|
15 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 медико-биологических 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 [80]. 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 превышать 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) на основе преобразования исходного многомерного пространства сигнала (пространства признаков) в пространство функционалов, обладающее значительно меньшей размерностью [32]. При этом происходит формирование в пределах признакового пространства укрупненных координат нового сигнала с помощью так называемой динамической интерполяции [41], заключающейся в сравнении исходного сигнала и некоторым изменяющимся порогом и выборе из результата старшего (знакового) разряда в качестве значащего. Выбор |
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) 25 на основе преобразования исходного многомерного пространства сигнала (пространства признаков) в пространство функционалов, обладающее значительно меньшей размерностью [22]. При этом происходит формирование в пределах признакового пространства укрупненных координат нового сигнала с помощью так называемой динамической интерполяции [25], заключающейся в сравнении исходного сигнала и некоторым изменяющимся порогом и выборе из результата старшего (знакового) разряда в качестве значащего. Выбор надлежащей модели производится на основе целей диагностической системы в соответствии с комплексным критерием эффективности модели, включающем значения мер адекватности, функциональной устойчивости к помехам и сложности модели [19]. 1.3.3. Выше уже упоминалось о представлении исследуемых сигналов в в де совокупности признаков или точек в признаковом пространстве. Такое представление позаимствовано из концепции геометрической модели описания сигналов. Эти типы моделей на ряду с другими (лингвистические, алгебраические) достаточно хорошо исследованы с точки зрения их применимости для решения широкого круга задач распознавания. В настоящее время известно большое количество моделей, пригодных для решения задач распознавания образов, опирающихся на геометрическое представление и истолкование характеристик образов, подлежащих распознаванию, как координат в пространстве признаков [41, 77,13,48, 85]. Так или иначе все эти модели связаны с попыткой либо узнать вид геометрической структуры распределения объектов распознаваемых образов, либо зная эту структуру, попытаться максимально снизить размерность задачи до той степени, где начинает работать классическая теория статистических решений. Согласно геометрической концепции представления сигналов каждое измерение признаков может быть представлено в р-мерном пространстве в виде точки А4с координатами (хп, x2i, ..., xpi) или направленного отрезка, соединяющего начало координат (0, 0, ..., 0) с точкой А(хи, x2i, ..., xpi) этого пространства (рис. 1.6). Ггометрическое представление объекта (в виде точки) вр-мерном признаковом пространстве Рис. 1.6. |