Разработка и исследование методов формирования решающих правил в медицинских диагностических системах

• Автор: Ковригин, Василий Михайлович
• Шифр специальности: 05.11.17
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Таганрог
• Количество страниц: 173 с. : ил

СОДЕРЖАНИЕ

ВВЕДЕНИЕ
ГЛАВА 1: АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ ФОРМИРОВАНИЯ РЕШАЮЩИХ ПРАВИЛ В ЗАДАЧАХ МЕДИЦИНСКОЙ ДИАГНОСТИКИ
1.1. Постановка задачи выбора модели сигналов, получаемых при функционально-диагностических исследованиях
1.2. Анализ методов формирования решающих правил, применяемых для решения задач распознавания и диагностики
1.3. Постановка задачи оптимизации признаковых пространств
1.4. Методы распознавания, основанные на теории статистических решений
1.5. Обзор методов оптимизации параметров распознающих систем в случае параметрической априорной неопределенности
1.6. Принятая классификация методов функциональных клинических исследований
1.7. Типовая структура автоматизированной диагностической системы
Выводы по материалам 1 главы
ГЛАВА 2: СВОЙСТВА И ХАРАКТЕРИСТИКИ МЕДИКОБИОЛОГИЧЕСКИХ ПРОЦЕССОВ И ИХ ПРЕОБРАЗОВАНИЕ ДЛЯ РЕШЕНИЯ ЗАДАЧ ДИАГНОСТИКИ
2.1. Исследуемые процессы
2.2. Известные методы электроэнцефалографии и характеристики получаемых при этом процессов
2.3. Укрупнение описания медико-биологических процессов на основе обобщенного оператора преобразования
2.4. Выбор критерия оптимальности решения при использовании
обобщенного оператора преобразования
Выводы по материалам 2 главы
ГЛАВА 3: РАЗРАБОТКА МОДЕЛЕЙ ПРИНЯТИЯ РЕШЕНИЙ ПРИ НЕПАРАМЕТРИЧЕСКОМ РАСПОЗНАВАНИИ СЛУЧАЙНЫХ ПРОЦЕССОВ
3.1. Синтез алгоритма принятия решения на основе аппроксимационного подхода
3.2. Формирование системы признаков на основе метода стохастического 84 кодирования
3.3. Построение решающего правила

3.4. Выбор критерия эффективности признаков
3.5. Построение процедуры обучения
3.6. Проверка предложенных алгоритмов на моделях ЭЭГ-сигналов
3.7 Оценка вычислительной сложности алгоритмов
Выводы по материалам 3 главы
ГЛАВА 4: АВТОМАТИЗАЦИЯ ЭКСПЕРИМЕНТА В ЗАДАЧАХ РАСПОЗНАВАНИЯ ОБРАЗОВ
4.1. Концептуальная модель сложной системы
4.2. Объектная модель инструментальной системы
4.3. Математическое обеспечение системы
4.4. Модель системы распознавания образов
4.5. Экспериментальное исследование предложенных алгоритмов
4.6 Аппаратная часть системы
Выводы по материалам 4 главы
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА

ВВЕДЕНИЕ
Развитие науки и техники происходит по пути усложнения процессов и систем. В связи с этим усложняются естественные и искусственные сигналы, как переносчики информации о процессах и системах. Особенно резко возрастает сложность человеко-машинных информационных и управляющих систем, играющих все более важную роль в производстве, разработках и исследованиях.
Сложное радиоэлектронное оборудование нашло широкое применение во всех главных направлениях современной медицины: диагностике заболеваний, терапии и медицинских исследованиях.
Специфика диагностики заболеваний состоит в том, что на ранних стадиях многие заболевания обладают плохой симптоматичностью, даже опытному врачу достаточно сложно выявить признаки, указывающие на наличие недуга. В таких случаях приходит на помощь медицинское диагностическое оборудование, позволяющее объективно оценить состояние пациента.
Методы функциональной диагностики являются наиболее сложными, с точки зрения технической реализации, но в то же время дают наиболее объективные результаты (по сравнению, например, с методами диагностики, основанными на анализе внешних симптомов). При этом развитие новых методов или усовершенствование уже существующих во многом определяется уровнем медицинского технического оборудования, предназначенного для их реализации.
При построении новых систем диагностики, предназначенных для работы с данными клинических функциональных исследований, в частности таких, как электрокардиография (ЭКГ), электроэнцефалография (ЭЭГ), электромиография (ЭМГ), возникает задача синтеза алгоритмов, позволяющих автоматизировать процесс принятия решения о принадлежности совокупности измеряемых сигналов тому или иному семейству (классу) сигналов, соответствующему тем или иным состояниям исследуемой внутренней системы человека. При этом важной проблемой является обеспечение устойчивости показателей качества принятия решений в условиях априорной неопределенности относительно параметров входных сигналов. Такую устойчивость могут обеспечить непараметрические алгоритмы распознавания [«0, 9Ц]. Преодоление трудностей, связанных с отсутствием статистических характеристик входных сигналов, возможно путем разработки алгоритмов, требующих для работы лишь протяженной кластеризованной выборки (обучающих последовательностей). В ряде случаев применение известных непараметрических методов распознавания может быть затруднено из-за значительной технической сложности их реализации на ЭВМ. Поэтому возникает необходимость разработки приближенных непараметрических методов обучения и распознавания, несколько уступающих известным непараметрическим алгоритмам, но при этом существенно превосходящих их по простоте технической реализации [?з].
С точки зрения распознавания данных ЭКГ, ЭЭГ, ЭМГ, являющихся шумоподобными сигналами, наибольший интерес представляют алгоритмы, предназначенные для распознавания случайных процессов. Несмотря на несомненную

и известны соотношения
F(x) = [ф(х / л/2) / 2] +1 / 2, F(-x) = [i/2- Ф(х) = -J= j ехр(- z2 ) dz,
ЛІТІ о
которая может быть использована для оптимизации характеристик распознающей системы, заключающейся в отыскании объемов т* и п’ обучающих и контрольной выборок, минимизирующих критерий и удовлетворяющих ограничениям h;(n, m, a,ß) на допустимые объемы выборок и вероятности ошибок [148]:
р = 2m + n -» min ;
а = р = ^-^ф(аЕ^/2)ф[аЕ/(2лУі/т + 2/п)]<а* = ß* (1.18)
Объемы т* и п являющиеся решением задачи (1.18), называют оптимальными.
При каждом выбранном аЕ оптимальные значения объемов т* и п* могут быть найдены стандартными методами целочисленного программирования [153].
В [148] предлагается более простая методика решения данной задачи оптимизации. Используя инвариантность решения (т*, п*) задачи (1.18) относительно умножения критерия на положительное число, задача оптимизации переписывается в следующем виде:
а2 (2m + п) —» min
ф(аЕл/^/2)-ф[аЕ /2• ^(1 /т) + 2/ п]>1-2а*. (1.19)
Разрешая уравнение
относительно у
ф(Тх/2)-ф[1/2-Л/(1/х) + 2/у] = 1-2а* (1.20)
8х*ф-2а)/ф(^/2)
х-4^[(1-2а*)/ф(л/х/2)]’ где f [t] = Ф-1 (t), и выясняя следующие свойства функции (1.21):
1) область определения G: 4f2^1 — 2ос* j < х < оо,
2) lim у = оо,
x->4f2(^l-2a')+
3)(3у/Эх)<0, xeG,
4) (З2 у/5х2) > 0, xeG,
и учитывая монотонность и непрерывность функций Ф(х) и Ф~' (х), показано, что если х0 и у0 являются решениями нижеследующей задачи оптимизации в классе непрерывных функций:
2х + у -» min,