Исследование и разработка методов обработки сигналов и принятия решений в медицинских диагностических системах

• Автор: Краснобаев, Дмитрий Анатольевич
• Шифр специальности: 05.11.17
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Таганрог
• Количество страниц: 183 с. : ил.

Содержание
Введение
1. Постановка задачи диагностик и анализ известных методов формирования решающих правил
1.1 Классификация методов функциональных клинических
исследований
1.2 Постановка задачи выбора модели сигналов
1.3 Анализ известных методов формирования решающих правил, применяемых для решения задач распознавания и диагностики
1.4Методы диагностики, основанные на теории статистических
решений
1.5Типовая структура автоматизированной диагностической системы. ...40 Выводы по материалам первой главы
2. Характеристики медико-биологических процессов и их преобразование для решения задач диагностики
2.1 Объекты исследования и модели описывающих их процессов
2.2Известные методы электроэнцефалографии и характеристики
получаемых при этом процессов
2.3Сокращение размерности описания медико-биологических процессов
на основе обобщенного оператора преобразования
2.4Выбор критерия оптимального решения при использовании
обобщенного оператора преобразования
2.5Сравнительный анализ моделей сигналов ЭЭГ
Выводы по материалам второй главы
3. Разработка алгоритмов параметрического и непараметрического распознавания реализаций медико-биологических процессов с патологиями
ЗЛМетодика предварительной обработки сигнала ЭЭГ
3.2Разработка параметрического алгоритма классификации ЭЭГ
З.ЗРазработка непараметрического алгоритма классификации ЭЭГ
3.3.1 Оптимизация разделяющих поверхностей и принятие решений
3.3.2 Синтез алгоритма принятия решения на основе аппроксимационного подхода
3.3.3 Формирование системы признаков на основе метода стохастического кодирования
Выводы по материалам третьей главы
4. Экспериментальные исследования предложенных алгоритмов
классификации процессов ЭЭГ
4.1 Описание объекта исследования
4.2Разработка структурной схемы экспериментальной установки
4.3 Экспериментальные исследования параметрического алгоритма
классификации
4.4 Экспериментальные исследования непараметрического алгоритма
классификации
4.5 Сравнительный анализ эффективности работы предложенных и
известных алгоритмов классификации
Выводы по материалам четвертой главы
Заключение
Список литературы
Приложение 1. Параметрическое распознавание
Приложение 2. Непараметрическое распознавание
Приложение 3. Технические характеристики генератора случайных
процессов
Приложение 4. Метод k-ближайших соседей
Приложение 5. Акты о внедрении результатов

Введение
В настоящее время, в связи с обострением проблемы оценки состояния здоровья человека, разработке методов и алгоритмов оценивания этого состояния уделяется большое внимание. Особенно остро стоит вопрос о диагностике патологий в сердечнососудистой системе и центральной нервной системе (ЦНС) (из-за высоких показателей смертности в нашей стране и в мире в целом).
Специфика диагностики различных заболеваний состоит в том, что на ранних стадиях многие заболевания обладают плохой симптоматичностью, в результате чего даже опытному врачу сложно выявить признаки, указывающие на наличие недуга. В таких случаях на помощь медикам приходит медицинское диагностическое оборудование, позволяющее объективно оценить состояние пациента. Одним из главных видов диагностики является функциональная диагностика, основанная на определении параметров функционирования различных систем организма. Методы функциональной диагностики являются наиболее сложными с точки зрения технической реализации, но именно эти методы дают наиболее объективные результаты.
Развитие компьютерных технологий способствует тому, что цифровое моделирование стало одним из этапов процесса анализа и синтеза систем диагностики медико-биологических сигналов (МБС). При построении новых систем диагностики, предназначенных для работы с данными клинических функциональных исследований, таких, как электроэнцефалография (ЭЭГ), электромиография (ЭМГ), электрокардиография (ЭКГ) ставится задача синтеза алгоритмов, позволяющих автоматизировать процесс принятия решения о принадлежности совокупности измеряемых сигналов (процессов) тому или иному семейству (классу) сигналов, соответствующему тем или иным состояниям исследуемой внутренней системы человека. При этом проблемой является обеспечение устойчивости показателей качества принятия решений в условиях априорной неопределенности относительно

некоторое «расстояние» между классами в признаковом пространстве с координатами ¥1,¥2,...,Уд. В других случаях критерий J(YI,Y2,...,Yq)
выражает «диаметр» или «объем» области &т (см. рис. 1.6), занимаемой классом в признаковом пространстве, и новые признаки X 1,Х7,...,Х формируются путем минимизации критерия [1, 29]. Оба варианта критериев по своей сути равнозначны. Конкретно в качестве критерия 7,,...,Г?) выбирают среднеквадратическую ошибку аппроксимации признаков !],Г3,...,79 с помощью новых признаков Х1,Х2,...,Хр среднее межклассовое расстояние, внутриклассовый разброс наблюдений, энтропию одного класса относительно другого и т.д.
Критерии, основанные на геометрических понятиях расстояния между классами, исходят из того, что значение указанного расстояния пропорционально достоверности расстояния. Считают, что чем больше расстояние между классами в признаковом пространстве, тем больше различие между классами, тем легче его обнаружить и, следовательно, тем выше будет достоверность различения классов.
Рассмотрим процедуру обучения диагностической системы. Источником информации о распознаваемых образах является совокупность результатов независимых наблюдений (выборочных значений),
составляющих обучающую (обучающие) (Хх)* = (Х,,Х2,...,Х%) и
контрольную (экзаменационную) (Х,)[‘ = (х,,Х2,..., Хл) выборки, причем в зависимости от характера задачи распознавания (одномерной или многомерной) X, может быть либо одномерной, либо р-мерной случайной величиной. Основной целью обучения являются преодоление априорной неопределенности о распознаваемых классах путем использования информации о них, содержащейся в обучающих выборках, и построение эталонных описаний классов, вид которых определяется способом их использования в решающих правилах [1, 2, 14].