Главная » Просмотр файлов » Сахаров В.Л., Андреенко А.С. - Методы математической обработки электроэнцефалограмм

Сахаров В.Л., Андреенко А.С. - Методы математической обработки электроэнцефалограмм (1034783), страница 10

Файл №1034783 Сахаров В.Л., Андреенко А.С. - Методы математической обработки электроэнцефалограмм (Сахаров В.Л., Андреенко А.С. - Методы математической обработки электроэнцефалограмм) 10 страницаСахаров В.Л., Андреенко А.С. - Методы математической обработки электроэнцефалограмм (1034783) страница 102017-12-22СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 10)

Однако реализация корреляционных методов распознавания в системахоперативной обработки сигнала связана с чрезвычайно высокими требованиями кпроизводительности используемого процессора и может быть осуществлена с применениемспециализируемых быстродействующих вычислительных устройств. В связи с этим частопредлагаются упрощенные методы получения оценок взаимной корреляционной функции, хотярезультаты анализа в таких случаях оказываются несколько ниже.Подход, основанный на использовании цифровой фильтрации для распознавания феноменов,может рассматриваться как один из вариантов упрощенной реализации корреляционных методов.При этом процедура распознавания распадается на два взаимосвязанных этапа.

Сначала сигналпропускается через цифровой фильтр с частотной характеристикой, соответствующей искомомуфеномену, полученному усреднением спектральных оценок большого числа комплексов различныхморфологий. Это адекватно вычислению взаимной корреляционной функции между сигналом инекоторым типовым феноменом, форма которого соответствует импульсной характеристикеприменяемого цифрового фильтра.На следующем этапе анализа по данному алгоритму предварительно обслуживается феномени определяется его опорная точка, которая служит для совмещения во времени текущего комплекса сусредненными образцами ранее найденных комплексов, относящихся к различным классам формы.Вычисляются коэффициенты взаимной корреляции между обнаруженным комплексом и всемиимеющимися образцами.

На основании полученных результатов анализируемый комплекс либоотносится к одному из ранее существовавших классов, либо считается первым представителемнового класса формы, либо отбраковывается как артефакт.Описываемая процедура, используемая в том или ином виде во многих разработках, являетсякомпромиссом между принципиально достижимым высоким качеством обнаружения феноменов спомощью корреляционных методов и ограниченной производительностью широко распространенныхмикропроцессоров. Сравнительно вычислительная простота описанного метода объясняется тем, чтопри этом обычно используются легко реализуемые цифровые фильтры, а вычислениекорреляционной функции выполняется для каждого образца один раз.В сравнении с перечисленными выше, структурно-лингвистический метод является, пожалуй,наиболее предпочтительным для решения поставленной задачи.

Его смысл в том, что все возможныефеномены представляются либо каким-нибудь символом, либо цепочкой символов. Далее, разложивфоновую ЭЭГ в последовательность символов того же алфавита, нужно только идентифицироватьсимвольную цепочку, характеризующую патологический феномен. При идентификации происходитсравнительный анализ символьной последовательности, характеризующей феномен, со всемиучастками ЭЭГ. В случае нахождения идентичности анализируемого участка с образцом, онпринимается за феномен, и анализ проводится далее. Этот процесс можно назвать трансляцией илипереводом из одной формы представления сигнала в другую, более удобную.

Действия, которыенеобходимо сделать при трансляции можно описать следующим образом:- выбирается несколько разновидностей типичных феноменов, которые аппроксимируютсяломаными линиями с помощью методов интерполяции или экстраполяции.- каждая ломаная, в зависимости от угла наклона и ее амплитуды, кодируется каким-либосимволом. Ниже приведен пример кодировки.g140v1<30 гр., < 30 мкВv2<30 гр., <50 мкВ, >30 мкВv3<30 гр., <80 мкВ, >50 мкВv4<30 гр., <120 мкВ, >80 мкВv5<30 гр., <150 мкВ, >120 мкВv6<30 гр., <200 мкВ, >150 мкВv7<30 гр., >200 мкВТаким же образом кодируются линии с наклоном от 30 до 50 градусов соответственносимволами k1 - k7, от 50 до 70 - символами L1-L7, от 70 до 90 - символами m1-m7, от 90 до 110 символами F1-F7, от 110 до 130 - символами G1-G7, от 130 до 150 - символами D1-D7 и от 150 до 180- символами С1-С7.- исходя из введенной кодировки, типичные феномены представляются цепочкой такихсимволов.

Например, спайк будет характеризоваться последовательностью C1M7F7V1.- первые три этапа можно назвать подготовительными. По результатам кодировки далее будетпроизводиться сам процесс распознавания. Анализируемая ЭЭГ, аналогично п.1 аппроксимируетсяломаными линиями. Согласно алфавиту, выбранному в п.2, производится кодировка ЭЭГ, т.е.представление ее символами введенного алфавита.- в полученных последовательностях символов, представляющих ЭЭГ-сигнал, производитсяпоиск цепочек, представляющих феномены.Предлагаемый алгоритм можно ускорить, если учесть что такие феномены как спайки, острыеволны, комплекс пик - волна - медленная волна обладают одной особенностью.

Их максимальнаяамплитуда не менее чем в два раза больше, чем средняя амплитуда нативной ЭЭГ. Поэтому можноперед процессом аппроксимации ЭЭГ определить примерный участок наличия феноменов. Этотпроцесс называется сегментацией. При этом вначале находится средняя амплитуда ЭЭГ согласнопоследовательности действий описанных выше, а затем производится поиск участков сигнала, где егоамплитуда более чем в два раза превышает найденную среднюю. И именно локализованные такимобразом участки подвергаются преобразованию в символьную форму. Еще более уточнить процесссегментации можно используя ту особенность острых волн, а тем более спайков, что они обладаютгораздо более высокой частотой, чем остальные значимые компоненты ЭЭГ.

Их можно причислить квысокочастотному бета-ритму и даже выше. При этом, учитывая, что бета-ритм - самыйнизкоамплитудный ритм на ЭЭГ (его средняя амплитуда обычно не превышает 15-20 мкВ, даже приглубоких патологиях она не превышает 40-50 мкВ), то если при разложении участков сигнала вспектр мощности в области высокочастотного бета-диапазона обнаруживаются резкиевысокоамплитудные всплески, то с достаточно большой степенью вероятности можно утверждать,что именно на этом участке находится искомый феномен. По-крайней мере, в рассматриваемой базеиз 80 ЭЭГ 20 имели спайки и острые волны, которые находились в полосе частот от 15 до 35 Гц иимели амплитуду более 70 мкВ.

99% из них были четко локализованы с помощью спектральнойоценки.Данный метод позволяет идентифицировать необходимые участки ЭЭГ с большой степеньювероятности и при этом не затрачивая больших ресурсов процессора. Еще одной особенностью,дающей преимущества при выборе способа распознавания структурно-лингвистическому методу,41является то, что в результате анализа имеется последовательность символов, которую безпреобразований можно использовать при построении экспертной системы формированияэнцефалографического заключения применяя теорию формальных языков. При использованиидругих методов для получения символьной цепочки, характеризующей наличие или отсутствиефеноменов, необходимо выполнить некоторые действия, что усложнит алгоритм экспертирования.Эксперименты, проведенные для сравнения эффективности различных методовраспознавания, представлены на гистограмме (рис.

25). Они показывают, что структурнолингвистический метод наиболее приемлем для распознавания патологических феноменов на ЭЭГ изчисла рассмотренных. Для анализа использовалась та же база данных 80-ти ЭЭГ. Методыраспознавания рассмотрены из следующих критериев: «Найдено» – подразумевает числообнаруженных феноменов по сравнению с их реальным числом, определенным экспертом; «Ошибки»– процент ошибочно распознанных от общего числа найденных (также проанализировано экспертом);«Скорость» – скорость поиска, также выраженная в процентах.1008060Пороговый40СравнениеФильтрацияСтруктурный200НайденоОшибкиСкоростьРис.25.Гистограмма эффективности структурно-лингвистического методаЕще одной немаловажной особенностью анализа ЭЭГ является определениегенерализованной активности.

На ЭЭГ генерализованными могут быть как отдельные феномены, таки вспышки какого-либо частотного ритма. При этом алгоритмы идентификации тех и другихнесколько отличаются.Для нахождения генерализованных феноменов предлагается следующий алгоритм. Онзаключается в одновременном поиске по всем отведениям феномена по приведенному вышеструктурно-лингвистическому методу. В случае нахождения такового происходит сравнение времениего начала, а также длительности проявления в каждом отведении. Если эти значения совпадают длявсех или нескольких каналов, то найденный феномен можно считать генерализованным.Сложнее обстоит дело с определением генерализованных вспышек какого-либо ритма.

Какправило, такие вспышки характеризуются одновременным появлением во всех отведениях и имеютодинаковую амплитуду. Здесь предлагается использовать метод построения графиков зависимостикоэффициентов корреляции всех последовательных пар отведений (т.е. находится коэффициенткорреляции для 1 и 2 отведений, для 2 и 3 и т.д.) так, как это описано выше и показано на рис. 16.Всего таких графиков будет N-1, где N - число каналов ЭЭГ. Учитывая возможность достаточнодлительной по времени записи ЭЭГ (некоторые врачи записывают до 5 минут) и необходимость приэтом моментальной оценки ситуации, предлагается следующий алгоритм:1.Будем использовать скользящее окно достаточно малой длительности (0.5 - 1с) и находитькоэффициент корреляции для каждого ритма в этом окне.2.Далее, двигаясь вдоль всей пробы по всем отведениям, можно построить по 15 графиков трендовкоэффициентов корреляции для всех 4 ритмов.423.Анализируя каждый ритм, можно определить на построенных графиках участки с близким кединице коэффициентом корреляции, в случае наличия таковых, причем одинаковым по всем 15графикам.

Такие участки необходимо выделить и подвергнуть дальнейшей обработке. По введеннойвыше терминологии, процесс, описанный в п.п. 1-3 можно назвать сегментацией.4.Далее необходимо определить величину связанности выделенных участков по амплитуде для техже пар отведений. Для этого предлагается использовать функцию когерентности и, соответственно,формулу (4.2.40).5.Если степень связанности процессов близка к единице, то с уверенностью можно утверждать, чтоанализируемый участок характеризуется генерализованной активностью конкретного ритма.43Литература1. Зенков Л.Р., Ронкин М.А. Функциональная диагностика нервных болезней.- М.: Медицина, 1991.

640 с.2. Егорова И.С. Электроэнцефалография.- М.: Медицина, 1973, 268 с.3. Экспертные системы. Принципы работы и примеры: Пер. с англ./ А. Брукинг, П. Джонс, Ф. Кокс идр.; Под ред. Р.Форсайта. - М.: Радио и связь, 1987 г.- 224 с.4. Захаревич В.Г., Сахаров В.Л., Синютин С.А. Системы адаптивного распознавания патологическихфеноменов при анализе ЭКГ и ЭЭГ в реальном масштабе времени. Межвузовский сборник научныхтрудов./ Новочеркасск, НГТУ, 1996, с.

68-76.5. Уилкинсон, Райнш Справочник алгоритмов на языке АЛГОЛ. Линейная алгебра. Пер. с англ. М.:Машиностроение, 1976г., 392 с.6. Клиническая электроэнцефалография. / Под ред. Русинова В.С. - М.: "Медицина" , 1973 г. - 340 с.7. Электроэнцефалограмма человека при черепно-мозговой травме / О.М.Гриндель.- М.: Наука, 1988.200 с.- ISBN 5-02-0052688. Тихонов В.И. Статистическая радиотехника.- М. “Советское радио”, 1966.

Характеристики

Список файлов книги

Свежие статьи
Популярно сейчас
Почему делать на заказ в разы дороже, чем купить готовую учебную работу на СтудИзбе? Наши учебные работы продаются каждый год, тогда как большинство заказов выполняются с нуля. Найдите подходящий учебный материал на СтудИзбе!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6537
Авторов
на СтудИзбе
301
Средний доход
с одного платного файла
Обучение Подробнее