Выделение признаков на основе сигналов в моторных вызванных потенциалах: обнаружение возникновения TKEO и анализ гильбертовой огибающей

Надежное и объективное определение характеристик вызванного моторного потенциала (ВМП) – латентности возникновения, амплитуды от пика до пика, длительности и морфологии волновой формы – имеет фундаментальное значение для клинической нейрофизиологии, но в современной практике оно во многом зависит от суждений оператора. Математические алгоритмы обработки сигналов предлагают прозрачную, детерминированную и воспроизводимую альтернативу. Мы представляем, описываем и систематически оцениваем полный математический алгоритм для идентификации характеристик ВМП, состоящий из трех этапов: определение начала координат на основе TKEO, оператора энергии Тайгера-Кайзера, применяемого к предварительно обработанному сигналу с адаптивным порогом k∙σ_baseline; оценка смещения преобразования Гильберта – отслеживание амплитудной огибающей с использованием критерия возврата к базовой линии; и морфологическая классификация путем подсчета значимых пересечений нуля для присвоения меток монофазного, двухфазного или многофазного сигнала. На этапе проверки маркеров отклоняются тесты, в которых обнаруженные признаки не превышают минимальный уровень шума. При значении SNR, равном 3,0, производительность снижается, а задержка MAE увеличивается с 1,4 мс (SNR ≥ 5) до 9,7 мс (SNR < 3). Точность морфологической классификации составляет 94% для исследований с высоким SNR и снижается до 61% для исследований с очень низким SNR. Математический алгоритм обеспечивает клинически приемлемую точность для MEP при высоком и среднем уровнях SNR и служит интерпретируемым эталонным стандартом с нулевыми затратами на обучение. Его режимы отказов хорошо охарактеризованы, зависят от SNR и предсказуемы – свойства, которые делают его базовым компаратором для оценки более продвинутых методов автоматизированного анализа.

1. Rossini P.M., Burke D., Chen R., et al. Non-invasive electrical and magnetic stimulation of the brain, spinal cord, roots and peripheral nerves: Basic principles and procedures for routine clinical and research application. An updated report from an I.F.C.N. Committee. Clinical Neurophysiology. 2015;126(6):1071–1107. https://doi.org/10.1016/j.clinph.2015.02.001

2. Olney R.K., So Y.T., Goodin D.S., Aminoff M.J. A comparison of magnetic and electrical stimulation of peripheral nerves. Muscle Nerve. 1990;13(10):957–963. https://doi.org/10.1002/mus.880131012

3. Stålberg E., van Dijk H., Falck B., et al. Standards for quantification of EMG and neurography. Clinical Neurophysiology. 2019;130(9):1688–1729. https://doi.org/10.1016/j.clinph.2019.05.008

4. Winter D.A. Biomechanics and Motor Control of Human Movement. Hoboken: John Wiley & Sons; 2009. 384 p.

5. MacDonald D.B., Skinner S., Shils J., Yingling C. Intraoperative motor evoked potential monitoring – А position statement by the American Society of Neurophysiological Monitoring. Clinical Neurophysiology. 2013;124(12):2291–2316. https://doi.org/10.1016/j.clinph.2013.07.025

6. Kaiser J.F. On a simple algorithm to calculate the 'energy' of a signal. In: International Conference on Acoustics, Speech, and Signal Processing, 03–06 April 1990, Albuquerque, NM, USA. IEEE; 1990. P. 381–384. https://doi.org/10.1109/ICASSP.1990.115702

7. Solnik S., Rider P., Steinweg K., DeVita P., Hortobágyi T. Teager-Kaiser energy operator signal conditioning improves EMG onset detection. European Journal of Applied Physiology. 2010;110(3):489–498. https://doi.org/10.1007/s00421-010-1521-8

8. Huang N.E., Shen Zh., Long S.R., et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society A. 1998;454(1971):903–995. https://doi.org/10.1098/rspa.1998.0193

9. Virtanen P., Gommers R., Oliphant T.E., et al. SciPy 1.0: fundamental algorithms for scientific computing in Python. Nature Methods. 2020;17:261–272. https://doi.org/10.1038/s41592-019-0686-2

10. Ma K., Wang B., Liu S., Goetz S.M. Rethinking noise floor characterisation in motor-evoked potentials. Journal of Neural Engineering. 2025;22(3). https://doi.org/10.1088/1741-2552/add20d

11. Teager H.M., Teager S.M. Evidence for nonlinear sound production mechanisms in the vocal tract. In: Speech Production and Speech Modelling. Dordrecht: Springer; 1990. P. 241–261. https://doi.org/10.1007/978-94-009-2037-8_10

12. Gabor D. Theory of communication. Part 1: The analysis of information. Journal of the Institution of Electrical Engineers – Part III: Radio and Communication Engineering. 1946;93(26):429–441.

13. Shrout P.E., Fleiss J.L. Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin. 1979;86(2):420–428. https://doi.org/10.1037/0033-2909.86.2.420

14. Li Zh., Peterchev A.V., Rothwell J.C., Goetz S.M. Detection of motor-evoked potentials below the noise floor: rethinking the motor stimulation threshold. Journal of Neural Engineering. 2022;19(5). https://doi.org/10.1088/1741-2552/ac7dfc

15. Gramfort A., Luessi M., Larson E., et al. MEG and EEG data analysis with MNE-Python. Frontiers in Neuroscience. 2013;7. https://doi.org/10.3389/fnins.2013.00267