|
5. Проведено экспериментальное исследование показателей качества разработанных алгоритмов. Использование разработанных методов для классификации электроэнцефалограмм позволило убедиться в их работоспособности при решении задач диагностики. 6. Экспериментальная проверка работы алгоритмов при решении задачи классификации случайных процессов с выхода физического генератора показала возможность применения разработанных моделей классификатора в различных технических системах для классификации шумоподобных сигналов. Научные и практические результаты, полученные в диссертации, внедрены в ряде предприятий при создании медицинских приборов УЗИ с топографическим картированием с целью выделения информативных признаков патологий; при разработки гидроакустической аппаратуры для измерения статистических характеристик полученного сигнала для решения задач классификации сигналов. 137 |
145 ЗАКЛЮЧЕНИЕ В диссертационной работе рассмотрен комплекс теоретических и практических вопросов, связанных с построением признаковых пространств в автоматизированных системах диагностики медико-биологических сигналов. Основную научную и практическую значимость имеют результаты исследования возможности оптимизации временных и пространственных параметров медицинских диагностических систем. При этом получены следующие основные результаты: 1. На основе анализа существующих методов формирования признаковых пространств при классификации сигналов показано, что существует возможность улучшать качество работы автоматизированных диагностических систем за счет нелинейного преобразования исходных пространств сигналов, которое обеспечивает сокращение избыточности описания исходных сигналов и сокращение временных и аппаратурных затрат при решении задач классификации медикобиологических сигналов. 2. Разработана методика построения признаковых пространств на основе модифицированного метода стохастического кодирования сигналов. Исследованы возможности формирования признаков с использованием различных опорных распределений случайных процессов. Установлено, что максимальной разделяющей способностью обладают признаки, построенные на основе опорных процессов, имеющих плотности распределения вероятностей, совпадающие с распределением исследуемых сигналов. 3. Разработаны два алгоритма непараметрической классификации медикобиологических сигналов на основе формирования признаковых пространств по методу стохастического кодирования. Разработаны математические и цифровые модели этих алгоритмов. Определены показатели качества и сложности разработанных алгоритмов при их реализации на микропроцессорных системах в условиях решения задачи классификации медико-биологических сигналов. 4. Получены зависимости основных показателей качества разработанных алгоритмов от времени обучения и распознавания и размерности признакового пространства, позволяющие оптимизировать временные и пространственные параметры систем медицинской диагностики. Установлено, что при критически низких объемах обучающих выборок наиболее эффективным является использование опорных процессов с коррелированными отсчетами; при увеличении времени обучения целесообразно использовать опорные процессы с некоррелированными отсчетами. 5. Проведено экспериментальное исследование показателей качества разработанных алгоритмов. Использование разработанных методов для классификации электроэнцефалограмм позволило выявить ЭЭГ-показатели, позволяющие достоверно различать классы электроэнцефалограмм, соответствующие различнымI функциональным состояниям головного мозга пациентов. Экспериментальная проверка работы алгоритмов при решении задачи классификации случайных процессов с выхода физического генератора показала возможность применения разработанных моделей классификаторов в различных технических системах для классификации шумоподобных сигналов. 6. Научные и практические результаты, полученные в диссертации, внедрены на ряде предприятий при создании медицинских приборов УЗИ с топографическим картированием с целью выделения информативных признаков патологических состояний; при разработке аппаратуры измерения статистических характеристик морского волнения для решения задач классификации сигналов. |