основном быстрым развитием человеко-машинных систем с высоким уровнем воздействия этих систем на параметры функционирования организма человека [62, 69]. Особенно уязвимыми в данном случае являются центральная нервная и сердечно-сосудистая системы. Этим также обусловлено бурное развитие в последнее время алгоритмов и аппаратуры экспресс-анализа состояния человека, применяемые в самых различных областях его деятельности (спорт, медицина, исследование космического пространства, военное дело и т.д.). При этом основной целю экспрессдиагностики является оценивания параметров функционирования сердца и ЦНС [46, 5, 53, 43, 70]. Анализируя данные табл. 1.2 и работы по практическому применению методов исследования ЭЭГ [47, 27, 42, 44] можно сделать вывод, что многообразие исследуемых в данной работе сигналов заключено в группе случайных процессов векторные случайные процессы. Хотя не исключено, что в процессе обработки исследуемые векторные случайные процессы могут быть преобразованы в изображения (например, в рамках подхода к решению задач разделения классов при помощи визуализации данных), и тогда рассматриваемые классы процессов будут принадлежать к группе случайные поля. Несмотря на относительно низкие частоты рассматриваемых медикобиологических сигналов, их сложность и присущая многим диагностическим системам многоканальность часто не позволяют проводить обработку сигналов с помощью ЭВМ в реальном масштабе времени, даже с учетом появления новых мощных цифровых вычислительных средств. Сложность МБС можно понимать в двух смыслах. С точки зрения теории сигналов, сложным является сигнал, база которого (т.е. произведение ширины спектра сигнала на его длительность) намного больше единицы. С учетом того, что длительность информативного участка, например электроэнцефалограммы, может иметь значение порядка нескольких минут [42,44], данные сигналы можно считать сложными 30 |
22 импульсный случайный процесс, для которого показательно то обстоятельство, что информативными являются форма и расположение составляющих этот процесс импульсов; точечные процессы (импульсные потоки), определенные на дискретном множестве точек, которые, как и в предыдущем случае, представляют собой последовательности импульсов, разделенных случайными интервалами времени, однако здесь форма импульсов уже не играет никакой роли, а информативным является сам факт появления импульсов в те или иные моменты времени. Векторный случайный процесс это совокупность нескольких скалярных процессов: ких аргументов £l,£2,...,£k , интерпретируемых обычно как координаты к-в мерного пространства и, быть может, времени t. В табл. 1.1 [39] указаны различные методы функциональных клинических исследований и классы процессов, к которым относятся сигналы, характерные для тех или иных методов. Кроме того, для каждого такого сигнала указывается диапазон информативных частот и типовая амплитуда сигнала, конечно, лишь для тех методов, для которых перечисленные параметры определяются достаточно естественным образом, а не целиком зависят от характеристик вторичного преобразования сигнала. Анализ сигналов, характерных для различных методов функциональной диагностики, показывает, что для большинства методов эти сигналы относятся к классу случайных процессов той или иной разновидности. С учетом того, что в настоящее время наиболее широкое развитие получают методы, позволяющие оценивать состояние сердечно-сосудистой и центральной нервной систем человека, будем рассматривать в основном сигналы, получаемые при электроэнцефалографических и кардиографических исследованиях. Указанный выше факт обусловлен в основном быстрым развитием человеко-машинных систем с высоким уровнем воздействия этих систем на параметры функционирования организма человека [62, 69]. Особенно уязвимыми в данном случае являются центральная нервная и сердечно-сосудистая системы. Этим также обусловлено бурное развитие в последнее время алгоритмов и аппаратуры экспресс-анализа состояния человека, применяемые в самых различных областях его деятельности (спорт, медицина, исследование космического пространства, военное дело и т.д.). При этом основной целю экспресс-диагностики является оценивания параметров функционирования сердца и ЦНС [46, 5,53,43, 70]. Анализируя данные табл. 1.1 и работы по практическому применению методов исследования ЭЭГ и ЭКГ [47, 27,42, 44] можно сделать вывод, что многообразие исследуемых в данной работе сигналов заключено в группе случайных процессов векторные случайные процессы. Хотя не исключено, что в процессе обработки исследуемые векторные случайные процессы могут быть преобразованы в изображения (например в рамках подхода к решению задач разделения клас(1.1) Случайное поле X(£x,£2,...,£k,t) является функцией не одного, а несколь 23 сов при помощи визуализации данных), и тогда рассматриваемые классы процессов будут принадлежать к группе случайные поля. Таблица 1.1. Типовые сигналы функционально-диагностических исследований Метод функциональной Параметры процессов диагностики Класс процессов ’. Диапазон инфорУровень сигнала гт Т ± мационныхчастот Электрокардиография Импульсный случайный процесс 0,15-300 Гц 30-3000 мкВ Векторкардиография Векторный случайный процесс (двухмерный или трехмерный) 0,3-500 Гц 5-15 мкВ Электрокимография Импульсный случайный процесс 0,8-100 Гц Баллистокардиография Импульсный случайный процесс 0,1-30 Гц Динамокардиография Тоже 0,1-30 Гц Фонокардиография » » 20-800 Гц Реография Импульсный случайный процесс 0,1-100 Гц 0,1-10000 мкВ Импедансная плетизмография То же 0-10 Гц 20-100 мкВ Электроплетизмография » » 0,1-100 Гц 20-100 мкВ Измерение артериального давСлучайный процесс 30-120 Гц ления. Шумы Короткова • Пневмография Импульсный случайный процесс 0,1-10 Гц Электрогастрография Случайный процесс 0,05-0,2 Гц 0,2-1 мВ Электроэнцефалография: А ритмы Случайный процесс 0,3-3,5 Гц 10-30 мкВ 0 -ритмы То же 3,5-8 Гц > 20 мкВ а ритмы » » 8-13 Гц 20-100 мкВ Р ритмы » » 13-35 Гц 5-30 мкВ у -ритмы » » 35-80 Гц 2-10 мкВ ц -ритмы » » 7-11 Гц 20-40 мкВ А, -ритмы Импульсный случайный процесс 20-40 мкВСредний период 250 мс Электрокортикография Случайный процесс 0,3-80 Гц Нейрография Точечный случайный процесс Максимальная частота следования импульсов 10 кГц 5 мкВ г Электромиелография Случайный процесс 0,5-20 Гц 10-60 мкВ* Электромиография Тоже 1Гц-10 кГц Электроретинография: Импульсный случайный процесс Длительность волн « 200 мкс а колебания, 40-65 мкВ b колебания * 200-400 мкВ Электроокулография Случайный процесс 0,1-5 Гц 20-200 мкВ Электронистагмография То же 3-7 Гц 10-100 мкВ Рентгенографические методы Случайное поле исследования внутренних орга• нов 1.3.2. Несмотря на относительно низкие частоты рассматриваемых медик биологических сигналов, их сложность и присущая многим диагностическим системам многоканальность часто не позволяют проводить обработку сигналов с помощью ЭВМ в реальном масштабе времени, даже с учетом появления новых мощных цифровых вычислительных средств. Сложность МБС можно понимать в двух смыслах. С точки зрения теории сигналов, сложным является сигнал, база 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) |