|
66 характеристики, не имеющие диагностической (с точки зрения врача) значимости. Поэтому так важен анализ видов нормальных и патологических активностей на ЭЭГ, сделанный нами в п.п. 2.2.2. Анализ свойств ЭЭГ приводит к следующим выводам. Наибольшие трудности с точки зрения диагностики вызывают у врача участки ЭЭГ, свободные от артефактов и не имеющие в себе видимых признаков эпилептиформной активности. Устранение артефактов производится в процессе выделения врачом диагностически значимых участков, а эпилептиформные феномены легко обнаруживаются как специалистом, так и программными методами. Выделенные сегменты ЭЭГ представляют собой сложную комбинацию сигналов различных частотных диапазонов (5, 0, а и Р) и различных амплитуд. При этом необходимо оценивать одновременно как спектральный состав текущих значений ЭЭГ, так и распределение амплитуд по частотным диапазонам, в силу того, что от присутствия тех или иных частотных составляющих с теми или иными амплитудами зависит наличие или вид патологии в ЭЭГ [64, 66]. Таким образом, построение системы распознавания произвольных участков ЭЭГ может быть осуществлено по крайней мере двумя способами. Первый, с использованием структурных (лингвистических) методов распознавания [21, 151]. Производится построение словаря, содержащего описание элементарных частей ЭЭГ, например, частотных составляющих с определенными амплитудами. Формулируются правила конструирования фраз из заданного словаря, которые описывают возможные варианты сочетания элементов ЭЭГ на определенном промежутке (например временном), которые соответствуют возможным симптомам. И, с использованием аппарата математической лингвистики, производится синтаксический анализ регистрируемых данных. Второй, с использованием статистических методов, описанных ранее, и оперирование которыми мы предпочитаем. При этом статистические характеристики, полностью описывающие исследуемые участки сигналов, ввиду того, что большинство реализаций ЭЭГ распределены по нормальному закону, могут быть не выше второго порядка. Это допущение позволяет использовать в качестве моделей исходных сигналов (реализаций ЭЭГ) сигналы из класса случайных процессов, заданные своими функциями распределения (законами распределения плотности вероятности) и корреляционными функциями. На основе такого представления исследуемых сигналов в дальнейшем мы будем рассматривать преобразования и методы распознавания процессов. К рассмотрению реальных ЭЭГ мы вернемся в части экспериментальной проверки результатов работы. 2.2.5. Приведем основные особенности класса рассматриваемых сигналов получаемых при медицинских (а также технических) диагностических исследованиях. Как уже указывалось ранее, сигнал с выходов датчиков всегда в той или иной мере случаен и принадлежит некоторому случайному процессу X(t), точнее является k-й реализацией этого ансамбля х ^ (t) € X(t). Помимо ограниченности значений x(t) <оо, а также ограниченности мощности и энергии сигнала, то есть |
66 фалографиста от необходимости просмотра всего массива многочасовой регистрации, так как программа автоматически выводит только страницы, содержащие феномены, удовлетворяющие критериям распознавания. С другой стороны, использование этих методов несомненно представляет выгоды, поскольку многочасовая регистрация обеспечивает высокую вероятность "поймать" эпилептиформный феномен ЭЭГ, а компьютерная программа дает возможность сократить время, затраченное на клинический анализ долгосрочной ЭЭГ до разумных продолжительностей рутинного обследования. Здесь следует отметить, что если методы детектирования спайков и других эпилептиформных графоэлементов ЭЭГ уже столь отработаны, что позволяют включать их в программное обеспечение современных диагностических систем, то методы распознавания произвольных отрезков ЭЭГ находятся еще в стадии своего развития. Причина этого прежде всего в том, что нейрофизиологисследователь, выделяя с помощью окон или маркеров определенный участок ЭЭГ, заинтересован не столько в том, что бы программа обнаружила в массиве регистрируемых данных точно такой же или подобный участок, сколько в обнаружении участков, которые соответствуют тому же самому состоянию пациента, что и при обучении системы. При этом форма реализаций ЭЭГ в обнаруженных участках может и не совпадать с формой реализации ЭЭГ в участке, заданном исследователем. Однако, с диагностической точки зрения эти участки должны быть эквивалентны, т.е. должны указывать на примерно одинаковые состояния головного мозга. Ясно, что в данном случае главную роль играет выбор признаков объектов, по которым в дальнейшем будет осуществляться поиск и распознавание выбранных (обученных) ситуаций. Здесь как раз и возникает проблема трудно формализуемых решений, которые зачастую принимаются разработчиком на интуитивном уровне и эффективность которых невозможно строго доказать. Выбираемый набор признаков должен обладать, с одной стороны, объединяющими свойствами, т.е. заставлять группироваться в признаковом пространстве вокруг некоего центра все реализации сигналов, соответствующие объективно отдельному состоянию головного мозга, с другой стороны, разделяющими свойствами, т.е. заставлять "разбегаться" в пространстве признаков группы, соответствующие объективно разным видам электрической активности головного мозга. При этом характеристики процессов (реализаций ЭЭГ), которые в том или ином виде войдут в набор классификационных признаков, должны в тоже время быть диагностическими характеристиками ЭЭГ, по совокупности которых врачнейрофизиолог делает свое заключение. Другими словами, не имеет никакогоI смысла в качестве признаков использовать характеристики, не имеющие диагностической (с точки зрения врача) значимости. Поэтому так важен анализ видов нормальных и патологических активностей на ЭЭГ, сделанный нами в п.п. 2.2.2. Анализ свойств ЭЭГ приводит к следующим выводам. Наибольшие трудности с точки зрения диагностики вызывают у врача участки ЭЭГ, свободные от артефактов и не имеющие в себе видимых признаков эпилептиформной активности. Устранение артефактов производится в процессе выделения врачом диагностиче ски значимых участков, а эпилептиформные феномены легко обнаруживаются как специалистом, так и программными методами. Выделенные сегменты ЭЭГ представляют собой сложную комбинацию сигналов различных частотных диапазонов (8, 0, а и р) и различных амплитуд. При этом необходимо оценивать одновременно как спектральный состав текущих значений ЭЭГ, так и распределение амплитуд по частотным диапазонам, в силу того, что от присутствия тех или иных частотных составляющих с теми или иными амплитудами зависит наличие или вид патологии в ЭЭГ [42, 44]. Таким образом, построение системы распознавания произвольных участков ЭЭГ может быть осуществлено по крайней мере двумя способами. Первый, с использованием структурных (лингвистических) методов распознавания [13, 86]. Производится построение словаря, содержащего описание элементарных частей ЭЭГ, например, частотных составляющих с определенными амплитудами. Формулируются правила конструирования фраз из заданного словаря, которые описывают возможные варианты сочетания элементов ЭЭГ на определенном промежутке (например временном), которые соответствуют возможным симптомам. И, с использованием аппарата математической лингвистики, производится синтаксический анализ регистрируемых данных. Второй, с использованием статистических методов, описанных ранее, и оперирование которыми мы предпочитаем. При этом статистические характеристики, полностью описывающие исследуемые участки сигналов, ввиду того, что большинство реализаций ЭЭГ распределены по нормальному закону, могут быть не выше второго порядка. Это допущение позволяет использовать в качестве моделей исходных сигналов (реализаций ЭЭГ) сигналы из класса случайных процессов, заданные своими функциями распределения (законами распределения плотности вероятности) и корреляционными функциями. На основе такого представления исследуемых сигналов в дальнейшем мы будем рассматривать преобразования и методы распознавания процессов. К рассмотрению реальных ЭЭГ мы вернемся в части экспериментальной проверки результатов работы. 2.2.5. Приведем основные особенности класса рассматриваемых сигналов, получаемых при медицинских (а также технических) диагностических исследованиях. Как уже указывалось ранее, сигнал с выходов датчиков всегда в той или иной мере случаен и принадлежит некоторому случайному процессу X(t), точнее является k-й реализацией этого ансамбля х ^ (t) е X(t). Помимо ограниченности значений х(t)<да, а также ограниченности мощности и энергии сигнала, то есть 2 dt <оо, будем также предполагать ограниченными эффективную временную протяженность сигнала |