task-Last

80

78

76

8

1

74

72

70

68 -2000

-1000

0

1000

2000

3000

4000

5000

6000

7000

8000

34. ÁBRA: HOSSZÚ CNV FELADATHELYZET ELSŐ ÉS MÁSODIK FELE. AMPLITÚDÓ VÁLTOZÁSOK CSÖKKENÉSE FIGYELHETŐ MEG


51. oldal

8.3 SZÁMOLÁS HELYZET Számolási helyzetben az idősek és a fiatalok esetében is emelkedett az átlag pulzusszám (35. ábra). Fiatalok esetében a nyitott szemes kontroll (amikor láthatták a számokat a képernyőn, de nem tudták mi a feladat) egy enyhe emelkedést okozott, míg időseknél nem figyelhető meg ilyen különbség. (Első és második feladathelyzet folytonos vonallal, a két kontroll a szaggatott vonallal jelzett). 82

80

78

Elderly-NoTaskControl Elderly-OpenEyed Elderly-Task1 Elderly-Task2 Young-NoTaskControl Young-OpenEyed Young-Task1 Young-Task2

76

K

P 74

72

70

68 -2000

-1000

0

1000

2000

3000

4000

5000

6000

7000

8000

35. ÁBRA: SZÁMOLÁS HELYZET KONTROLL- ÉS FELADATHELYZET. ZÖLD NYÍL A PLAFONSZÁÁM MEGJELENÉSÉT, A SÁRGA AKALKULÁCIÓ KEZDETÉT JELZI


52. oldal

A várttal szemben feladatvégzés alatt idősek és fiatalok átlag pulzusszáma nem tért el szignifikánsan (36. ábra). Számolási helyzet átlag pulzusszám feladatvégzés alatt

Átlag Szórás

110

Idős Fiatal 75,68148 77,86425 12,67537 7,442262

100

90

80

70

60

Idős 36.

ÁBRA:

SZÁMOLÁSI

HELYZET

Fiatal ALATTI

ÁTLAG

PULZUSSZÁM.

AZ

EREDMÉNY

NEM

SZIIGNIFIKÁNS, UGYANIS A DOBOZRAJZOKON TALÁLHATÓ BEVÁGÁSOK ÁTFEDŐEK


53. oldal

A feladatvégzés alatt azonban jelentős különbség van a két korcsoport között, mely az alapvonaligazítás után (mérés első 2 másodperce alapján) egyértelműen megfigyelhető (37. ábra). A második feladatsornál pedig jól látható a fáradás vagy rutin eredményeként bekövetkező kisebb csúcsértékek megjelenése. 4

3.5

Elderly-Task1 Elderly-Task2 Young-Task1 Young-Task2

3

2.5

2

P

1.5

K

1

0.5

0

-0.5

-1 -2000

-1000

0

1000

2000

3000

4000

5000

6000

7000

8000

37. ÁBRA: FELADATHELYZET ALAPVONAL IGAZÍTÁS UTÁN


54. oldal

Bár a számolás elvégzésének idejében (melynél a rekacióidő és a kognitív teljesítmény egyaránt befolyásoló tényező lehet) a vizsgált korcsoportok között nem mértünk szignifikáns különbséget (38. ábra), de a fiatalok gyorsabb válaszideje az átlagok alapján várható. A szignifikáns eredmények hiányának oka lehet az alacsony elemszám, a nemek arányának, a képzettség és az intelligencia mutatók figyelmen kívül hagyása, mely a reakcióidőre (korábbi kísérletek eredményeként), és akár a fejszámolási illetve memória képességre jelentős befolyással lehet. Számolás elvégzésének ideje

3500

3000

2500

2000

1500

Átlag (ms) Szórás

Idős Fiatal 2868,287 2599,764 391,0601 551,1605 Idős

Fiatal

38. ÁBRA: SZÁMOLÁS ELVÉGÉZÉSÉNEK IDEJE NEM KÜLÖNBÖZIK SZIGNIFIKÁNSAN

A számolási teljesítmény és a pulzusszám között nem találtam korrelációt.


55. oldal

9. ÖSSZEFOGLALÓ Az irodalmi háttér feltárásánál az alapjelenségeket és a releváns kutatási eredményeket mutattam be röviden, nagyobb hangsúlyt a téma specifikus cikkeire helyezve. Célom a fejlesztési munkám megalapozása volt: a jelen kor kérdéseinek és elvárásainak megfelelő fejlesztés specifikációjának kialakítása. Ebben segített korábbi munkáim összefoglalása is. Az EKG Timeline 7 szoftvercsomag mai arcát egyrészről hosszú fejlesztési út előzte meg, mely ebben az újragondolt verzióban csúcsosodott ki, másrészről a korábbi kutatások elvégzése során gyűjtött tapasztalatokra és megjelenő igényekre is a válaszként szolgál (a szoftvert már több más vizsgálati helyzetben használtuk, sőt, angol nyelvű folyóiratban megjelent cikkben – melyben társszerzőként szerepeltem – is láthatók eredményei). A kialakítást struktúra tervezés és követelmény specifikáció előzte meg. Egy olyan programot akartam készíteni, mely nem csak felgyorsítja a kutatómunkát, illetve szélesebb felhasználórétegeket meg tud szólítani, de a későbbiekben könnyen új funkciókkal bővíthető, rugalmasan kezelhető. Törekedtem a látványos és gyors megjelenítésre, mert a sokféle grafikon és kimenet nem egyszer vezetett újabb – előre nem tervezett – felismerésekhez is. A bővíthetőséget különböző bemeneti formátumok feldolgozásával és új elemző függvények (idő és teljesítmény alapú analizálás, illetve reakció idő mérés) felhasználásával mutattam be. A könnyű használat bizonyításaként a diplomatervben három korábban rögzített kísérletsor feldolgozására is mutatok példát. Elsőként egy várakozási helyzet rövidebb és hosszabb verziójának elemézésén mutatom be a mérési lehetőségek egy részét: pulzusgörbe készítését, egyes szakaszok fontosabb adatainak számolását illetve a vizsgálati helyzetek során bekövetkező változások (fáradás, tanulás) kiértékelési lehetőségét. A CNV helyzet mellett egy kognitív feladatvégzést és memóriateljesítményt is igénylő számolási helyzetet is vizsgálok ahol lehetőség van a reakcióidő mérés folyamatát is prezentálni. A kifejlesztett szoftverkörnyezettel jelentősen egyszerűsödik az EKG mérések végrehajtása, ráadásul a folyamat nagyon könnyen paraméterezhető és rugalmas, az eredményeket azonnal látni a grafikus felületen. A kísérleti adatok könnyen kezelhetőek és rugalmasak köszönhetően a közismert szoftverek (Excel) alkalmazásának, a kimenetek pedig könnyen tovább elemezhetőek.


56. oldal

10.FELHASZNÁLT ESZKÖZÖK A munka során az MTA Pszichológiai Kutatóintézetében, a Pszichofiziológiai Kutatócsoport laborjában dolgozhattam szabványos, nagy teljesítményű személyi számítógépeken. Az elemzések során, illetve az elkészült fejlesztésben felhasznált alkalmazások: 

MATLAB r2009b [62]



Microsoft Office Excel



BioSignal Toolbox for Matlab [56]



Gari Clifford HRV Toolbox [54]



XLSCOL by Kevin Corsby



ACCEPTEEG Boha Roland Villámfrenki alkalmazásából [47]

Rögzítés a NeuroScan rendszer NuAmp erősítőjének segítségével készült.

11.KÖSZÖNETNYILVÁNÍTÁS Köszönettel tartozom: 

Dr. Molnár Márk Professzor Úrnak konzultációkért és szakmai útmutatásokért,



Boha

Rolandnak

az

adatfeldolgozáshoz

és

fejlesztéshez

kapcsolódó

támogatáséért, és 

Tóth Brigittának az elemzések és vizsgálati szemmpontok meghatározásában nyújtott segítségéért.

Továbbá köszönöm a MTA-PKI többi munkatársának türelmét, illetve hogy felhasználhattam a „Pszichoaktív élvezeti szerek” és az OTKA által támogatott kutatási projekt felvételeit.


57. oldal

12.IRODALOMJEGYZÉK [1] T. W. Picton and S. A. Hillyard, "Endogenous event-related potentials," in Handbook of electroencephalography and clinical neurophysiology: Vol. 3. Human event-related potentials, T. W. Picton, Ed. Amsterdam: Elsevier, 1988, pp. 361-426. [2] C. Guger et al., "Heart-Rate Variability and Event-Related ECG in Virtual Environments," Presence, pp. 240-245, 2004. [3] Máté Benyovszky, "Kognitív erőfeszítéssel összefüggő EEG változások és vegetatív idegrendszeri folyamatok korrelációja," PPKE-ITK, Budapest, 2009. [4] Aladár Nagy, "Az electroencephalogram élettani alapjai," in EEG asszisztensi tananyag, Péter Rajna, Ed. Budapest: Szociális- és Egészségügyi Minisztérium, 1990, ch. 2, pp. 29-33. [5] Szabolcs Kéri and Balázs Gulyás, "Elektrofiziológiai módszerek a kognitív idegtudományokban," Kognitív Idegtudomány, pp. 81-96. [6] Aladár Nagy, "Az EEG regisztrálás technikai alapjai," in EEG asszisztensi tananyag. Budapest: Szociális- és Egészségügyi Minisztérium, 1990, ch. 3, pp. 33-36. [7] György Geréby, "Az EEG felvételi technika," in EEG asszisztensi tananyag. Budapest: Szociális- és Egészségügyi Minisztérium, 1990, ch. 4, pp. 45-72. [8] Péter Rajna, "EEG-frekvencia-elemzés," in Ideggyógyászati Szemle., 2000, pp. 293303. [9] R. Cooper, C. D. Binnie, and J. C. Shaw, "EEG analysis," in Clinical Neurophysiology.: Elsevier Science B. V., 2003, vol. 2, ch. 4.12. [10] Margit Rózsavölgyi, "Agyi kiváltott válasz," in EEG asszisztensi tananyag, Péter Rajna, Ed. Budapest: Szociális- és Egészségügyi Minisztérium, 1990, ch. 10, pp. 153158. [11] A. Steven Hillyard and W. Terence Picton, "Electrophysiology of Cognition," in Supplement 5: Handbook of Physiology, The Nervous System, Higher Functions of the Brain., 1987.


58. oldal

[12] Merck Manuals Online Medical Library. (2011, May) Merck Manuals Online Medical Library.

[Online].

http://merckmanuals.com/professional/print/sec07/ch070/ch070e.html [13] Richard E. Klabunde. (2009, June) Cardiovascular Pharmacology Concepts. [Online]. http://www.cvpharmacology.com/ [14] Mahesh Bikkina et al., "Diminished Short-Term Heart Rate Variability Predicts Induible Ventricular Tachycardia," Chest, vol. 1998, no. 113, pp. 312-316, 1998. [15] S. Vandeput, B. Verheyden, A. E. Aubert, and S. Van Huffel, "Nonlinear Heart Rate Variability in a Healthy Population: Influence of Age," Computers in Cardiology, no. 35, pp. 53-56, 2008. [16] Ken Umetani, Donald H. Singer, Rollin McCarty, and Mike Atkinson, "Twenty-Four Hour Time Domain Heart Rate Variability and Heart Rate: Relations to Age and Gender Over Nine Decades," Journal of American College of Cardiology, vol. 31, no. 3, pp. 593-601, March 1998. [17] Dariush Mozaffarian, Phyllis K. Stein, Ronald J. Prineas, and David S. Siscovick, "Dietary fish and w-3 fatty acid consumption and heart rate variability in US adults," Circulation, no. 117, pp. 1131-1137, 2008. [18] Fernando Holguin et al., "Cardiac autonomic changes associated with fish oil vs. soy oil supplementation in the Elderly," Chest, no. 127, pp. 1102-1107, 2005. [19] Jepp Hagstrup Christensen, Merete Stubkjer Christensen, Jorn Dyerberg, and Erik Berg Schmidt, "Heart rate variability and fatty acid content of blood cell membranes: a dose-response study with n-3 fatty acids," The American Journal of Clinical Nutrition, no. 70, pp. 331-337, 1999. [20] Jeong A. Kim et al., "Heart Rate Variability and Obesity Indices: Emphasis on the Response to Noise and Standing," JABFP, vol. 18, no. 2, pp. 97-103, March-April 2005. [21] Kuno Hottenrott, Olaf Hoos, and Hans Esperer, "Heart rate variability and physical exercise. Current status," HERZ, vol. 31, no. 6, pp. 544-552, September 2006.


59. oldal

[22] Lajos Izsó and Láng Eszter, "A szívperiódus variábilitása mint az aktuális mentális erőfeszítés mértéke az ember-számítógép interakcióban," Alkalmazott Pszichológia, vol. I, no. 3, pp. 7-20, 1999. [23] Zsófia Anna Gaál, "Kognitív folyamatok életkorfüggő pszichofiziológiai változásai," ELTE, Budapest, Doktori (PhD) disszertáció 2009. [24] John A. Carpenter, "The effect of caffeine and alcohol on simple visual reaction time," Journal of Comparative and Physiological Psychology, vol. 52, no. 4, pp. 491496, Aug 1959, doi: 10.1037/h0048652. [25] W. Cheyne McCallum, "Potentials Realted to Expectany, Preparation and Motor Activity," in EEG Handbook, T. W. Picton, Ed.: Elsevier Science Publishers B.V. (Biomedical Division), 1988, vol. 3. [26] Magda Marton and P. Éva Bakay, "Negatív és pozitív agyi hullámok funkcionális jelenléte," Pszichológia, no. 14, pp. 3-15, 1994. [27] P. Éva Bakay, Magda Marton, Zoltán Nádasdy, and Péter Rigó, "Lassú negatív, illetve pozitív agyi hullámok funkcionális vizsgálata," Pszichológia, no. 14, pp. 23-54, 1994. [28] Fred Travis, Joe Tecce, Alarik Arenander, and R. Keith Wallace, "Patterns of EEG coherence, power and contingent negative variation characterize the integration of transcendental and waking states," Biological Psychology, vol. 2002, no. 61, pp. 293319, May 2002. [29] Sanna Stroth et al., "Physical fitness, but not acute exercise modulates event-related potential indices for executive control is healthy adolescents," Brain Research, vol. 2009, no. 1269, pp. 114-124, March 2009. [30] C. H. Hillman, E. P. Weiss, J. M. Hagberg, and B. D. Hatfield, "The relationship of age, and cardiovascular fitness to cognitive and motor processes," Psychophysiology, vol. 39, no. 3, pp. 303-312, May 2002. [31] R. Howard, P. Fenwick, D. Brown, and R. Norton, "Relationship between CNV asymmetries and individual-differencies in cognitive performance, personality and gender," International Journal of Psychophysiology, vol. 13, no. 3, pp. 191-197, December 1992.


60. oldal

[32] F. M. van der Veen, L. J. M. Mulder, A. Hoekzema, and G. Mulder, "Covariation of phasic cortical and cardivascular responses in detection task," Biological Psychology, vol. 1996, no. 44, pp. 105-120, 1996. [33] Robert M. Carney and Kenneth E. Freedland, "Depression and heart rate variability in patients with coronary heart disease," Cleveland Clinic Journal of Medicine, vol. 76, no. 2, p. S17, April 2009. [34] Louis T. van Zyl, Takuya Hasegawa, and Katsutaro Nagata, "Effects of antidepressant treatment on herart rate variability in major depression: A quantitative review," BioPsychoSocial Medicine, vol. 2, no. 12, June 2008. [35] C. R. Cloninger, D. M. Svrakic, and T. R. Prybeck, "Can personality assessment predict future depression? A twelve-month follow-up of 631 subjects," J Affect Disord, vol. 92, no. 1, pp. 35-44, May 2006, Az OTKA HRV kutatás report helyett cseréltem ki. [36] Michel Hansenne, William Pitchot, Antonio Gonzalez Moreno, Immacula Urcelay Zaldua, and Marc Ansseau, "Suicidal behavior in depressive disorder: An eventrelated potential study," Biological Psychiatry, vol. 40, no. 2, pp. 116-122, July 1995. [37] Silvia Poli, Michela Sarlo, Marta Bortoletto, Giulia Buodo, and Daniela Palomba, "Stimulus-Preceding Negativity and heart rate changes in anticipation of affective pictires," International Journal of Psychophysiology, vol. 2007, no. 65, pp. 32-39, February 2007. [38] Bradley M. Appelhans and Linda J. Luecken, "Heart rate variability as an index of regulated emotional responding," General Psychology, vol. 10, no. 3, pp. 229-240, September 2006. [39] István Czigler and István Winkler, "Kognitív pszichofiziológia: Agyi elektromos változások és humán megismerési folyamatok," Magyar Tudomány, no. 7, Július 1999, http://epa.oszk.hu/00700/00775/00007/1999_07_03.html. [40] Greetje Koers, Anthony W. K. Gaillard, and Gijsbertus Mulder, "Evoked heart rate and blood pressure in an S1-S2 paradigm," Biological Psychology, vol. 1997, no. 46, pp. 247-274, April 1997. [41] Leun J. Otten, Anthony W. K. Gaillard, and Cornelis J. E. Wientjes, "The relation


61. oldal

between event-related brain potential, heart rate, and blood pressure responses in an S1-S2 paradigm," Biological Psychology, vol. 1995, no. 39, pp. 81-102, September 1994. [42] Roland Boha, Brigitta Tóth, Zsófia Anna Gaál, Máté Benyovszky, and Márk Molnár, "Age-related correlates of mental arithmetic performance: Changes of EEG-spectra, complexity measures and network characteristics," INTERNATIONAL JOURNAL OF PSYCHOPHYSIOLOGY,

vol.

77,

no.

3,

pp.

258-259,

2010,

DOI:

10.1016/j.ijpsycho.2010.06.081. [43] Márk Molnár et al., "The acute effect of low-dose alcohol on working memory during mental arithmetic II. Changes on nonlinear and linear EEG-complexity in the theta band,

heart

rate

and

electrodermal

activity,"

International

Journal

of

Psychophysiology, vol. 2, no. 73, pp. 138-142, 2009. [44] Barry R Greene, Geraldine B Boylan, B Richard Reilly, Philip de Chazal, and Sean Conolly, "Combination of EEG and ECG for improved automatic neonatal seizure detection," Clinical Neurophysiology, vol. 118, pp. 1348-1359, March 2007. [45] Klaus Pfurtscheller et al., "Correlation between EEG burst-to-burst intervals and HR acceleration in preterm infants," Neuroscience Letters, vol. 437, no. 2, pp. 103-106, May 2008. [46] Y. Nagai et al., "Brain activity relating to the contingent negative variation: an fMRI investigation," NeuroImage, vol. 2004, no. 21, pp. 1232-1241, October 2003. [47] Roland Boha, "Pszichoaktív élvezeti szerek hatása a spontán és kiváltott elektromos tevékenység spektrális és komplexitás jellemzőire," PKI, MTA, Budapest, Diplomaterv 2007. [48] Steven A. Hillyard, "Relationships between the contingent negative variation (CNV) and reaction time," Physiology & Behavior, pp. 351-357, May 1969. [49] Frederick Travis and Joseph J. Tecceb, "Effects of distracting stimuli on CNV amplitude and reaction time," International Journal of Psychophysiology, vol. 31, no. 1, pp. 45-50, December 1998. [50] Risto Näätänen, "Non-aging fore-periods and simple reaction time," Acta


62. oldal

Psychologica, vol. 35, no. 4, pp. 316-327, August 1971, doi:10.1016/00016918(71)90040-0. [51] Roger Ratcliff, Anjali Thapar, and Gail McKoon, "The Effects of Aging on Reaction Time in a Signal Detection Task," Psychology and Aging, vol. 16, no. 2, pp. 323-341, June 2001. [52] Roger Ratcliff, Anjali Thapar, and Gail McKoon, "Aging, Practice, and Perceptual Tasks: A Diffusion Model Analysis," Psychology and Aging, vol. 21, no. 2, pp. 353-371, June 2006. [53] John A. Podlesny and Robert E. Dustman, "Age effects on heart rate, sustained potential, and P3 responses during reaction-time tasks," Neurobiology of Aging, vol. 3, no. 1, pp. 1-9, Spring 1982, doi:10.1016/0197-4580(82)90055-0. [54] Clifford Gari and Danny Kaplan. (2010) http://www.mit.edu/~gari/CODE/HRV/. [55] Danny Kaplan and Phil Staffin. Heart Rate Variability Software. [Online]. http://www.macalester.edu/~kaplan/hrv/doc/ [56] Open

Source.

(2011)

Biosignal

Toolbox

(BioSig).

[Online].

http://biosig.sourceforge.net/ [57] Pandelis Perakakis, Mateus Joffily, Michael Taylor, Pedro Guerra, and Jaime Viila, "KARDIA: A Matlab software for the analysis of cardiac interbeat intervals," Computer methods and programs in biomedicine, 2009. [58] Open Source. (2009) EEGLAB. [Online]. http://sccn.ucsd.edu/eeglab/ [59] University of Eastern Finland. (2010) Kubios HRV Analysis Software. [Online]. http://kubios.uku.fi/ [60] Roland Boha, Máté Benyovszky, Zsófia Anna Gaál, Brigitta Tóth, and Márk Molnár, "Age-dependent changes of EEG frequency characteristics and ECG-changes related to working memory process in arithmetic task," Institute for Psychology of the Hungarian Academy of Sciences, Budapest, 2009. [61] Compumedics. (2008) Neuroscan. [Online]. http://www.neuroscan.com


63. oldal

[62] MathWorks. (2009) MATLAB - The Language of Technical Computing. [Online]. http://www.mathworks.com/products/matlab/ [63] Mahantapas Kundu, Mita Nasipuri, and Dipak Kumar Basu, "Knowledge-based ECG interpretation: a critical review," Pattern Recognition, vol. 2000, no. 33, pp. 351-373, March 1999. [64] A. J. Camm et al., "Heart rate variability - Standards of measurement, physiological interpretation, and clinical use," Circulation, vol. 93, no. 5, pp. 1043-1065, March 1996. [65] Mihály Szabó, "Neurometria," in Ideggyógyászati Szemle, Béla Clemens, Ed., 2000, pp. 303-315. [66] Compumedics Neuroscan. (2003) Scan Edit/TCL Batch 4.3. Digital help file document. [67] Béla Clemens, "Amplitúdómapping," in Ideggyógyászati Szemle, Béla Clemens, Ed., 2000, pp. 315-326. [68] Scott Makeig and Arnaud Delorme. (2007) EEGLAB Open Source Matlab Toolbox for Electrophysiological Research. [Online]. http://sccn.ucsd.edu/eeglab/ [69] György L'Auné, "Műtermékek," in EEG asszisztensi tananyag, Péter Rajna, Ed. Budapest: Szociális- és Egészségügyi Minisztérium, 1990, ch. 5, pp. 89-105. [70] Dennis J. L. G. Schutter, Edward H. F. de Haan, and Jack van Honk, "Functionally dissociated aspects in anterior and posterior electrocortical processing of facial threat," International Journal of Psychophysiology, vol. 2004, no. 53, pp. 29-36, April 2004. [71] Sidse Marie Arnfred, Ralp P. Hemmingsen, and Josef Parnas, "Delayed early proprioceptive information processing in schizophrenia," The British Journal of Psychiatry, vol. 2006, no. 186, pp. 558-559, 2006. [72] Davita. (2009, June) DAVITA: ECG Instruments. [Online]. http://www.davitashop.co.uk/ecg-instruments.html [73] Miklós Dr. Szörényi. (2009, June) Két mennyiség kapcsolatának vizsgálata,


64. oldal

korreláció

és

lineáris

regresszió.

[Online].

Varianciaanalízis.

[Online].

http://rs1.szif.hu/~szorenyi/elm/bioselm7.htm [74] WIKIPEDIA.

(2009,

June)

http://hu.wikipedia.org/wiki/Varianciaanal%C3%ADzis [75] Karen

Z.

H.

Li

and

Ulman

Lindenberger,

"Relations

between

aging

sensory/sensorimotor and cognitive functions," Neuroscience & Biobehavioral Reviews, vol. 26, no. 7, pp. 777-783, November 2002, doi:10.1016/S01497634(02)00073-8. [76] Inc. Neurobehavioral Systems. (2009, December) Presentation. [77] Inc. Microsoft and Charles Simonyi. Excel.


65. oldal

13.MELLÉKLETEK 13.1 ÁBRAJEGYZÉK 1. ÁBRA: CNV HELYZET, EGYETLEN SZEMÉLY NYERS EEG ADATAIVAL ...................................................................... 7 2. ÁBRA: AEP-K ÉS JELLEMZŐIK......................................................................................................................... 8 3. ÁBRA: RR INTERVALLUM ............................................................................................................................ 10 4. ÁBRA: SZÍVRITMUS SZABÁLYOZÁS KOMPONENSEI ............................................................................................ 11 5. ÁBRA: A CNV SKALPELOSZLÁSA ................................................................................................................... 12 6. ÁBRA: AZ EKG_TIMELINE.M 2.0 PROGRAM KEZELŐFELÜLETE ............................................................................ 16 7. ÁBRA: EKG ELEMZŐ PROGRAMCSALÁD HASZNÁLATÁNAK FOLYAMATÁBRÁJA ......................................................... 17 8. ÁBRA: AZ EVENTGEN.M PROGRAM KEZELŐFELÜLETE ........................................................................................ 17 9. ÁBRA: SZIMULÁLT EKG.............................................................................................................................. 18 10. ÁBRA: DATSTAT.M PROGRAM FŐMENÜJE .................................................................................................. 19 11. ÁBRA: BOXPLOT2.M KIJELZŐ MINTA............................................................................................................ 20 12. ÁBRA: A CNV ........................................................................................................................................ 21 13. ÁBRA: A SZÍVRITMUS VÁLTOZÁSA KÜLÖNBÖZŐ HELYZETEKBEN (31 SZEMÉLY ADATAINAK NAGYÁTLAGA) ................... 22 14. ÁBRA: CNV CSÚCSAMPLITÚDÓJÁNAK STATISZTIKAI ELEMZÉSE AZ EGYES VIZSGÁLATI HELYZETEKBEN ......................... 23 15. ÁBRA: ÖSSZEADÁS FELADATHELYZET ........................................................................................................... 24 16. ÁBRA: PULZUSGÖRGÉK A KÜLÖNBÖZŐ HELYZETEK ALATT, ÖSSZEADÁS SORÁN ..................................................... 25 17. ÁBRA: PULZUSSZÁM A MEMÓRIAFELADATOK SORÁN (RÉSZLETEK A SZÖVEGBEN) .................................................. 26 1. TÁBLÁZAT: CNV CSÚCSAMPLITÚDÓ ÉS EKG MAXIMUM KORRELÁCIÓJA ............................................................... 27 18. ÁBRA: EKG TIMELINE 7 ADAT ÚT (DATA FLOW) DIAGRAM .............................................................................. 30 19. ÁBRA: AZ EKG TIMELINE 7 READER FELÜLETE .............................................................................................. 31 20. ÁBRA: EKG TIMELINE 7 MENÜ IKONOK ....................................................................................................... 32 21. ÁBRA: MÉRÉS AZ EKG TIMELINE 7 READER PROGRAMBAN .................................. ERROR! BOOKMARK NOT DEFINED. 22. ÁBRA: READER PARAMÉTEREZÉSI LEHETŐSÉGEK EV FORMÁTUMÚ FÁJL ESETÉN.................................................... 35 23. ÁBRA: EKG TIMELINE 7 ANALYSER KEZDŐKÉPERNYŐJE ................................................................................... 36 24. ÁBRA: EKG TIMELINE 7 ANALYSER MENÜSORA ............................................................................................ 37 25. ÁBRA: ÁLTALÁNOS BEÁLLÍTÁSOK ................................................................................................................ 39 26. ÁBRA: VIZSGÁLAT ÉS SZEMÉLY VÁLASZTÓ PANEL. A RÖVID CNV FELADATHELYZET VIZSGÁLATÁBAN RÉSZTVEVŐ NÉHÁNY SZEMÉLY ADATA VAN KIVÁLASZTVA .......................................................................................................... 40

2. TÁBLÁZAT: „5 HANG CNV” HELYZET INGERSORA. AZ IDŐ LEGFELÜL MS-BAN, ALUL A TRIGGEREK AZONOSÍTÓJA ........... 41 3. TÁBLÁZAT: RÖVID INGERSOR, HA AZ 5. HANG ELMARAD ................................................................................... 41 4. TÁBLÁZAT: HOSSZÚ INGERSOR, HA MINDEN HANG SZEREPEL.............................................................................. 42 5. TÁBLÁZAT: HOSSZÚ INGERSOR ELMARADÓ 8. HANGGAL ................................................................................... 42 6. TÁBLÁZAT: SZÁMOLÁSI HELYZET. IDŐ MILISECUNDUMBAN FELÜL, ALUL AZ ESEMÉNYTRIGGEREK ................................ 43 7. TÁBLÁZAT: EKG TIMELINE 7 ERŐSSÉGEI ........................................................................................................ 45


66. oldal

27. ÁBRA: „5 HANG SOROZAT” KONTROLL ÉS FELADAT HELYZET PULZUSGÖRBÉJE. ZÖLD NYÍL JELZI AZ ELSŐ, SÁRGA AZ UTOLSÓ ELMARADÓ INGER HELYÉT .......................................................................................................... 47

28. ÁBRA: „8 HANG SOROZAT” CNV KONTROLL ÉS FELADAT PULZUSGÖRBE ............................................................ 47 29. ÁBRA: RÖVID CNV HELYZET PULZUSGÖRBÉJA ALAPVONAL IGAZÍTÁSSAL. ZÖLD NYÍL AZ LESŐ, SÁRGA AZ UTOLSÓ ELMARADÓ HANG HELYÉT JELZI ............................................................................................................... 48

30. ÁBRA: HOSSZÚ CNV HELYZET ALATTI SZÍVRITMUS ALAPVONALIGAZÍTÁSSAL ........................................................ 48 31. ÁBRA: RÖVID CNV FELADATHELYZET ALATTI VÁLTOZÁS AZ IDŐS ÉS FIATAL KORCSOPORT FELADATVÉGZÉSÉNEK KEZDETÉN ÉS VÉGÉN ........................................................................................................................................... 49

32. ÁBRA: HOSSZÚ CNV HELYZET ALATTI PULZUSSZÁM VÁLTOZÁS A KORCSOPORTOKBAN ........................................... 49 33. ÁBRA: RÖVID CNV FELADATHELYZET KÖZÖTTI VÁLTOZÁS A VIZSGÁLAT ELSŐ ÉS MÁSODIK FELÉBEN........................... 50 34. ÁBRA: HOSSZÚ CNV FELADATHELYZET ELSŐ ÉS MÁSODIK FELE. AMPLITÚDÓ VÁLTOZÁSOK CSÖKKENÉSE FIGYELHETŐ MEG ........................................................................................................................................................ 50 35. ÁBRA: SZÁMOLÁS HELYZET KONTROLL- ÉS FELADATHELYZET. ZÖLD NYÍL A PLAFONSZÁÁM MEGJELENÉSÉT, A SÁRGA AKALKULÁCIÓ KEZDETÉT JELZI ................................................................................................................. 51

36. ÁBRA: SZÁMOLÁSI HELYZET ALATTI ÁTLAG PULZUSSZÁM. AZ EREDMÉNY NEM SZIIGNIFIKÁNS, UGYANIS A DOBOZRAJZOKON TALÁLHATÓ BEVÁGÁSOK ÁTFEDŐEK ......................................................................................................... 52

37. ÁBRA: FELADATHELYZET ALAPVONAL IGAZÍTÁS UTÁN ...................................................................................... 53 38. ÁBRA: SZÁMOLÁS ELVÉGÉZÉSÉNEK IDEJE NEM KÜLÖNBÖZIK SZIGNIFIKÁNSAN....................................................... 54

13.2 MATLAB PROGRAM FORRÁSKÓDJA MAGYARÁZATTAL A diplomatervezés során fejlesztett EKG Timeline 7 szoftvercsomag forrás állományai illetve a használathoz szükséges kiegészítők a CD mellékleten találhatóak.

13.3 FELDOLGOZOTT ADATOK A CNV és számolási helyzet feldolgozása során keletkezett adatállományok és ábrák eredeti változatai a CD mellékleten találhatóak.

13.4 A FELDOLGOZÁS FOLYAMATA A CNV vizsgálatsor feldolgozásának folyamatát lépésről lépésre a „A feldolgozás folyamata” című dokumentum mutatja be, mely a CD mellékleten illetve a http://digitus.itk.ppke.hu/~arden/diploma2/ címen érhető el.


67. oldal

DIPLOMATERV BENYOVSZKY MÁTÉ 2011

Recommend Documents