Забродін К. Ю., аспірант, e-mail: zabrodin.kostiantyn@nure.ua,
Гелетка О. О. к.м.н., лікар вищої категорії, geletka72@gmail.com
Харківський національний університет радіоелектроніки
Аналіз спонтанної активності є фундаментальним та одним з найбільш діагностично значущих етапів голкової електроміографії (ЕМГ). Коректна ідентифікація патологічних феноменів, таких як потенціали фібриляцій та позитивні гострі хвилі, має вирішальне значення для виявлення денерваційних процесів та визначення стадії нейром’язового захворювання. Традиційний ручний аналіз цих сигналів є трудомістким, вимагає високої кваліфікації лікаря та неминуче несе в собі елемент суб’єктивності.
Проведення голкової ЕМГ включає три етапи, першим є вивчення стану м’язу у спокої, за Столбергом, при патології в стані спокою м’язові волокна здатні генерувати такі типи патологічної активності:
Активність вколювання — короткі потенціали при введенні або русі голки; нормальна реакція м’яза.
Шум кінцевої пластини (end-plate noise/spikes) — низькоамплітудні, безладні коливання у зоні моторної пластинки; фізіологічне явище.
Фасцикуляції — поодинокі спонтанні скорочення моторних одиниць; можуть бути нормальними або при нейрональних захворюваннях (наприклад, ALS).
Фібриляційні потенціали (ПФ) — регулярні скорочення окремих м’язових волокон; свідчать про денервацію чи мембранну нестабільність.
Позитивні гострі хвилі (ПГХ) — різкі потенціали з вираженою позитивною фазою; ознака активної денервації.
Комплексні повторювані розряди (CRD) — серії ідентичних потенціалів із сталою періодичністю; характерні для хронічної реіннервації.
Міотонічні розряди — тривалі «вібруючі» серії, що поступово сповільнюються і згасають; типові для міотонічних синдромів.
Міокімічні/нейроміотонічні розряди — групові хвилі активності, що йдуть «потоком»; прояв гіперзбудливості периферичних нервів [1]
Більшість сучасних програм з аналізу ЕМГ даних використовують один і той самий метод автоматичної класифікації феноменів, – метод порівняння з шаблоном. Порівняння з шаблоном (також відоме як “співставлення з еталоном” або template matching) є одним із фундаментальних та історично перших алгоритмів, що застосовувалися для автоматичної класифікації феноменів ЕМГ. Цей підхід належить до класу методів керованого розпізнавання образів (supervised pattern recognition). Основна ідея методу полягає у порівнянні невідомого сегмента сигналу, що потенційно містить спонтанну активність, із заздалегідь визначеною бібліотекою еталонних шаблонів. Ця бібліотека шаблонів є “золотим стандартом” для системи і зазвичай містить оцифровані приклади: позитивних гострих хвиль, потенціалів фібриляції, фасцикуляцій, тощо [3].
Процес автоматичного аналізу за цим методом зазвичай складається з трьох кроків:
Детекція “Кандидата”: алгоритм спершу має виділити із сигналу “подію-кандидата”. Найчастіше це реалізується за допомогою простого порогового детектора. Коли амплітуда сигналу (або його похідна) перевищує заданий поріг (наприклад, 20-30 мкВ), система вирізає короткий сегмент сигналу (наприклад, 20 мс) навколо цього піку для подальшого аналізу, так само як і для автоматичного виділення потенціалів рухових одиниць (ПРО) [2].
Математичне порівняння: виділений сегмент-кандидат послідовно порівнюється з кожним шаблоном із бібліотеки. Для кількісної оцінки “схожості” форми двох сигналів найчастіше використовується операція крос-кореляції (cross-correlation).
Класифікація: алгоритм обчислює коефіцієнт кореляції (ступінь схожості, від -1 до 1) для кожного шаблону. “Кандидату” присвоюється клас того шаблону, з яким він показав найвищий коефіцієнт кореляції (наприклад, “Фібриляція”, якщо кореляція з шаблоном фібриляції склала 0.92, що вище, ніж з будь-яким іншим шаблоном). Якщо максимальний коефіцієнт кореляції є нижчим за певний поріг (напр., 0.8), кандидат відкидається як “нерозпізнаний шум”.
Незважаючи на свої переваги, такі як швидкість роботи, та зрозумілість отриманого результату, цей метод також має і суттєві недоліки. Низька гнучкість – головна проблема методу. Він погано справляється з високою морфологічною варіабельністю реальних ПФ та ПГХ. Потенціал, що трохи відрізняється за формою від еталона, може бути пропущений. Залежність від бібліотеки – ефективність системи повністю залежить від якості та повноти її бібліотеки шаблонів. Якщо в бібліотеці відсутній певний тип артефакту, він з високою ймовірністю буде помилково класифікований як патологія. Проблема накладення сигналів один на одного – метод практично не здатний обробляти сигнали, що накладаються, оскільки результуюча форма не відповідає жодному окремому шаблону. Через ці обмеження, у сучасних комерційних системах метод порівняння замінюється більш гнучкими методами на основі машинного навчання, які оперують не цілою формою сигналу, а набором його числових ознак (амплітуда, тривалість, кількість фаз, похідна тощо). З метою апробації використання методів машинного навчання для розпізнавання спонтанних феноменів, було реалізовано метод для сегментації М-відповіді. На відгуках було ефективно виділено предсигнальну позитивність та премоторний потенціал, що є не бажаним артефактом під час запису М-відповіді. Таким чином використання нейромереж для виконання поставленої задачі є надзвичайно перспективним.
ПЕРЕЛІК ПОСИЛАНЬ
Stålberg E., van Dijk H., Falck B., Kimura J., Neuwirth C., Pitt M. [et al.]. Standards for quantification of EMG and neurography. Clinical Neurophysiology. 2019. Vol. 130, No. 9. P. 1688–1729. DOI: 10.1016/j.clinph.2019.05.008.
Забродін К. Ю., Гелетка О. Методи автоматичного розставлення міток потенціалів рухових одиниць, записаних за допомогою концентричного голкового електрода. Сучасні технології біомедичної інженерії : матеріали ІV Міжнар. наук.-техн. конф., 7−9 травня 2025 р. Одеса : Astroprint, 2025. С. 179–180. URL:
https://openarchive.nure.ua/entities/publication/8427f206-7950-4e61-a039-66c5881ade06Nunes J. P., van Dijk J. P., van Putten M. J. A. M., Nandedkar S. D., van der Kooi A. J., Visser B. [et al.]. Automatic analysis of spontaneous activity in electromyography: A systematic review of the literature. Medical & Biological Engineering & Computing. 2019. Vol. 57, No. 8. P. 1629–1643. DOI: 10.1007/s11517-019-01990-2.
Селиванова К. Г. Компьютерное моделирование механизма генерации ЭМГ сигнала в норме и при различных нервно-мышечных заболеваниях / К. Г. Селиванова // Радиоэлектроника и молодежь в ХХІ веке: 18-й Международный молодежный форум, Том 1.: материалы конф. – Х., 2014. – С. 160−161.
Половенко К. Г. Анализ диагностических характеристик методов игольчатой и поверхностной электромиограмм человека при диагностике гиперкинеза / К. Г. Половенко, А. А. Гелетко // материалы 4-го междунар. радиоэлектрон. форума (МРФ’2011) 18-21 окт. 2011 г. : сб. науч. тр. : T.3. Конф. «Актуальные проблемы биомединженерии». / АНПРЭ, ХНУРЭ. – Х. : АНПРЭ, ХНУРЭ, 2011. – С. 43–47.
