|
86 Выводы по материалам 2 главы Г 1. Сигналы изображений ввиду их чрезвычайной сложности и высокой вариабельности характеристик составляют широкий класс процессов. При этом результаты, полученные для систем распознавания сигналов изображений, могут быть перенесены и на другие технические системы диагностики. 2. Предложена методика преобразования изображения протяженного объекта в систему одномерных реализаций случайного процесса, позволяющие формировать систему эффективных признаков при классификации сигналов изображений. 3. Выбрана система нормализующих первичных преобразований сигналов изображений, состоящая из нормализации по яркости, а также нормализацией по площади занимаемой объектом на изображении. При этом последнее преобразование основано на численном методе Монте-Карло. 4. Выбран оператор неизоморфного преобразования исследуемых сложных сигналов с целью сокращения размерности их описания обеспечивающий сохранение (в смысле заданного критерия) информации о разделимости распознаваемых классов сигналов. Определены статистические характеристики результата преобразования, что позволит реализовать в дальнейшем оптимальное решающее правило в пространстве отображений исходных сигналов. 1 |
10 рое является достаточным для обеспечения требуемого уровня достоверности распознавания при заданных ограничениях, например, для определенного наименьшего возможного расстояния между распознаваемыми классами. Произведен анализ существующих методов оптимизации систем распознавания. Выяснено, что в достаточной мере эти методы разработаны лишь для случая параметрической априорной неопределенности относительно закона распределения признаков. При этом закон этих распределений предполагается нормальным. Кроме того, необходимо выполнение требования статистической независимости исследуемых признаков. Все эти условия редко встречаются в практических приложениях. Поэтому необходимо, чтобы методы оптимизации временных и пространственных параметров распознающих систем были инвариантны как закону распределения признаков, так и виду их статистической взаимосвязи. Во втором разделе произведено обоснование выбора в качестве объекта исследования электроэнцефалографических сигналов. Ввиду чрезвычайной сложности и высокой вариабельности характеристик ЭЭГ-сигналы обладают свойством обобщения, то есть результаты, полученные для систем распознавания сигналов ЭЭГ, могут быть перенесены и на другие, например технические системы диагностики. На основе анализа современных методов электроэнцефалографии сделан вывод о том, что основное направление развития компьютерной ЭЭГ лежит в области автоматизации рутинных операций электроэнцефалографистов и создании наилучших условий и инструментов для анализа первичной ЭЭГ специалистом высокого класса. Компьютерные методы диагностики симптомов и патологий являются дополнительными к методам исследования "сырой” ЭЭГ и формируемому на этой основе заключению. Исследованы диагностические признаки, используемые специалистаминейрофизиологами для анализа ЭЭГ. Выяснено, что состояние головного мозга, при отсутствии в регистрируемых данных артефактов и эпилептиформной активности, определяется на основе соотношений спектральных составляющих различных частотных диапазонов (8, 0, а и Р) и их амплитуд, присутствующих в текущей ЭЭГ. Это дает возможность применять методы распознавания с использованием признаков, сформированных путем преобразования регистрируемых данных (ЭЭГ) в редуцированную форму представления, учитывающую диагностически значимые параметры исходных процессов, например в виде коэффициентов спектра или корреляционных моментов. В качестве модели ЭЭГ, предназначенной для исследования эффективности методов распознавания, предложено использовать стационарные эргодические случайные процессы, формируемые с помощью известных процедур и позволяющие сократить вычислительные затраты при моделировании алгоритмов распознавания. Выбран оператор неизоморфного преобразования исследуемых сложных сигналов с целью сокращения размерности их описания при сохранении (в смысле заданного критерия) на достаточном уровне информации о разделимости распознаваемых классов сигналов. Определены статистические характеристики ре и зультата преобразования, что позволит реализовать в дальнейшем оптимальное решающее правило в пространстве отображений исходных сигналов. В третьем разделе выбран метод формирования классификационных признаков (метод стохастического кодирования сигналов), основанный на использовании функционала нелинейного преобразования первичных признаковых пространств, выбранного во втором разделе. Данный метод строится на принципах измерения корреляционных моментов с помощью функций знаковой корреляции. Установлено, что в случае распознавания случайных процессов с одинаковыми одномерными плотностями распределения вероятностей и различными корреляционными функциями, высокой эффективностью обладают признаки, сформированные на основе корреляционных моментов знаковых функций, получаемых при сравнении входных процессов с опорными. При использовании метода стохастического кодирования возрастает дисперсия оценок измеряемых моментов, однако при этом достигаются следующие положительные результаты: сокращается избыточность описания исходных процессов, подлежащих распознаванию; упрощается реализация алгоритма распознавания в микропроцессорных системах за счет применения одноразрядного квантования, дающего на выходе только знаки отсчетов. Показана целесообразность, с точки зрения минимизации показателей сложности алгоритмов распознавания, использования в качестве разделяющих поверхностей огибающих элементарных фигур, охватывающих собственные области классов процессов. Выбран критерий оптимальности при построении решающего правила, минимизирующий собственные области классов при заданной вероятности распознавания. Разработаны два алгоритма непараметрической классификации случайных процессов, использующие в качестве признаков корреляционные моменты знаковых последовательностей, сформированных на основе метода стохастического кодирования. Методами цифрового моделирования найдены зависимости математических ожиданий и среднеквадратических отклонений признаков от вида и количества опорных распределений и от времени обучения и классификации. На основе полученных зависимостей получены оценки достаточных объемов обучающих и контрольных выборок и видов опорных распределения для достижения заданных показателей качества алгоритмов классификации. В четвертом разделе рассмотрены вопросы моделирования алгоритмов непараметрической классификации на ЭВМ. В результате моделирования работы классификаторов при классификации случайных процессов с одинаковыми одномерными плотностями распределения вероятностей и различными корреляционными функциями определены значения суммарных вероятностей ошибки клас-г сификации при различных объемах обучающих и контрольных выборок и различных размерах признакового пространства. Полученные при моделировании зависимости позволяют обоснованно с точки зрения аппаратурных и временных затрат подходить к выбору опорных распределений, количества отсчетов сигнала для формирования одного признака Выводы по материалам 2 главы 74 1. Сигналы, получаемые при исследовании электрической активности головного мозга, ввиду их чрезвычайной сложности и высокой вариабельности характеристик составляют широкий класс процессов, в который могут попадать сигналы, получаемые при исследовании различных технических систем, то есть обладают обобщающими свойствами. При этом результаты, полученные для систем распознавания сигналов ЭЭГ, могут быть перенесены и на технические системы диагностики. 2. Основное направление развития компьютерной ЭЭГ лежит в области автоматизации рутинных операций электроэнцефалографистов и создании наилучших условий и инструментов для анализа первичной ЭЭГ специалистом высокого класса. Компьютерные методы диагностики симптомов и патологий являются дополнительными к методам исследования "сырой" ЭЭГ и формируемому на этой основе заключению. 3. В процессе исследования диагностических признаков, используемых специалистами-нейрофизиологами для анализа ЭЭГ, выяснено, что состояние головного мозга, при отсутствии в регистрируемых данных артефактов и эпилептиформной активности, определяется на основе наличия спектральных составляющих различных частотных диапазонов (8, 0, а и Р) и значений их амплитуд, присутствующих в текущей ЭЭГ. Это дает возможность применять методы распознавания с использованием признаков, сформированных путем преобразования регистрируемых данных (ЭЭГ) в редуцированную форму представления, учитывающую диагностически значимые параметры исходных процессов. В качестве модели ЭЭГ, предназначенной для исследования эффективности методов распознавания, выбраны стационарные эргодические случайные процессы, преобразуемые нелинейными процедурами с целью получения эффективных признаков для распознавания. 4. Выбран оператор неизоморфного преобразования исследуемых сложных сигналов с целью сокращения размерности их описания обеспечивающий сохранение (в смысле заданного критерия) информации о разделимости распознаваемых классов сигналов. Определены статистические характеристики результата преобразования, что позволит реализовать в дальнейшем оптимальное решающее правило в пространстве отображений исходных сигналов. |