Теоретические основы фрактального анализа
Современные мировые практики проведения электроэнцефалографии и прогнозирования наступления эпилептических приступов. Виды аритмий сердца. Первичный фрактальный анализ. Теория нелинейных динамических систем. Количественный анализ на основе Reccurencet.
| Рубрика | Медицина |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 07.09.2018 |
| Размер файла | 5,5 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Что касается расположения электродов, то на голове каждого пациента было задействовано от 24 до 26 электродов, расположенных согласно международной номенклатуре 10-20, описанной выше.
Отличительной особенностью данного набора, благодаря которой он и был выбран, как основной источник для анализа, является наличие разметки эпилептических приступов, что позволяет с точностью до секунды отслеживать динамику поведения активности мозга на временных рядах.
Также к набору данных прилагается несколько релевантных публикаций, основанных на этих же данных, одной из которых является [36], в которой авторы аналогично описанным в обзоре литературы статьям использует классические методы машинного обучения для прогнозирования приступа у пациента. Поскольку в статье детально описан алгоритм, по которому была выстроена прогностическая модель, одним из этапов практической части являлось восстановление этой модели с целью сравнения и дополнительного расширения, о котором речь пойдет чуть дальше.
Основным инструментом для анализа был выбран Python, поскольку на сегодняшний день он является наиболее удобным инструментом для проведения исследования временных рядов, и также реализует большое количество библиотек, в которых можно найти все необходимые методы, в том числе и для теории хаоса. Кроме того, для быстрого нахождения некоторых базовых статистик ЭЭГ был использован FRACTAN - программное средство, ориентированное на получение различных метрик на больших объемах данных.
Итак, для примера будем использовать набор данных по первому пациенту. На рисунке 13, на котором изображена нейронная активность мозга пациента, записанная на 24 электродах, прослеживается, как меняется ЭЭГ на протяжении 4 часового периода, в конце которого наблюдается приступ, отмеченный зеленой полосой и продолжающийся примерно 2.5 минуты.
Размещено на http://www.allbest.ru/
Размещено на http://www.allbest.ru/
Рисунок 13
Для данного приступа характерен ярко выраженный рост активности на большинстве нейронов, начало которого наблюдается примерно за 20 минут до самого приступа, который на рисунке в свою очередь выделяется за счет наибольшей активности.
Интересными особенностями конкретного набора данных являются интервалы, обозначенные красной вертикальной линией. Как уже упоминалось, во время сна у людей наблюдаются сильные скачки мозговой активности (сигма-ритмы) или шпиндели, истинное предназначение которых до сих пор не установлено. Для текущей работы шпиндели важны в первую очередь в контексте дополнительных помех при обнаружении приступов.
Прежде чем переходить к проверке различных гипотез и расширенному анализу определимся с временным рядом, который мы будем использовать, как основной. Согласно монтажу, который сформирован для первого пациента, на кожном покрове есть электрод с наименованиемT8-P8, расположенный в правой височно-теменной области. Беря во внимание исследование свойств эпилептических приступов [43], в рамках которого было установлено, что большинство припадков наиболее четко выражены именно на правом полушарии в височной области головы, для повышения вероятности нахождения приступа за основу будет взят именно этот временной ряд, хотя данный вопрос и не имеет однозначного ответа.
2.2 Первичный фрактальный анализ
Для начала проверим гипотезу о том, что данные ЭЭГ являются примером нестационарного набора данных с длинной памятью.
Для проверки предположения построим автокорреляционную функцию (ACF), которая рассчитывается, как:
Где ? - лаг, на котором считается корреляция,?-мат.ожидание рассматриваемой величины, -дисперсия
Тогда ACFдля нашего ряда примет вид (см. рис. 14):
Рисунок 14
Как можно видеть, значение автокорреляционной функции имеет довольно слабый нисходящий тренд и не уходит в 0, что свидетельствует о наличии характерных признаков модели с длинной памятью и возможности применения теории нелинейных динамических систем к набору.
Альтернативной метрикой для ACF выступает Average MutualInformation (AMI) -средняя взаимная информация, рассчитываемая через энтропию двух величин:
Данная метрика (см. рис. 15) дает схожий с ACFрезультат и демонстрирует медленный спад к более высоким лагам, что дает дополнительные основания полагать, что ряд имеет длинную память.
Рисунок 15
Теперь перейдем к стохастическим характеристикам временного ряда, чтобы понимать структуру имеющихся данных. Рассчитаем корреляционную размерность по формуле:
где ? - функция Хевисайда: , p-расстояние в n-мерном фазовом пространстве, m-число точек на аттракторе
Поскольку в данном случае мы не располагаем полной информацией о фазовом пространстве, для реконструкции аттрактора воспользуемся методом Такенса, который был описан в первой главе. В итоге, получаем корреляционную размерность равную 8.5. также имеем размерность фазового пространства равной 14 (см. рис. 16).
Рисунок 16
получаем корреляционную размерность равную 8.5. также имеем размерность фазового пространства равной 14 (см. рис. 16).
Рисунок 17
Исходя из теории, при значении параметра H<0.5 система считается антиперситентной, т.е. ни одна тенденция не стремится быть сохраненной, а напротив - меняется на противоположную. Получившаяся оценка - 0.2427±0.1838 дает нам возможность достаточно уверенно заявлять об отсутствии какой -либо персистентности в данных и наличии долгосрочной тенденции на варьирование между высокими и низкими значениями ряда, постоянно изменяя относительное направление (см. рис. 17).
Для подтверждения того, что 2х и 3х-мерные отображения аттрактора в высокоразмерном пространстве, не несут большое количество информации построим соответствующие графики (см. рис. 18).
Рисунок 18
Как можем видеть, размерность пространства не позволяет в полной мере проследить траектории отображения. Однако в реальном мире такое редко удается сделать. Гораздо более интересным примером эффективности построения отображения является сравнение аттракторов и их количественных характеристик для иктальной и интериктальной фаз.
Рисунок 19
На рисунке 19 представлены аттракторы, построенные отдельно для фазы приступа и фазы нормальной активности. Для построения такого аттрактора были выбраны окна, охватывающие ~1 минуту записи ЭЭГ. Размер окна был выбран исходя из средней продолжительности приступа у данного пациента. Численные оценки полученного набора траекторий представлены в таблице 1.
Таблица 1
|
Приступ |
Состояние покоя |
||
|
Корреляционная размерность |
4.856 |
8.775 |
|
|
Размерность фазового пространства |
6 |
12 |
Полученные данные позволяют подтвердить ранее сформулированную гипотезу [4]о значимом снижении корреляционной размерности в период турбулентности.
Вывод о том, что метрики нелинейной динамики для разных фаз приступа могут различаться, наталкивает нас на идею использования скользящих окон, как одного из возможных способов к построению предсказания.
2.3 Скользящий анализ временного ряда и RQA
Используя это предположение, попробуем проанализировать статистические параметры в скользящем окне и проследить изменения, которые происходят со структурой временного ряда. Помимо классического распределения возможных значений ЭЭГ, будем строить спектр мощности сигнала, рассчитываемый на основании быстрого преобразования Фурье (FFT). Целью данной статьи не является раскрытие всех тонкостей расчета спектрограммы на основе данного преобразования, поэтому отметим лишь, что в основу алгоритма заложено предположение о том, что каждый сигнал представляет собой комбинацию гармонических колебаний с разными частотами, подобно тому, как музыкальный аккорд может быть выражен в виде сумму музыкальных звуков, которые его составляют [28]. На выходе такого алгоритма будет получаться набор коэффициентов или амплитуд этих самых колебаний. Причина, по которой такой подход может быть интересен, заключается в предположении о доминировании определенным ритмов, формирующихся на высоких частотах при появлении эпилептического припадка. Для демонстрации такого подхода на рисунке 20 представлен пример рассчитанных значений для минутного временного интервала межприпадочного состояния. Несмотря на кажущуюся динамичность ЭЭГ, спектрограмма демонстрирует нам сильное доминирование колебаний на низких частотах и полное отсутствие изменений на оставшемся отрезке. Обратным примером выступает окно сигнала, записанного за ~30 мин ло наступления приступа (см. рис. 21). Первое, что бросается в глаза, сравнивая два окна, - наличие более высоких частот в спектре мощности, что может выступать косвенным признаком скорого наступления припадка. Также стоит обратить внимание на гистограмму плотности распределения, коэффициент эксцесса которой ощутимо меньше коэффициента при снятии ЭЭГ в состоянии покоя. Интуитивно такие изменения объясняются проявлением турбулентности в данных и наличием дополнительной нетривиальной мозговой активности.
Рисунок 20
Рисунок 21
К сожалению, для построения предсказания апробация такого метода на нескольких наборах данных показала себя очень нестабильно, что вынуждает нас двигаться дальше в поисках более валидного решения.
Основной задачей в данной работе было выставлено применение подхода RQAк прогнозированию приступов. Напомним, что данный подход основан на многомерном анализе временного ряда на основе reccurenceplot, восстановленому на основе теоремы Такенса. Суть анализа сводится к исследованию линейных структур внутри фазового пространства.
Важно отметить, что RQA является параметрическим методом и зависит от нескольких факторов:
· Размерность вложения (embedding dimension)
· Время задержки (time delay)
· Радиус ? окрестности
· Метрика расстояния
· Минимально допустимая длина линейных структур
Подбору каждого из этих параметров можно посвятить целую статью, поэтому для наших задач опишем классические подходы к выбору оптимальных параметров.
Размерность вложения: Согласно теореме Такенса, размерности вложения 2m+1, где m - корреляционная размерность, будет достаточно для сохранения свойств исходного фазового пространства.
Время задержки: Популярной эвристикой для расчета времени задержки является выбор первого лага автокорреляционной функции, значение которого обращается в ноль или уменьшается в 1/e от первоначального значения.
Радиус ? окрестности: Ключевым параметром является допустимый радиус, выходя за пределы которого можно считать, что система перешла в другое состояние. Базовым решением, которое используется в большинстве случаев, является расчет диаметра фазового пространства, как разницу между максимальным и минимальным значениями временного ряда и взятием небольшого процента от полученного значения. Величину процента обычно определяют исходя из конкретной задачи, подгоняя ее под существующую модель, однако, как правило, величина такого процента колеблется вокруг 10%. Альтернативным подходом к выбору радиуса окрестности является способ, хорошо описанный в статье [43], суть которого сводится к предположению о том, что при выборе достаточно малого радиуса, большинство точек будут считаться возобновляющимися (recurrent), что будет привлекать в график большое количество шумов. В таком случае алгоритм выбора оптимального радиуса выглядит следующим образом:
1. Используя одну из метрик подхода RQA, например, энтропию, считаем показатель при разных значениях радиуса
2. Полученные значения строим в логарифмических координатах для нахождения региона линейного роста параметра.
3. В качестве оптимального радиуса выбираем среднее значение на заданном интервале (см. рис. 22)
Рисунок 22
Метрика расстояния: Обычно используется эвклидово расстояние, однако существуют и другие варианты, например, метрика Манхэттэна.
Минимально допустимая длина линейных структур: Подбирается исключительно путем ручного подбора с целью качественной визуализации статистик.
Необходимо обратить внимание на то, что перечисленные выше параметры подбираются на основе интериктальной фазы для нахождения нестандартных паттернов поведения при переходе ЭЭГ в фазу приступа.
Попробуем применить описанный выше алгоритм, рассчитывая перечисленные метрики, воспользовавшись эвристиками для подбора параметров. В качестве объекта тестового исследования будем использовать временной ряд, описанный на рисунке 13.
Параметрами для RQA будут:
· Размерность вложения- 12. Рассчитано, как среднее от нескольких посчитанных вложений на разных этапах стадий покоя.
· Время задержки - 70
· Радиус ? окрестности - 350. Опробовав оба перечисленных способа, выбор пар на второй, основанный на регионе линейного роста.
Рисунок 23
Метрика- Эвклидово расстояние
Минимально допустимая длина линейных структур - 8
Результаты посчитанных статистик изображены на рисунке 23. Зеленым на графиках отмечен временной промежуток, в который у пациента произошел приступ.
Рисунок 24
Как видно (см. рис. 24), на графиках хорошо прослеживаются моменты начала изменений в активности мозга, что позволяет нам подтвердить гипотезу о наличии структурных изменений состояния, полученных системы на основе RQA за определенный период времени до наступления приступа.
Практическая ценность полученных результатов заключается в том, что, используя такие статистики, можно сформировать алгоритм, детектирующий наступление приступа заблаговременно.
Конечно, данный подход не может дать 100% точность, поскольку на графиках присутствует достаточное количество артефактов, потенциально приводящих к ложным срабатываниям. Более того, в используемом наборе данных по 23 пациентам встречаются дети с другим типом эпилепсии, при которой в ЭЭГ мозга практически отсутствует преиктальная фаза. Для примера на рисунке 25 изображен оригинальный временной ряд ЭЭГ для другого пациента, отличием которого является отсутствие каких-либо визуальных признаков эпилепсиидо непосредственного наступления припадка.
Рисунок 25
Рисунок 26
На графике (см. рис. 26) для данного пациента видно, что эпилептический всплеск наступает довольно резко в сравнении с предыдущим пациентом и проявляется на графиках только по факту свершения.
Подводя промежуточный итог, подход основанный на исследованииRQAметрик в скользящем окне для некоторых видов приступов может давать информацию о наличии преиктальной фазы.
Для количественной оценки такого метода рассмотрим статью, опубликованную вместе с используемым набором данных [36]. В ней авторы предлагают алгоритм классификации выбросов, основанный на применении метода опорных вектором (SVM), цель которого состоит в детектировании преиктальной фазы, используя для оценки спектральные, пространственные и временные признаки. Для оценки модели использовалась leave-one-out кроссвалидация, составленная по набору данных, состоящему из множества двухчасовых пар так, чтобы один час относился к данным, в которым не зарегистрирован выброс, а в другом обязательно находился выброс. В качестве оценочных метрик было выбраны 3 метрики:
· Чувствительность (Sensivity) - процент угаданных выбросов, полнота
· Специфичность (Specifity) -процент верных игнорирований ложных всплесов, truenegativerate
· Задержка (Latency) - задержка между экспертной оценкой начала приступа и оценкой алгоритма.
Особенностью данной имплементации можно считать создание nалгоритмов, обученных на каждом человеке в отдельности. В контексте данного исследования нам интересно провести сравнение с алгоритмом, который бы не зависел от конкретного пациента. Для чистоты эксперимента была обучена такая же SVMмодель, сформированная по описанию из статьи и дополненная метриками RQA, и протестирована на трех пациентах.Поскольку в точности восстановить реализованные модели невозможно, была проведено сравнение с локальной моделью, дающей результаты не сильно хуже приведенных в статье. В таблице 2 вы можете видеть сравнительную статистику примененной модели с учетом новых данных и без.
Таблица 2
|
SVM без RQA |
SVM с RQA |
||
|
Чувствительность |
73% |
84% |
|
|
Специфичность |
88% |
86% |
|
|
Средняя задержка |
6,3 сек. |
5,1сек. |
Главным достижением является существенный прирост полноты детектирования преиктальных стадий и небольшое уменьшение средней задержки на определение выброса. Анализируя полученные результаты, можно предположить, что модель начала более уверенно классифицировать ранее наступление приступа, что было достигнуто за счет новых количественных признаков. Данная «уверенность» выражена еще и в незначительном уменьшении специфичности модели, поскольку рост полноты модели всегда приводит к увеличению количества ложных срабатываний.
ЗАКЛЮЧЕНИЕ
В рамках данной работы была исследована теория нелинейных динамических систем и ее приложение к данным ЭЭГ с целью прогнозирования наступления эпилептических приступов. В результате изучения материала была раскрыта история фрактальной теории как отдельной науки, так и ее использования на примере данных электрокардиограммы. Подводя промежуточные итоги данного типа исследования в контексте работы можно сказать, что подход, основанный на применении теории хаоса к ЭЭГ представляет собой хорошее дополнение к существующим исследованиям, качество применения которого обосновано мультифрактальной природой сигнала. Вместе с тем стоит отметить, что поставленная задача по построению прогнозной модели, расширению существующей была достигнута в основном за счет подхода, основанного на анализе количественных характеристик Reccurence, при подборе правильных параметров для которого четко прослеживается изменение фазового состояния внутри существующей системы.
С точки зрения практического применения важным достижением проведенного исследования является значимый прирост точности прогноза, что дает основания переосмыслить текущие способы детектирования эпилептических приступов, применяемых на реальных людях в устройствах, имплантированных хирургическим путем .Основным достоинством данной работы является не только рост различных метрик, но и доказательство того, что электрические сигналы внутри мозга человека могут быть проанализированы и спрогнозированы при помощи фрактального анализа, что открывает большой простор для дальнейших исследований в этой области.
СПИСОК ЛИТЕРАТУРЫ
1. A.Meyer-Lindenberg. (1996). The evolution of complexity in human brain development: an EEG study. Electroencephalography and Clinical Neurophysiology, 405-411.
2. Anuradha Singh, S. T. (2016). The Epidemiology of Global Epilepsy. New York: Elsevier.
3. Axel Hutt, C. U. (1999). Analysis of spatiotemporal signals: A method based on perturbation theory. Physical review. E, Statistical physics, plasmas, fluids, and related interdisciplinary topics, 1350-8.
4. Babloyantz A, D. A. (1986). Low-dimensional chaos in an instance of epilepsy. Neurobiology, 3513-3517.
5. Bartosz Swiderski, S. O. (2007). Adaptive and Natural Computing Algorithms. Epileptic Seizure Prediction Using Lyapunov Exponents and Support Vector Machine (стр. 373-381). Berlin: Springer.
6. Ben H. Jansen, M. E. (1993). Nonlinear Dynamical Analysis of The EEG. (стр. 1-386). Houston, Texas: World Scientific.
7. Bonita JD, A. L. (2014). Time domain measures of inter-channel EEG correlations: a comparison of linear, nonparametric and nonlinear measures. Cogn Neurodyn, 1-15.
8. Bowtell, K. M. (2010). Combining EEG and fMRI. В J. M. Walker, Methods in Molecular Biology . Humana Press.
9. Breakspear M, W. L. (2004). A novel method for the topographic analysis of neural activity reveals formation and dissolution of 'Dynamic Cell Assemblies'. J Comput Neurosci, 49-68.
10. Christian-G Benar, Y. A.-A. (03 2003 г.). Quality of EEG in simultaneous EEG-fMRI for epilepsy. Clinical Neurophysiology, стр. 569-580.
11. Durka, P. J. (2003). From wavelets to adaptive approximations: time-frequency parametrization of EEG. BioMed Central.
12. Gabor AJ, S. M. (1992). Automated interictal EEG spike detection using artificial neural networks. Elsevier.
13. Gautama T., M. D. (2003). IEEE International Conference on Acoustics, Speech, and Signal Processing. A differential entropy based method for determining the optimal embedding parameters of a signal, in Proceedings, (стр. 29-32). Hong Kong.
14. Gebber GL, Z. S. (13 02 1999 г.). Human brain alpha rhythm: nonlinear oscillation or filtered noise? Brain Res., стр. 556-600.
15. Goldberger, A. L.-K. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation, 215-220.
16. Ihsan Ullah, M. H.-u.-H. (2018). An Automated System for Epilepsy Detection using EEG Brain. Cornell University Libary.
17. J. Theiler, S. E. (4 10 1992 г.). Testing for nonlinearity in time series: the method of surrogate data. Physica D, стр. 77-94.
18. Jones NA, F. T. (1999). EEG activation in 1-month-old infants of depressed mothers. COS Scholar Universe.
19. Lehnertz K, L. B. (5 01 2005 г.). The First International Collaborative Workshop on Seizure Prediction: summary and data description. Clin Neurophysiol, стр. 493-505.
20. Leonidas D. Iasemidis, J. C. (1990). Phase space topography and the Lyapunov exponent of electrocorticograms in partial seizures. Brain Top., 187-201.
21. M. Feucht, U. M. (1999). Application of correlation dimension and pointwise dimension for non-linear topographical analysis of focal onset seizures. Medical & Biological Engineering & Computing, 208-217.
22. M., B. (2002). Nonlinear phase desynchronization in human electroencephalographic data. Hum Brain Mapp, 98-175.
23. Michael J. Doherty, A. M. (2007). Wag the dog: Skepticism on seizure alert canines. Neurology.
24. Michael T.Rosenstein, J. J. (1994). Reconstruction expansion as a geometry-based framework for choosing proper delay times. Physica D: Nonlinear Phenomena, 82-98.
25. Moretti DV, B. C. (2004). Individual analysis of EEG frequency and band power in mild Alzheimer's disease. Clin Neurophysiol, 299-308.
26. Mormann F, L. K. (2000). Mean phase coherence as a measure for phase synchronization and its application to the EEG of epilepsy patients. Physica D., стр. 358-369.
Размещено на Allbest.ur
...Подобные документы
Симптомы ишемической болезни сердца (ИБС). Особенности приступов стенокардии, их отличия от болей при кардиалгии. Распространенность и значимость ИБС, ее классификация. Причины возникновения заболевания. Препараты для предупреждения приступов стенокардии.
презентация [5,0 M], добавлен 12.11.2015Понятие и предпосылки развития аритмии как ненормального сердечного ритма, его клиническая картина, классификация и типы, распространенность. Современные приемы хирургического вмешательства, принципы проведения операций и оценка их эффективности.
презентация [863,0 K], добавлен 26.03.2015Основные механизмы аритмий. Физиологические и патофизиологические механизмы тахиаритмий. Способы и методы анализа аритмий. Клинически значимые аномалии сердечно-сосудистой системы. Типы циркуляции импульсов. Метод картирования волны возбуждения.
лекция [8,4 M], добавлен 27.09.2013Проводящая система сердца. Этиология нарушений ритма и проводимости сердца. Анализ последствий аритмий. Механизмы усиления нормального автоматизма. Особенности диагностического поиска при нарушениях ритма сердца. Классификация антиаритмических препаратов.
учебное пособие [3,6 M], добавлен 12.06.2016Прогностическая классификация желудочковых аритмий. Алгоритм лечения больных с жизнеугрожающими желудочковыми тахиаритмиями. Современные возможности лечения нарушений ритма сердца при ишемической болезни сердца. Дебют левожелудочковой тахикардии.
презентация [18,0 M], добавлен 23.10.2013Нарушения ритма сердечных сокращений. Классификация и этиология аритмий. Электрофизиологические основы нарушения сердечного ритма. Применение антиаритмических препаратов как способ лечения аритмий. Фармакотерапия нарушений ритма сердца у беременных.
курсовая работа [1,5 M], добавлен 13.10.2015Международная классификация эпилептических припадков и синдромов. Виды приступов: первично-генерализованные и парциальные. Судорожный очаг и готовность. Диагностика и лечение заболевания. Первая помощь при судорожном и/или эпилептическом приступе.
презентация [2,7 M], добавлен 02.02.2015Нарушение ритма сердечных сокращений. Электрофизиологические основы нарушений ритма сердца. Типы механизмов возникновения аритмии. Этиотропные средства и средства, влияющие на автоматизм и проводимость сердца. Основные причины сердечных аритмий.
лекция [284,8 K], добавлен 14.05.2013Сущностные характеристики нейрональной активности и исследование активности нейронов головного мозга. Анализ электроэнцефалографии, которая занимается оценкой биопотенциалов, возникающих при возбуждении мозговых клеток. Процесс магнитоэнцефалографии.
контрольная работа [296,9 K], добавлен 25.09.2011Аритмии сердца как одна из наиболее актуальных, сложных и не легко диагностируемых ситуаций в кардиологии. Поражение проводящей системы миокарда - причина аритмии. Различные формы органических аритмий и блокад. Классификация аритмий, их характеристика.
реферат [575,7 K], добавлен 22.11.2014Проводящая система сердца. Анатомия синусового узла. Строение атриовентрикулярного узла. Пучок Гиса и его ножки. Волокна Пуркинье, пронизывающие мышцу сердца. Роль проводящей системы для диагностических исследований ЭКГ и понимания сердечных аритмий.
презентация [292,6 K], добавлен 25.02.2014Описание процесса родовой деятельности. Теории причин развития физиологических родов (механическая, плацентарная и химическая теория). Современные представления о причинах наступления родов и их предвестники. Определение степени зрелости шейки матки.
презентация [830,4 K], добавлен 13.06.2019Лечение полиэтиологических заболеваний головного мозга с характерным наличием эпилептического очага. Нарушение психической деятельности человека. Возникновение генерализированных тонико-клонических судорог. Классификация эпилептических приступов.
презентация [1,4 M], добавлен 09.02.2015Основные механизмы развития аритмий. Социлианский Гамбит - новый подход к анализу механизмов аритмий сердца в связи с действием антиаритмических препаратов. Механизмы циркуляции возбуждения и пути ее прекращения. Ортодромная аритмия с синдромом WPW.
презентация [2,5 M], добавлен 31.05.2015Жалобы больного при поступлении. Обследование состояния и работы сердца, органов гепатобилиарной системы. Обоснование диагноза ишемической болезни сердца (острый первичный инфаркт миокарда, осложненный острой сердечной недостаточностью) и его лечение.
история болезни [146,8 K], добавлен 02.05.2013Самый древний трактат, в котором упоминается эпилепсия. Изменения метаболизма в мозге больных эпилепсией, нарушения в проведении нервных импульсов. Классификация эпилептических синдромов. Основной вид приступов, определяющий клиническую картину синдрома.
реферат [26,2 K], добавлен 28.03.2014Факторы риска ишемической болезни сердца. Липидный спектр крови. Характеристика ишемической, тромбонекротической и фиброзной стадий развития атеросклероза. Окраска приступов стенокардии. Клиника, периоды и диагностика локализаций инфаркта миокарда.
презентация [657,4 K], добавлен 06.02.2014Проводящая система сердца. Классификация аритмий - любых нарушений сердечного ритма, его органические и функциональные причины. Диагностические критерии и этиология синусовой тахикардии. Причины развития брадикардии. Синдром слабости синусового узла.
презентация [1,8 M], добавлен 01.12.2015Сущность и классификация аритмий. Наиболее частые причины и виды нарушений ритма сердца. Методы диагностики заболевания, оценка клинического состояния пациента. Показания к проведению антиаритмического лечения и неотложной терапии, перечень медикаментов.
презентация [23,8 M], добавлен 30.05.2013Динамика болезней органов кровообращения у детей. Структура сердечно-сосудистых заболеваний. Нарушения ритма сердца. Периоды наибольшего риска развития аритмий. Спектр лечебных технологий в аритмологии. Факторы риска развития вегетативной дистонии.
презентация [5,9 M], добавлен 23.09.2013
