QEEG - EEG Ilościowe: FFT, Mapowanie Mózgu i Analiza Spektralna

QEEG (Quantitative EEG) to cyfrowa obróbka i analiza sygnału EEG metodami matematycznymi, umożliwiająca obiektywną kwantyfikację aktywności elektrycznej mózgu. Kluczową techniką jest Transformata Fouriera (FFT), która dekompozycje sygnał czasowy na składowe częstotliwościowe, pozwalając na precyzyjną analizę spektralną i topograficzne mapowanie rozkładu mocy fal mózgowych.

🔢 Transformata Fouriera (FFT - Fast Fourier Transform)

Podstawowa idea: Każdy złożony sygnał okresowy można rozłożyć (zdekomponować) na sumę prostych fal sinusoidalnych o różnych częstotliwościach, amplitudach i fazach.

Od Sygnału Czasowego do Widma Częstotliwościowego

Sygnał EEG w dziedzinie czasu: x(t) - amplituda [μV] w funkcji czasu [s]

Transformata Fouriera → Konwersja do dziedziny częstotliwości

Wynik: Widmo mocy (Power Spectrum): P(f) - moc [μV²] w funkcji częstotliwości [Hz]

Interpretacja: "Ile mocy (energii) jest w każdej częstotliwości?"

Discrete Fourier Transform (DFT): N-1 X(k) = Σ x(n) · e^(-i·2π·k·n/N) n=0 gdzie: x(n) = próbki sygnału EEG w czasie (n = 0,1,2,...,N-1) X(k) = amplituda kompleksowa dla częstotliwości k N = liczba próbek k = indeks częstotliwości (k = 0,1,2,...,N-1) Częstotliwość: f(k) = k · fs / N gdzie fs = częstotliwość próbkowania (np. 256 Hz)

Widmo Mocy (Power Spectrum): P(f) = |X(f)|² Moc bezwzględna (Absolute Power): f2 P_band = ∫ P(f) df f1 Przykład - moc pasma alpha (8-13 Hz): 13 Hz P_alpha = ∫ P(f) df 8 Hz Jednostka: μV²

DEKOMPOZYCJA SYGNAŁU EEG - Transformata Fouriera: SYGNAŁ W CZASIE (Time Domain): μV ↑ ╱╲╱╲ ╱╲ ╱╲╱╲╱╲ ╱╲ │ ╱ ╲╱ ╲ ╲╱ ╲ │───────────────────────→ czas (s) Złożony sygnał EEG ↓ FFT (Transformata Fouriera) WIDMO MOCY (Frequency Domain): μV² ↑ ┃ │ ┃ ┃ │ ┃ ┃ ┃ │ ┃┃ ┃┃┃┃ ┃ │────────────────────→ częstotliwość (Hz) δ θ α β γ 2 6 10 20 40 → "Ile mocy w każdym paśmie częstotliwości?"

📈 Parametry Ilościowe QEEG

1. Absolute Power (Moc Bezwzględna)

Definicja: Całkowita moc w danym paśmie częstotliwości (np. alpha 8-13 Hz)

Jednostka: μV² lub dB (decibele względem referencji)

Zastosowanie:

Porównanie między regionami mózgu (asymetria L vs R)
Porównanie z bazą normatywną (Z-scores)

Ograniczenie: Zależna od impedancji elektrod, grubości czaszki (duża zmienność międzyosobnicza)

2. Relative Power (Moc Względna)

Definicja: Procent mocy w danym paśmie względem całkowitej mocy (0.5-50 Hz)

P_alpha Relative Power = ──────────── × 100% P_total Przykład: Relative alpha power = 35% (35% całkowitej mocy jest w paśmie 8-13 Hz)

Zaleta: Mniejsza zmienność międzyosobnicza niż absolute power

3. Peak Frequency (Częstotliwość Szczytowa)

Definicja: Częstotliwość o maksymalnej mocy w danym paśmie

Przykład - Peak Alpha Frequency (PAF):

Dorosły zdrowy: PAF ~10 Hz (zakres 8-13 Hz)
Dzieci młodsze: PAF ~8-9 Hz (wolniejsza)
Osoby starsze: PAF może być wolniejsza (~9 Hz)
Alzheimer's disease: PAF znacząco niższa (<8 Hz) - marker degeneracji

4. Asymmetry Index (Wskaźnik Asymetrii)

Definicja: Różnica mocy między lewą a prawą półkulą

P_right - P_left Asymmetry Index = ───────────────────── P_right + P_left Wartości: • Positive → więcej mocy w prawej półkuli • Negative → więcej mocy w lewej półkuli • ~0 → symetryczne

Zastosowanie kliniczne:

Depresja: Zwiększona asymetria czołowa (frontal alpha asymmetry) - mniej aktywności lewej przedczołowej kory (DLPFC)
Udar: Asymetria w regionie uszkodzenia

5. Coherence (Spójność)

Definicja: Miara synchronizacji między dwoma elektrodami w określonym paśmie częstotliwości

|S_xy(f)|² Coh(f) = ────────────── S_xx(f)·S_yy(f) gdzie: S_xy = krzyżowe widmo mocy (cross-spectrum) S_xx, S_yy = widma mocy elektrod x i y Zakres: 0 ≤ Coh ≤ 1 • Coh = 1 → Perfekcyjna synchronizacja (w fazie) • Coh = 0 → Brak synchronizacji

Interpretacja: Wysoka coherence = funkcjonalna łączność (functional connectivity) między regionami

Zastosowanie:

Badanie sieci neuronalnych
ADHD: Obniżona coherence w okolicach czołowych
Alzheimer's: Obniżona długodystansowa coherence

6. Phase Lag (Przesunięcie Fazowe)

Definicja: Opóźnienie czasowe między sygnałami dwóch elektrod

Interpretacja: Jeśli elektroda A "wyprzedza" elektrodę B, może sugerować kierunek przepływu informacji A → B

Metoda: Phase Lag Index (PLI), weighted PLI (wPLI) - eliminują wpływ volume conduction

🗺️ Mapowanie Topograficzne Mózgu (Brain Mapping)

Topographic brain mapping to wizualizacja rozkładu przestrzennego parametrów QEEG (np. mocy alpha) na powierzchni głowy w formie kolorowych map 2D.

Tworzenie Mapy Topograficznej

Krok 1: Oblicz parametr (np. absolute alpha power) dla każdej elektrody

Krok 2: Interpolacja przestrzenna - oblicz wartości między elektrodami

Metody: Spline interpolation, spherical splines (najczęściej)
Zakładamy, że wartości między elektrodami zmieniają się gładko

Krok 3: Kolor-kodowanie

Niskie wartości: Niebieski/fioletowy (cold colors)
Wysokie wartości: Czerwony/żółty (hot colors)
Skala kolorów: Rainbow, jet, viridis, etc.

PRZYKŁAD MAPY TOPOGRAFICZNEJ - Absolute Alpha Power: WIDOK Z GÓRY (Top View) FRONT (Fp1 Fp2) │ LEWO ────┼──── PRAWO (C3) │ (C4) │ TYŁ (O1 O2) Mapa mocy alpha (8-13 Hz): [====FRONT====] │ 🔵 🔵 🔵 🔵 │ ← Niska moc (blue) LEWO │ 🟢 🟢 🟢 🟢 │ PRAWO │ 🟡 🟡 🟡 🟡 │ ← Średnia moc │ 🔴 🔴 🔴 🔴 │ ← Wysoka moc (red) [=====TYŁ=====] ↑ Okolica potyliczna (O1, O2) Maksimum alpha (zamknięte oczy) → Gradient: Tył (wysoka) → Przód (niska)

Zastosowania map topograficznych:

Szybka wizualna inspekcja rozkładu mocy
Identyfikacja regionów o nieprawidłowej aktywności
Porównanie przed vs po leczeniu (np. neurofeedback)
Prezentacja danych dla pacjenta/rodziny

📊 Bazy Normatywne i Z-Scores

Porównanie z Populacją Normatywną

Problem: Czy wartość QEEG pacjenta jest "normalna"?

Rozwiązanie: Porównanie z bazą normatywną (normative database) - setki/tysiące zdrowych osób dopasowanych wiekiem

Z-score = (Wartość_pacjenta - Średnia_norma) / SD_norma Interpretacja: • Z = 0 → Dokładnie średnia populacji • Z = +2 → 2 SD powyżej średniej (~97.5 percentyl) • Z = -2 → 2 SD poniżej średniej (~2.5 percentyl) • |Z| > 2 → Statystycznie odchylenie (p < 0.05)

Bazy normatywne:

NeuroGuide (Applied Neuroscience, Inc.) - jedna z największych (~2000 osób)
Brain Resource Company database
HBI (Human Brain Index)

⚠️ Ważne: Dopasowanie wieku (age-matched) jest krytyczne - EEG drastycznie zmienia się z wiekiem (dzieci vs dorośli vs starsi)

🎯 Lokalizacja Źródeł (Source Localization)

Problem odwrotny (inverse problem): Mamy aktywność na elektrodach scalp → Gdzie w mózgu jest źródło tej aktywności?

LORETA i Warianty

LORETA - Low-Resolution Electromagnetic Tomography (Pascual-Marqui, 1994)

Idea: Modeluj mózg jako siatkę tysięcy dipoli (voxels), znajdź rozkład dipoli który najlepiej wyjaśnia sygnał EEG na scalp

Założenie: Sąsiednie dipole mają podobne orientacje (smoothness constraint) - niska rozdzielczość przestrzenna (~5-10 mm)

Ulepszenia:

sLORETA (standardized LORETA) - uwzględnia geometrię głowy, lepsza lokalizacja
eLORETA (exact LORETA) - matematycznie poprawiona, zero błędu lokalizacji dla pojedynczego źródła

Zastosowanie: Lokalizacja źródeł wyładowań padaczkowych, badanie głębokich struktur (np. hipokamp, amygdala)

Dipole Fitting

Metoda: Zakładamy małą liczbę dipoli (1-3), optymalizujemy ich pozycje i orientacje aby pasowały do danych EEG

Zaleta: Wysoka precyzja dla ogniskowych źródeł

Wada: Wymaga założenia liczby dipoli (nieznane a priori)

⚠️ Ograniczenia source localization:

Inverse problem jest ill-posed: Nieskończenie wiele rozkładów źródeł może dać ten sam sygnał na scalp
Wymaga dokładnego modelu głowy (czaszka, CSF, tkanki)
Rozdzielczość przestrzenna ~5-10 mm (gorsza niż fMRI/PET)
Najlepsze dla źródeł kortikalnych (powierzchnia kory), trudne dla głębokich struktur

🏥 Zastosowania Kliniczne QEEG

Zaburzenie	Typowe Znaleziska QEEG	Zastosowanie
ADHD (Attention Deficit Hyperactivity Disorder)	Zwiększona theta (4-8 Hz), obniżona beta (13-30 Hz) w okolicach czołowych → Wysoki stosunek theta/beta	Diagnostyka pomocnicza, protokoły neurofeedback
Demencja (Alzheimer's)	Spowolnienie EEG (↑ delta/theta, ↓ alpha/beta), obniżona Peak Alpha Frequency (PAF < 8 Hz), obniżona coherence	Wczesna diagnostyka, monitorowanie progresji
Depresja	Frontal alpha asymmetry (lewa < prawa, szczególnie DLPFC), zwiększona alpha w lewej przedczołowej korze	Prognoza odpowiedzi na leczenie, TMS targeting
TBI (Traumatic Brain Injury)	Focal/diffuse slowing (↑ delta/theta), obniżona coherence, asymetrie	Ocena ciężkości, monitorowanie rekonwalescencji
Schizofrenia	Obniżona gamma (30-80 Hz) w okolicach czołowych, zmieniona coherence	Badania neurofizjologii, markery biologiczne
Padaczka	Lokalizacja źródeł wyładowań (LORETA), analiza interictal spikes	Planowanie chirurgii (przedoperacyjne mapowanie)

⚖️ Zalety i Ograniczenia QEEG

✓ Zalety QEEG

Obiektywna kwantyfikacja: Liczby zamiast subiektywnego opisu ("moderate slowing" → "theta power = 45 μV², Z = +3.2")
Statystyczna walidacja: Z-scores, porównanie z normami
Detekcja subtelnych zmian: Wykrywa nieprawidłowości niewidoczne w wizualnej inspekcji
Monitorowanie w czasie: Obiektywne śledzenie postępu leczenia
Badanie łączności mózgu: Coherence, phase lag - niemożliwe w wizualnej analizie

⚠️ Ograniczenia i Kontrowersje

QEEG nie zastępuje klinicznego EEG: Nie wykryje spikes/sharp waves tak dobrze jak ekspert
Artefakty: FFT jest bardzo wrażliwy na artefakty (mruganie, EMG) - wymaga idealnie czystych danych
Over-interpretation: Ryzyko nadinterpretacji statystycznych odchyleń (fałszywie pozytywne)
Bazy normatywne: Nie wszystkie są dobrze zwalidowane, różnice między bazami
Brak FDA approval dla większości zastosowań klinicznych (poza epilepsją)
Koszty: Oprogramowanie (NeuroGuide, Brain Vision Analyzer) jest drogie
Wymaga expertise: Interpretacja QEEG wymaga zarówno znajomości EEG jak i statystyki

💻 Oprogramowanie QEEG

Oprogramowanie	Funkcje	Zastosowanie
NeuroGuide	FFT, Z-scores, baza normatywna, LORETA	Klinika, neurofeedback
Brain Vision Analyzer	FFT, ERPs, ICA, source localization	Badania naukowe
EEGLAB (MATLAB)	Open-source, ICA, time-frequency analysis	Badania naukowe (najpopularniejsze)
FieldTrip (MATLAB)	Zaawansowana analiza, MEG+EEG, connectivity	Badania naukowe
MNE-Python	Open-source Python, source localization, connectivity	Badania naukowe

🎯 Podsumowanie

✓ FFT (Transformata Fouriera) = Konwersja sygnał czasowy → widmo częstotliwościowe
✓ Absolute power = Całkowita moc w paśmie [μV²]
✓ Relative power = % mocy w paśmie względem całkowitej mocy
✓ Peak frequency = Częstotliwość maksymalnej mocy (PAF ~10 Hz dla alpha u dorosłych)
✓ Coherence = Synchronizacja między elektrodami (functional connectivity)
✓ Z-scores = Porównanie z bazą normatywną (age-matched)
✓ Brain mapping = Wizualizacja topograficzna (color-coded maps)
✓ LORETA/sLORETA = Lokalizacja źródeł w 3D (source localization)
✓ Zastosowania = ADHD (theta/beta ratio), Alzheimer's (PAF), depresja (asymmetria), TBI
⚠️ Ograniczenia = Wrażliwy na artefakty, wymaga expertise, nie zastępuje klinicznego EEG

W kolejnym artykule omówimy Potencjały Wywołane (ERP/EP): P300, N400, BAEP (Brainstem Auditory Evoked Potentials), VEP (Visual Evoked Potentials) i ich zastosowania kliniczne w diagnostyce neurologicznej.

📚 Bibliografia

Cooley, J. W., & Tukey, J. W. (1965). "An algorithm for the machine calculation of complex Fourier series." Mathematics of Computation, 19(90):297-301. [Oryginalny artykuł FFT]
Nuwer, M. R. (1997). "Assessment of digital EEG, quantitative EEG, and EEG brain mapping: Report of the American Academy of Neurology and the American Clinical Neurophysiology Society." Neurology, 49(1):277-292.
Pascual-Marqui, R. D., et al. (1994). "Low resolution electromagnetic tomography: a new method for localizing electrical activity in the brain." International Journal of Psychophysiology, 18(1):49-65. [LORETA]
Pascual-Marqui, R. D. (2002). "Standardized low-resolution brain electromagnetic tomography (sLORETA): Technical details." Methods and Findings in Experimental and Clinical Pharmacology, 24(Suppl D):5-12.
Thatcher, R. W., et al. (1987). "EEG discriminant analyses of mild head trauma." Electroencephalography and Clinical Neurophysiology, 73(2):94-106.
John, E. R., et al. (1988). "Developmental equations for the electroencephalogram." Science, 210(4475):1255-1258. [Normative database]
Hughes, J. R., & John, E. R. (1999). "Conventional and quantitative electroencephalography in psychiatry." Journal of Neuropsychiatry and Clinical Neurosciences, 11(2):190-208.
Snyder, S. M., & Hall, J. R. (2006). "A meta-analysis of quantitative EEG power associated with attention-deficit hyperactivity disorder." Journal of Clinical Neurophysiology, 23(5):440-455. [ADHD]
Babiloni, C., et al. (2016). "What electrophysiology tells us about Alzheimer's disease: a window into the synchronization and connectivity of brain neurons." Neurobiology of Aging, 85:58-73.
Davidson, R. J. (2004). "What does the prefrontal cortex 'do' in affect: perspectives on frontal EEG asymmetry research." Biological Psychology, 67(1-2):219-234. [Depresja]
Hyvärinen, A., & Oja, E. (2000). "Independent component analysis: algorithms and applications." Neural Networks, 13(4-5):411-430. [ICA]
Sauseng, P., & Klimesch, W. (2008). "What does phase information of oscillatory brain activity tell us about cognitive processes?" Neuroscience & Biobehavioral Reviews, 32(5):1001-1013.
Delorme, A., & Makeig, S. (2004). "EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis." Journal of Neuroscience Methods, 134(1):9-21. [EEGLAB]
Gramfort, A., et al. (2013). "MEG and EEG data analysis with MNE-Python." Frontiers in Neuroscience, 7:267. [MNE-Python]
Michel, C. M., & Murray, M. M. (2012). "Towards the utilization of EEG as a brain imaging tool." NeuroImage, 61(2):371-385.

🦌

Materiały edukacyjne dla dobra społecznego

Opracował: Mgr Elektroradiolog Wojciech Ziółek

CEO Jelenie Radiologiczne^®

📚 Cel edukacyjny: Niniejszy artykuł został opracowany jako materiał dydaktyczny dla studentów elektroradiologii, medycyny, fizyki medycznej oraz uczniów szkół średnich zainteresowanych neurofizjologią i elektrodiagnostyką. Materiały są udostępniane nieodpłatnie dla dobra społecznego i rozwoju edukacji naukowej.

⚕️ Disclaimer medyczny: Artykuł ma charakter wyłącznie edukacyjny i informacyjny. Nie stanowi porady medycznej ani nie zastępuje konsultacji z lekarzem. Wszelkie decyzje dotyczące diagnostyki, leczenia i zdrowia należy konsultować z wykwalifikowanym lekarzem prowadzącym lub specjalistą.

← Powrót do bloga

📊 QEEG - EEG Ilościowe