|
Нейро графия Точечный случайный процесс Максимальная частота следования импульсов 10 кГц 5 мкВ Электромиелография Случайный процесс 0,5-20 Гц 10-60 мкВ Электромиография То же 1 Гц-10 кГц Электроретинография: а колебания, bколебания Импульсный случайный процесс Длительность волн « 200 мкс 40-65 мкВ 200-400 мкВ Электроокулография Случайный процесс 0,1-5 Гц 20-200 мкВ Электронистагмография То же 3-7 Гц 10-100 мкВ Рентгенографические методы исследования внутренних органов Случайное поле С информационной точки зрения суммарная ЭЭГ, получаемая при исследовании электрической активности головного мозга, является сложным объектом, т.к. она 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 32 |
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) |