Kuravsky (1113507), страница 3

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 3)

Рассмотренная технология была реализована в среде графического программирования LabVIEW [10] (рис. 7) и применялась для выявления признаков эпилепсии на данных электроэнцефалографии, накопленных в Центре психолого-медико-социального сопровождения «Северо-Восток» г. Москвы.

Выявление патологических фрагментов, свойственных эпилепсии: спайков и острых волн - является одной из наиболее важных задач, решаемых посредством анализа ЭЭГ. Особенностью мозга при эпилепсии является повышенный уровень реакции возбуждения нейронов и синхронизация их активности, что приводит к нарастанию амплитуды волн на ЭЭГ в результате суммации во времени амплитуд синфазных колебаний. Если разряды отдельных нейронов плотно группируются во времени, то, помимо нарастания амплитуды, наблюдается уменьшение длительности суммарного потенциала, приводящее к образованию высокоамплитудной, но короткой аномалии – спайка [5]. Длительность спайка – порядка 5-50 мс. Амплитуда, как правило, превосходит амплитуду фоновой активности и может достигать сотен микровольт. Иногда спайки группируются в пакеты, называемые полиспайками. Близкой по происхождению аномалией является острая волна. Внешне она напоминает спайк и отличается от него только растянутостью во времени, имея длительность более 50 мс. Ее амплитуда может достигать тех же значений, что и амплитуда спайков.

ЭЭГ регистрировались в 12 отведениях, расположенных в соответствии с международной системой Гиббсов. Данная система применяется при исследовании мозговой активности детей, поэтому количество электродов, размещаемых на голове, уменьшено до 12. Схема Гиббсов используется при проверке таких первичных диагнозов, как эмоциональные нарушения и минимальная мозговая дисфункция. Особенностью данной системы является то, что большая часть электродов расположена в передней части головы. В качестве иллюстраций на рис. 8-10 приведены примеры ЭЭГ с аномалиями (спайками), результат дискретного вейвлет-преобразования для одного из отмеченных спайков и его бинарное представление. Белый цвет на рис. 10 соответствует локальным экстремумам, а черный цвет – их отсутствию¹⁴.

Для распознавания аномалий использовались модификации сетей Хэмминга и Хопфилда, рассмотренные в п. 2. Наиболее эффективными оказались сети Хэмминга с радиальными базисными элементами и экспоненциальными функциями активации, обеспечившие успешное распознавание всех имевшихся эталонных образцов. Их эффективность обусловлена возможностью гибкой настройки на различные аномалии и категории испытуемых.

Проведенные вычислительные эксперименты показали, что вейвлет-преобразование с использованием функций Добеши 4-го порядка оказалось приемлемым для решения рассматриваемой задачи и может быть рекомендовано для дальнейшего использования.

Рис. 8. Пример ЭЭГ с аномалиями (спайками).

Спайки обведены овалами.

5. Основные результаты и выводы

1. Разработана и реализована в среде графического программирования LabVIEW технология распознавания аномалий ЭЭГ, основными компонентами которой являются:

• биполярное (бинарное) преобразование, получаемое на базе вейвлет-преобразования наблюдаемого сигнала и биполярной (бинарной) аппроксимации его скелетона;

• идентификация состояния системы с помощью релаксационной сети.

1. Преимуществами используемой технологии являются:

• возможность ее применения в случае небольшого числа (или даже одного) образца для каждого типа аномалий;

• возможность применения для анализа нестационарных сигналов (эффективное выявление как кратковременных аномалий сигнала, так и устойчивых изменений его параметров);

• возможность не только установления факта появления патологии, но и определения ее характера;

• распознавание пространственной картины аномалий ЭЭГ;

• удобство накопления данных, отражающих изменение индивидуальных образцов ЭЭГ.

1. Рассмотренная технология применялась для выявления признаков эпилепсии на данных электроэнцефалографии, при этом

• наиболее эффективными для распознавания аномалий оказались сети Хэмминга с радиальными базисными элементами и экспоненциальными функциями активации;

• вейвлет-преобразование с использованием функций Добеши 4-го порядка оказалось приемлемым для решения рассматриваемой задачи.

Литература

1. Галушкин А. И. Теория нейронных сетей. – М.: ИПРЖР, 2000. – 416 с.

2. Головко В. А. Нейронные сети: обучение, организация и применение. – М.: ИПРЖР, 2001. – 256 с.

3. Клиническая электроэнцефалография. / Под ред. Русинова В.С. - М.: "Медицина" , 1973. - 340 с.

4. Сахаров В.Л., Андреенко А.С. Методы математической обработки электроэнцефалограмм. - Таганрог: "Антон", 2000.

5. Фундаментальная и клиническая физиология. / Под ред. А.Г. Камкина и А.А. Каменского. – М.: Изд. Центр «Академия», 2004. – 1072 с.

6. Hopfield J., “Neural networks and physical systems with emergent collective computational abilities”, Proc. National Academy of Sciences USA, 2554-2558 (1982).

7. Kosko B., “Competitive adaptive bidirectional associative memories”, Proc. IEEE 1st International Conference on Neural Networks”, IEEE Press, 2 (1987).

8. Kosko B., “Feedback stability and unsupervised learning”, Proc. IEEE 2nd International Conference on Neural Networks, IEEE Press, 3 (1988).

9. Kuravsky L.S., Baranov S.N. and Kravchuk T.E. Structure condition diagnostics based on the wavelet transform and relaxation networks. – In: Proc. Condition Monitoring 2005, Cambridge, United Kingdom, July 2005, pp. 119-126.

10. LabVIEW tutorial for Windows. - National Instruments Corp., 2004.

11. Lipmann R., “An introduction to computing with neural nets”, IEEE Acoustic, Speech and Signal Processing Magazine, No 2, L. 4-22 (1987).

12. Tse P.W., Peng Y.H., and Yam R., “Wavelet analysis and envelope detection for rolling element bearing fault diagnosis-their effectiveness and flexibilities”, Journal of Vibration and Acoustics, Transactions of the ASME, 123, 303-310 (2001).

1 Их список может быть расширен.

2 Персептронов, сетей на радиальных базисных функциях и других.

3 См. пример в работе [9].

4 Вычисляются с помощью преобразования Гильберта.

5 Обычно применяются в качестве ассоциативной памяти и при решении задач комбинаторной оптимизации.

6 В ряде приложений компоненты входного сигнала равны 0 и 1 (такое бинарное представление обычно используется в сетях Хэмминга).

7 Без предельных циклов. Предельные циклы могут появиться в случае синхронных сетей Хопфилда.

8 Расстояние между двумя бинарными векторами в хэмминговой метрике есть число несовпадающих битов в этих векторах.

9 Используемых обычно в многослойных персептронах.

10 Каждый компонент входного вектора при этом равен 0 или 1.

11 Часто (но не всегда), нормализация входного вектора улучшала распознавание.

12 Двумерное представление линий максимумов и минимумов для вейвлет-спектра.

13 Значения дискретного вейвлет-спектра, которые не больше (не меньше) обоих смежных значений в направлении, соответствующем сдвигу во времени.

14 Следует иметь в виду, что каждый коэффициент вейвлет-разложения в представленном на рис. 10 графическом представлении повторяется 2ⁿ раз, где n – параметр масштаба дискретного вейвлет-преобразования.

17

Характеристики

Список файлов учебной работы