|
Выводы по материалам 2 главы 1. Сигналы, получаемые при исследовании электрической активности головного мозга, ввиду их чрезвычайной сложности и высокой вариабельности характеристик составляют широкий класс процессов, в который могут попадать сигналы, получаемые при исследовании различных технических систем, то есть обладают обобщающими свойствами. При этом результаты, полученные для систем распознавания сигналов ЭЭГ, могут быть перенесены и на технические системы диагностики. 2. Основное направление развития компьютерной ЭЭГ лежит в области автоматизации рутинных операций электроэнцефалографистов и создании наилучших условий и инструментов для анализа первичной ЭЭГ специалистом высокого класса. Компьютерные методы диагностики симптомов и патологий являются дополнительными к методам исследования "сырой" ЭЭГ и формируемому на этой основе заключению. 3. На основании анализа прогнозных моделей ЭЭГ сигналов был разработан алгоритм сегментации фоновой ЭЭГ на квазистационарные участки, что позволят в дальнейшем использовать их в системах непараметрического распознавания с целью классификации. ГЛАВА 3: РАЗРАБОТКА АЛГОРИТМОВ НЕПАРАМЕТРИЧЕСКОГО РАСПОЗНАВАНИЯ ПАТАЛОГИЙ 3.1 Модели электроэнцефалографических сигналов различных классов для оценки признаков патологий в каждом классе В качестве модели ЭЭГ-сигналов, соответствующих различным состояниям ЦНС, предлагается использовать нормальные случайные процессы с экспоненциально-косинусной корреляционной функцией КХ W = • ехр(Т/Ч )• c°s(2 • я ■ F • т) (3.1) где ахсреднеквадратическое отклонение процесса X(t); tr, F параметры, характеризующие скорость затухания и частоту осцилляции корреляционной функции. 82 |
10 рое является достаточным для обеспечения требуемого уровня достоверности распознавания при заданных ограничениях, например, для определенного наименьшего возможного расстояния между распознаваемыми классами. Произведен анализ существующих методов оптимизации систем распознавания. Выяснено, что в достаточной мере эти методы разработаны лишь для случая параметрической априорной неопределенности относительно закона распределения признаков. При этом закон этих распределений предполагается нормальным. Кроме того, необходимо выполнение требования статистической независимости исследуемых признаков. Все эти условия редко встречаются в практических приложениях. Поэтому необходимо, чтобы методы оптимизации временных и пространственных параметров распознающих систем были инвариантны как закону распределения признаков, так и виду их статистической взаимосвязи. Во втором разделе произведено обоснование выбора в качестве объекта исследования электроэнцефалографических сигналов. Ввиду чрезвычайной сложности и высокой вариабельности характеристик ЭЭГ-сигналы обладают свойством обобщения, то есть результаты, полученные для систем распознавания сигналов ЭЭГ, могут быть перенесены и на другие, например технические системы диагностики. На основе анализа современных методов электроэнцефалографии сделан вывод о том, что основное направление развития компьютерной ЭЭГ лежит в области автоматизации рутинных операций электроэнцефалографистов и создании наилучших условий и инструментов для анализа первичной ЭЭГ специалистом высокого класса. Компьютерные методы диагностики симптомов и патологий являются дополнительными к методам исследования "сырой” ЭЭГ и формируемому на этой основе заключению. Исследованы диагностические признаки, используемые специалистаминейрофизиологами для анализа ЭЭГ. Выяснено, что состояние головного мозга, при отсутствии в регистрируемых данных артефактов и эпилептиформной активности, определяется на основе соотношений спектральных составляющих различных частотных диапазонов (8, 0, а и Р) и их амплитуд, присутствующих в текущей ЭЭГ. Это дает возможность применять методы распознавания с использованием признаков, сформированных путем преобразования регистрируемых данных (ЭЭГ) в редуцированную форму представления, учитывающую диагностически значимые параметры исходных процессов, например в виде коэффициентов спектра или корреляционных моментов. В качестве модели ЭЭГ, предназначенной для исследования эффективности методов распознавания, предложено использовать стационарные эргодические случайные процессы, формируемые с помощью известных процедур и позволяющие сократить вычислительные затраты при моделировании алгоритмов распознавания. Выбран оператор неизоморфного преобразования исследуемых сложных сигналов с целью сокращения размерности их описания при сохранении (в смысле заданного критерия) на достаточном уровне информации о разделимости распознаваемых классов сигналов. Определены статистические характеристики ре Выводы по материалам 2 главы 74 1. Сигналы, получаемые при исследовании электрической активности головного мозга, ввиду их чрезвычайной сложности и высокой вариабельности характеристик составляют широкий класс процессов, в который могут попадать сигналы, получаемые при исследовании различных технических систем, то есть обладают обобщающими свойствами. При этом результаты, полученные для систем распознавания сигналов ЭЭГ, могут быть перенесены и на технические системы диагностики. 2. Основное направление развития компьютерной ЭЭГ лежит в области автоматизации рутинных операций электроэнцефалографистов и создании наилучших условий и инструментов для анализа первичной ЭЭГ специалистом высокого класса. Компьютерные методы диагностики симптомов и патологий являются дополнительными к методам исследования "сырой" ЭЭГ и формируемому на этой основе заключению. 3. В процессе исследования диагностических признаков, используемых специалистами-нейрофизиологами для анализа ЭЭГ, выяснено, что состояние головного мозга, при отсутствии в регистрируемых данных артефактов и эпилептиформной активности, определяется на основе наличия спектральных составляющих различных частотных диапазонов (8, 0, а и Р) и значений их амплитуд, присутствующих в текущей ЭЭГ. Это дает возможность применять методы распознавания с использованием признаков, сформированных путем преобразования регистрируемых данных (ЭЭГ) в редуцированную форму представления, учитывающую диагностически значимые параметры исходных процессов. В качестве модели ЭЭГ, предназначенной для исследования эффективности методов распознавания, выбраны стационарные эргодические случайные процессы, преобразуемые нелинейными процедурами с целью получения эффективных признаков для распознавания. 4. Выбран оператор неизоморфного преобразования исследуемых сложных сигналов с целью сокращения размерности их описания обеспечивающий сохранение (в смысле заданного критерия) информации о разделимости распознаваемых классов сигналов. Определены статистические характеристики результата преобразования, что позволит реализовать в дальнейшем оптимальное решающее правило в пространстве отображений исходных сигналов. |