Диссертация (Методы и алгоритмы обработки, анализа и визуализации данных ультразвукового доплеровского измерителя скорости кровотока), страница 10

В качестве вспомогательного средствадля подобной диагностики в работе предлагается использование вейвлет-анализа,при котором с помощью определения разницы между 4 и 5 уровнямидетализирующихвейвлет-коэффициентовудаетсячеткоопределить48местоположение этой волны на кривой (иллюстрирующий технику определенияпример можно видеть на Рис. 1.5).Рис. 1.5.Определение неочевидных ключевых точек кривой при помощи вейвлет-анализа(S – исходный сигнал, Dr – разница между детализирующими вейвлеткоэффициентами)Имеются также данные об использовании вейвлет-преобразований в задачахмоделирования физиологических сигналов [66].Методы нелинейной динамики, теории хаоса и фрактального анализа внастоящеевремяширокоиспользуютсяпреимущественновобластяхпрогнозирования финансовых рядов [35] и телекоммуникаций [45].

Однакосуществуют некоторые наработки по использованию данных методик и в областиисследования биомедицинских сигналов кровотока. В частности, проведенное врамках настоящей работы исследование показало применимость фракталов кмоделированию подобных сигналов и наличие признаков самоподобия данныхсистем (см. раздел 3.4.5). В [88] предложена альтернативная техника замещениятрадиционногооконногопреобразованияФурьедоплеровскихсигналов,основанная на применении фрактального анализа.

Обсуждаемая методикаобработки сигнала с целью получения традиционно оцениваемых параметров49(индекс резистивности, систоло-диастолический коэффициент и др., подробнеесм. в разделе 2.3) включала следующие шаги: очистка доплеровского сигнала от шума при помощи порогового алгоритма сиспользованием вейвлетов [83]; извлечениесонограммы(спектрограммы)припомощиоконногопреобразования Фурье, при котором исходный сигнал разбивается нафреймы по 512 точек, и к каждому фрейму применяется преобразование сокном Хэннига с 50% перекрытием; извлечениеогибающеймаксимальнойчастотыиздоплеровскойспектрограммы с применением метода улучшения изображения с детекциейкраев; расчет стандартных индексов; доплеровскиеаудиосигналыразделяютсянакороткиесегментыпродолжительностью 10 мс с перекрытием 5 мс, расчет кривой фрактальнойразмерности при помощи показателя Херста (показатель Херста напрямуюсвязан с фрактальной размерностью, см.

подробнее раздел 3.4.3); расчетиндексов при помощи кривой фрактальной размерности.В работе сравниваются показатели, полученные при помощи двух методов,делается вывод об их схожести и соответствии, однако реальной оценкиотклонения не проводится, не ясно, какие из полученных показателей ближе креальным. Постулируется, что индексы, рассчитанные из кривой фрактальнойразмерности столь же точны, как и полученные при помощи традиционногометода с использованием Фурье-анализа.В работе [89] говорится о стохастических фрактальных векторных полях вдухе фрактальных моделей броуновского движения, с целью исследованияизмерений полей биомедицинских потоковых сигналов, в частности, данныхМРТ.

В дополнение к традиционно рассчитываемому показателю Херста, чтопозволяет оценить фрактальную размерность поля, введенные в работе векторныемодели также обладают параметрами для контроля баланса между крайнимиположениями безвихревого и соленоидального поведения системы. С целью50изучения адекватности этих моделей в анализе исследуемых данных, авторамиразработаны оценки различных параметров этих моделей. Оценки проверялисьпутем их применения к синтезированному вектору fBm (fractional Brownianmotion, фрактальное броуновское движение), а затем использовались для анализатрехмерного измеренного потока, полученного при помощи фазоконтрастногоМРТ.

Результаты анализа согласуются с известными свойствами несжимаемостипотока. Таким образом, вопрос применения подобных моделей к исследованиямполей течений различной структуры требует дальнейшего изучения, однако вцелом постулируется применимость стохастических моделей с параметрами,определяющими самоподобный характер поля, к исследованиям биомедицинскихсигналов, в частности, данным МРТ и доплеровского УЗ сигнала.В работе [80] отмечается, что вклад внешних и локальных колебательныхмеханизмов во фрактальное масштабирование кровотока пока не ясен, поэтомуцелью исследования являлось изучение вклада этих механизмов во фрактальныесвойства сигналов кровотока при помощи анализа их спектральных свойств(частотных спектров).

Среди используемых методов упоминается Фурье-анализ ирасчет показателя Херста (см. подробнее в разделе 3.4.3). Для вызова локальныхколебательных компонентов вводили ацетилхолин (АХ) при помощи ионофореза,замеры проводили при помощи лазерного доплеровского флоуметра. Взависимостиотвовлеченныхфактороввиндуцированноерасширениекровеносных сосудов, в сигнале проявлялись составляющие, соответствующиецентральным, сердечным и дыхательным компонентам. Анализ колебанийотфильтрованных временных рядов с исключенным трендом (detrended fluctuatinganalysis, DFA) показал, что доплеровский сигнал является фракталом с тремяразличными областями масштабирования. Кроме того, результаты исследованияпоказали, что данные области связаны с полосами частот известных системконтролякровотокаиназываютсясердечным,сердечно-дыхательнымилокальным участками.

Средний показатель масштабирования (scaling exponent)увеличивался с расширением сосудов в области сердца, но снижался и даже менялзнаквкардиореспираторнойобласти.Ингибированиеместного51сосудорасширяющего механизма не только снижало показатель масштабированияв локальной области, но также исключало эффект дыхательных механизмов нафрактальное масштабирование. Эти данные позволили предположить, чтофрактальные масштабные показатели могут иметь диагностическое значение длявыявления патологической динамики в сосудистых руслах.В [81] предложена вспомогательная техника клинической диагностикирасстройств деятельности сердечных клапанов, основанная на вейвлет-анализе,вычислении фрактальной размерности и использовании нейронных сетей.Методика предназначена для эффективного извлечения характеристическихособенностей из предварительно обработанных доплеровских сигналов с цельюклассификации случаев на нормальные и патологические.

В статье обсуждается,что задачу распознавания паттернов (pattern recognition) в общем случае можноразделить на следующую последовательность шагов: 1)feature extraction –выделение признаков из встречающихся образцов (паттернов), 2)feature selection –отбор значимых особенностей, которые наилучшим образом соответствуютзаданному шаблону, 3)classification – классификация, т.е. определенный классставится в соответствие конкретному паттерну. В данном случае полученныеклассы могут представлять различные возможные диагнозы. Применяемые краспознаванию паттернов методы основаны на искусственном интеллекте. Такимобразом, предлагаемый подход заключается в следующем: запись сигналов и предварительная обработка (фильтрация, очистка отбелого шума, нормализация), извлечение характеристических особенностей (разложение сигнала припомощи вейвлет-анализа, БПФ, расчет и построение графика фрактальнойразмерности при помощи алгоритма Хигучи [81]), классификациявходноговектораособенностейприпомощисамоорганизующейся нейронной сети с обратным распространением ошибки,построенной при помощи стандартных средств математического пакетаMATLAB.52Полученные в ходе эксперимента результаты показали возможность примененияописанных подходов к построению вспомогательных средств диагностики.В качестве программного обеспечения для обработки исследуемых сигналов,как следует из вышеизложенного, обычно используются широкопрофильныематематические пакеты (например, MATLAB, STATISTICA и др.) и/илипрограммы, поставляющиеся с соответствующим аппаратным обеспечением(аналого-цифровыми преобразователями (далее – АЦП) и т.д.).

В целом же,обработка сигналов в данной сфере исследований до сих пор зачастую проводитсяспециалистами вручную, что снижает точность получаемых результатов иувеличивает вероятность ошибки. Поэтому в данной работе решается задачаописаниячеловеко-машинногоинтерфейсаиразработкипрограммно-математического обеспечения, в частности, позволяющего автоматизироватьпроцесс обработки данных и провести апробацию и выбор методов нелинейнойдинамики для исследований в области биомедицины.1.3. Постановка цели и задач исследованияТаким образом, целью исследования является разработка методики иалгоритмов исследования сложных физиологических систем с нелинейнойдинамикой на примере обработки данных ультразвуковых доплеровскихизмерителей СК с использованием методов нелинейной ЦОС и вейвлет-анализа.Для достижения поставленной цели в диссертации решаются следующиеосновные задачи:1. Разработка, модификация и сравнительный анализ методов первичной ивторичной обработки сигналов СК с учетом их особенностей и физическойприроды: фильтрация, сглаживание, определение шумовых компонент ипараметровнелинейнойквазипериодической(вейвлет-) анализ и др.динамики,природыспектральныйсигналов,анализ,анализпространственно-временной532.

Разработка методики и алгоритмов фазового анализа, качественного анализаформы кривой СК и определения количественных параметров кровотока поданным бандажных ультразвуковых (8 и 16 МГц) доплеровских датчиковлинейной СК в условиях отсутствия дополнительных синхронизирующихданных.3.