Диссертация (1025342), страница 9
Текст из файла (страница 9)
Результаты экспериментов с искусственными иклиническимисигналамипоказалиповышениеточностиполученныхспектрограмм при помощи AD-PCNN в сравнении с методом MPWD.С точки зрения использования вейвлет-анализа для поиска различныххарактерных особенностей в сигнале, основной проблемой является отсутствие вданных исследованиях единого системного подхода с разработкой полноценногоматематического аппарата поиска паттернов в вейвлет-разложении сигнала, а42также составлением атласа паттернов, соответствующих признакам различныхзаболеваний ССС с целью использования его при диагностике при помощипоиска по базе таких образцов карты вейвлет-преобразования.
Однако есть рядработ, связанных с постулированием возможности применения вейвлет-анализа кпоиску некоторых вполне конкретных особенностей физиологических сигналов вдиагностике строго определенного заболевания (например, стеноза, аневризмы,диабета и т.п.) или же в конкретной области, например, пренатальной [86]. Вцеломже,какправило,влитературеприводитсякраткоеописаниематематических основ вейвлет-анализа, после чего на основании частныхпримеров дается заключение о возможности диагностики той или иной патологии[71, 119]. При этом зачастую не упоминаются посылки, позволившие сделатьдиагностические выводы по результатам анализа.Например,использованиемподходкдиагностикевейвлет-преобразованиязаболеванийсигнала,сосудовпредложенныймозгавс[118],аналогичен описанным выше методам очистки сигнала от шума.
Анализироваласьформа кривой максимальной частоты доплеровского УЗ сигнала при помощимногомасштабного вейвлет-преобразования с целью определения максимальнойвариации модулей вейвлет-коэффициентов на различных масштабах. Этавариация затем применялась для выделения характерных признаков доплеровскихсигналов: в клинических экспериментах было обнаружено, что для случаевнормального функционирования сосудов мозга форма этой вариации отличаетсяот той, что характерна для патологических случаев.
Для диагностики заболеванийсосудов головного мозга данная вариация аппроксимируется полиномом (вданном случае – 7го порядка) при помощи регрессионного анализа по методунаименьших квадратов. Коэффициенты полинома затем формируются во входнойвекторнейроннойклассификации.сетисУтверждается,обратнымчтораспространениемданныйподходошибкипоказываетдлялучшуюпроизводительность в процентном отношении ошибок классификации к общемуобъему тестовой выборки в сравнении с методикой расчета традиционныхпоказателей спектрограммы.43Аналогичный подход к классификации на нормальные и патологическиеслучаи предложен и в [86]. Отмечается, что опробованное применение нейронныхсетей к классификации доплеровских изображений (измерений кровотока вфетальныхсосудах)показалокрайнююнеэффективность.Доплеровскоеизображение, по сути, является дискретным набором пикселей, содержащих каквременную, так и частотную информацию, вследствие чего применениеклассического подхода с использованием БПФ также является совершеннонеэффективным.
Кроме того, этот набор пикселей является довольно большим,поэтому непосредственная сравнительная обработка изображений напрямую,попиксельно, является вычислительно сложной. Вейвлет-анализ в этом планеподходит существенно лучше: в работе утверждается, что в эксперименте удалосьобойтисьвсего28вейвлет-коэффициентами,содержащимиосновнуюинформацию о целом изображении, состоящим из 32768 пикселей, дляпоследующейобработки.Данноесокращениевходныхданныхдляклассификации при помощи нейронной сети (совмещенное с очисткой от шумапри помощи мягкого задания порога) существенно повысило эффективностьобсуждаемой методики.Схожий подход используется и в работе [120], где так же предложеннейросетевой анализ доплеровских УЗ сигналов на основе вейвлет-анализа.Отличиемявляетсятипнейроннойсети:предлагаетсяиспользованиемногослойного персептрона с обучением по алгоритму Левенберга-Марквардта,вместо наиболее часто используемого алгоритма с обратным распространениемошибки, в том числе использующегося в [118, 86] и др.
Отмечается, что алгоритмс обратным распространением ошибки требует длительного обучения длянахождения приемлемого решения для весов из-за трудностей, связанных соптимизацией градиентным спуском; алгоритм не гарантирует нахожденияглобального минимума функции ошибки. Поэтому было предложено многовариаций(методовоптимизации)улучшениясходимостиобратногораспространения ошибки, и в последние годы для обучения нейросетей былиопробованы такие методы второго порядка, как метод сопряженных градиентов,44квазиньютоновский метод, метод Левенберга-Марквардта. Последний сочетает всебе лучшие черты техники Гаусса-Ньютона и метода наискорейшего спуска, нопри этом позволяет избежать ряда ограничений, в частности, он не сопряжен спроблемой медленной сходимости. Поэтому данный метод был выбран авторамидля обучения нейросети в рамках обсуждаемой работы.Висследовании[65]предложенасистемаавтоматизированногодиагностирования пациентов с патологиями (с синдромом Марфана и мутациейMYH11), основанная на двух подходах: нейросетевом и с использованием SVM(Support Vector Machine).
При нейросетевом подходе предлагается использованиепростой трехслойной нейронной сети с входным слоем, состоящим из пятинейронов и представляющим входной вектор извлеченной характеристическойособенности сигнала (feature vector), скрытым слоем из семи нейронов ивыходным слоем из одного нейрона. Также имеется единый блок смещения,соединенный с каждым нейроном скрытого слоя, и еще один блок, связанный свыходным нейроном. Для обучения используется настройка весов при помощиалгоритма обратного распространения ошибки. Модель показывает хорошиерезультатынаобучающейвыборке,однакодемонстрируетнизкуюрезультативность на новых данных.SVMвыполняетклассификациюпутемпостроенияN-мернойгиперплоскости, что позволяет разделить данные на две категории.
Обсуждаемаямодель SVM тесно связана с нейронными сетями, различие заключается в том,SVM использует альтернативный метод обучения, в котором веса определяютсяпутемрешениязадачиквадратичногопрограммированияслинейнымиограничениями, а не поэтапно минимизируя ошибку, как происходит встандартной процедуре обучения нейронной сети.
В алгоритме SVM целый наборособенностей(features)используетсявкачествевектора.ЦельюSVM-моделирования является поиск оптимальной гиперплоскости, разделяющейкластеры вектора таким образом, что клинические случаи из одной категориинаходятся по одну сторону гиперплоскости, а случаи из другой категории – подругую сторону.
Векторы рядом с гиперплоскостью являются опорными. Поиск45оптимальной плоскости (или границы решения) осуществляется из соображенийее местоположения как можно дальше от обоих классов данных, т.е. требуетсямаксимизировать расстояние до выборок данных в двух классах. Большинствореальных задач в жизни являются не разделимыми при помощи линейногоклассификатора, чтобы преодолеть данные трудности, можно использоватьфункции (kernel functions) для отображения данных в другое пространство, гдегиперплоскость может быть использована для разделения (см. Рис.
1.4).Рис. 1.4.Пример перевода данных в другое пространство, где данные могут бытьразделеныКлассический SVM предназначен для задач с двумя классами. Для задач снесколькимиклассамиможнореконструироватьмногоклассовуюзадачу,используя подход «один против всех», при котором текущая интересующаякатегория отделяется, а все остальные категории объединены в другом классе.Программное обеспечение было реализовано на базе фреймворка MATLAB.Описанные подходы показали неплохие результаты в диагностике патологиймутации MYH11 (9% ошибочных классификаций для нейросетевого подхода и4% – для SVM), однако продемонстрировали малую эффективность придиагностикесиндромаМарфана(13%ошибочныхклассификацийдлянейросетевого подхода и 25% – для SVM), что объясняется трудностью отличияэтого заболевания по исследуемым данным от состояния нормы.
Для дальнейшего46уточнения был проведен анализ максимальной релевантности (maximum relevancyanalysis) с использованием коэффициента Фишера [65]. Вероятно, в основеданного исследования лежит работа, представленная на конференции IEEE – [64],в которой также представлен метод SVM-обнаружения стеноза артериовенознойфистулы с использованием вейвлетов, реализованный в среде MATLAB.В [71] предлагается использование вейвлет-анализа в качестве инструментадля количественной оценки особенностей кривых артериального давления(waveform features).
В работе обсуждается конкретно использование вейвлетпреобразования в изучении морфологии сигнала и его потенциальная роль вконстатации динамики временных свойств сигнала артериального давления. Вкачестве численного эксперимента по применению вейвлет-анализа проводитсяоценка базы данных сигналов давления сонной артерии у здоровых мужчин иженщин среднего возраста.
Постулируется, что вейвлет-анализ имеет потенциалдля извлечения особенностей (деталей вейвлет-разложения), связанных сотражением волны и закрытием аортального клапана, в исследуемых сигналах.Эксперимент показал, что детали пятого уровня разложения при применениивейвлет-преобразования оказались наиболее подходящими для подобногоанализа. В исследовании для вейвлет-анализа использовался вейвлет Добеши 4порядка D4, как уже упоминалось выше, как среднестатистически хорошопоказывающий себя в широкой области применения. При этом упоминается, что вцелом нет аналитического обоснования использования той или иной вейвлетфункции.
Вейвлет-функция, дающая наилучший результат для определенногонабора данных может показать далеко не лучший результат для другого набораданных. (Чем выше величина вейвлет-коэффициентов в разложении сигнала, тембольше сигнал соответствует выбранному вейвлету.) Таким образом, пригодностьвейвлет-функциидляэкспериментально.непараметрическогоконкретногонабораданныхСтатистическийанализпроводилсядвухвыборочноготестаможетсопределятьсяприменениемКолмогорова-Смирнова,какчувствительный к различиям в положении и форме функции распределениявыборок, при этом не требующий базовой гипотезы о распределении выборки.47Исследуемые данныебылисгруппированыв несколькоподклассов повозрастному и половому признаку, отличие результатов вейвлет-разложенийсигналов для этих групп определялось визуальным сопоставлением, что несоответствует изначально поставленной задаче исследования о количественнойоценке данных wavelet features для подгрупп данных.
Авторами утверждается, чтоданное исследование, пусть и находясь на предварительном этапе, нагляднодемонстрирует возможности вейвлет-преобразования в захвате отдельныхморфологических признаков для кривых давления разных типов. И остаетсяопределить,каквложеннаявэтипризнакиинформацияможетбытьдополнительно детально обработана и преобразована в количественные данные ииспользована для автоматической классификации сигналов и определенияпараметров при потенциальном клиническом применении.Более подробные результаты численногоэксперимента в подобномисследовании (распознавании ключевых особенностей сигналов при помощивейвлет-анализа) изложены в [105].
В работе отмечается, что среди составляющихкривой артериального давления выделяют, как правило, перкуторную волну,приливнуюволнусоответствующихисследователямиидикротическуюэлементахвданнойволну,кривой,областикоторыепредставляющейобычностоитотражаютсясигнал.задачавПередопределениясоответствующих данным элементам ключевых точек (key points) на кривой. Приэтом, зачастую, из-за различий и индивидуальных особенностей строения сердцаи т.п., задача определения, например, точки остановки выброса крови левымжелудочком, является нетривиальной. У некоторых пациентов данная волна накривой является очевидной и делает задачу ее визуального определения на кривойтривиальной, а у некоторых пациентов, данная волна на кривой не выражена, чтозатрудняет ее определение специалистом.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
