4 18 1 ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ И АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ * 1.1 Постановка задачи выбора моделей сигнала При любых теоретических исследованиях используются модели реальных объектов и явлений, содержательность и результативность этих исследований в значительной степени зависит от соответствия модели реальным объектам, от конструктивности и простоты модели. При этом каких-либо общих формальных методов или процедур построения моделей не существует [53,10]. Выбор и конструирование моделей осуществляется на интуитивном уровне, и успех защ висит во многом от квалификации и опыта разработчика. Иначе говоря, наиболее ответственный этап проектирования диагностических систем, определяющий основные решения, —выбор моделей исходных сигналов —в настоящее время не допускает какой-либо оптимизации. Требования, предъявляемые к используемым моделям, находятся в жестком противоречии. С одной стороны, модель должна быть адекватна исследуемому объекту или явлению, а с другой сложность этой модели не должна превышать определенный уровень. Используемый в традиционной теории сигна-ш лов подход, основанный на требовании изоморфизма сигналов и моделей не поа зволяет разрешить это противоречие, которое для сложных сигналов принципиально не разрешимо на основе данного требования. Поэтому основными требования к модели должны быть ее адекватность анализируемой сцене в широком диапазоне параметров, удобство и простота в использовании. Для того, чтобы сформулировать задачу выбора моделей исследуемых* а сигналов, прежде всего необходимо рассмотреть виды сигналов, получаемых при исследованиях, определить их качественные и количественные характери |
20 наблюдения, снятого с исследуемого объекта. Подробнее вопросы унифицированного представления разнотипных данных можно найти в [2, с. 330]. В блоке автоматической диагностики с использованием выбранного конкретного набора признаков, характеризующих данную диагностическую задачу, производится анализ структуры данных и построение решающего правила. При этом используется информация, полученная на основе анализа имеющегося вектора измерений (система обучена). Для того, чтобы система была достаточно гибкой, в схеме предусмотрено взаимодействие человека с устройством автоматической диагностики. Уровень взаимодействия (степень гибкости системы) зависит от задач, решаемых с использованием данной системы. Он может иметь различные значения: от минимального, когда решается задача обнаружения четко описанного и формализованного симптома (участие человека сводится к простому контролированию работы системы), до максимального, когда система используется в процессе научных исследований, и алгоритмы ее функционирования могут корректироваться на любом этапе работы. В качестве промежуточного значения уровня взаимодействия может рассматриваться случай решения задачи диагностики с использованием визуализации данных и задействованием образного мышления человека-оператора для построения разделяющих поверхностей между диагностическими классами, имеющими сложную форму [68]. Классификатор реализует функцию порогового устройства, относящего входной вектор-признак к одному из известных классов на основе сравнения положения этого вектора с разделяющей поверхностью в пространстве признаков. В этом же блоке полученное решение формализуется в виде диагностического заключения, которое должен подтвердить или не подтвердить исследователь. Вид исполнительного устройства может быть различен. В качестве примеров можно привести следующие: устройство индикации (печати) заключительного диагноза, на основании которого исследователь может прекратить эксперимент или продолжить его в скорректированном виде, устройство накопления или передачи информации, устройство автоматической коррекции параметров датчиков и т.д. 1.3. Постановка задачи выбора модели сигналов, получаемых при функци нально-диагностических исследованиях 1.3.1. Для того, чтобы сформулировать задачу выбора моделей исследу мых сигналов, прежде всего необходимо рассмотреть виды сигналов, получаемых при функционально-диагностических исследованиях, определить их качественные и количественные характеристики. А также необходимо ограничить область рассмотрения медико-биологических сигналов кругом определенных методов функционально-диагностических исследований. Всю совокупность различного рода сигналов, характерных для тех или иных методов функциональных клинических исследований, можно разделить на две большие группы: детерминированные и стохастические (рис. 1.5) [39]. 24 которого (т.е. произведение ширины спектра сигнала на его длительность) намного больше единицы (порядка десятки тысячи). С учетом того, что длительность информативного участка, например электроэнцефалограммы, может иметь значение порядка нескольких минут [42, 44], данные сигналы можно считать сложными. С информационной точки зрения суммарная ЭЭГ, получаемая при исследовании электрической активности головного мозга, является сложным объектом, т.к. она в преформированном виде отражает функциональную активность огромных популяций нервных клеток, т.е. иначе говоря, функциональную активность мозга. При этом даже степень сложности ЭЭГ как информационного объекта трудно оценить. В тех случаях, когда обработка медико-биологических сигналов в реальном масштабе времени возможна, она выполняется ценою значительных затрат оборудования и машинного времени. Поэтому практикой выдвигается важная задача построения эффективных рентабельных систем распознавания сложных медикобиологических и других шумоподобных сигналов. Решение этой задачи требует разработки теоретических вопросов представления и обработки сложных МБС, разработки новых методов нахождения эффективных признаков в распознаваемых сигналах, исследования и оптимизации алгоритмов распознавания шумоподобных процессов. Поскольку при любых теоретических исследованиях используются модели реальных объектов и явлений, содержательность и результативность этих исследований в значительной степени зависит от соответствия модели реальным объектам и от конструктивности и простоты модели. При этом каких-либо общих формальных методов или процедур построения моделей не существует [51, 11]. Выбор и конструирование моделей осуществляется на интуитивном уровне, и успех во многом зависит от квалификации и опыта разработчика. Иначе говоря, наиболее ответственный этап проектирования диагностических систем, определяющий основные решения, выбор моделей исходных сигналов в настоящее время не допускает какой-либо оптимизации. Требования, предъявляемые к используемым моделям, находятся в жестком противоречии. С одной стороны, модель должна быть адекватна исследуемому объекту или явлению, а с другой сложность этой модели не должна превышатьа определенный уровень. Используемый в традиционной теории сигналов подход, основанный на требовании изоморфизма сигналов и моделей не позволяет разрешить это противоречие, которое для сложных сигналов принципиально неразрешимо на основе данного требования. Поэтому одной из задач данной работы является задача исследования некоторых неизоморфных моделей медико-биологических сигналов, позволяющих создать методы и средства для диагностики МБС при заданных условиях функционирования и системотехнических ограничениях. Рассматриваемые модели основаны на принципе укрупнения описания сигналов, имеющих стохастическую природу. Принцип укрупнения сигналов состоит в замене исходного сигнала сигналом существенно меньшей размерности (при условии сохранения в заданных пределах эффективности системы диагностики) |