Система поддержки принятия решений по оценке активности воспалительных процессов на основании анализа пассивных электрических свойств биопроб

• Автор: Киреев, Андрей Владимирович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Пенза
• Количество страниц: 155 с. : ил.

СОДЕРЖАНИЕ

СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ

ВВЕДЕНИЕ

1 ОСОБЕННОСТИ ИССЛЕДОВАНИЯ ПЭС БИООБЪЕКТА

1.1 Общая характеристика задач и объекта исследования

1.2 Систематизация методов исследования ПЭС

1.3 Параметры, определяющие ПЭС биообъекта

1.4 Систематизация математических моделей биообъекта

1.5 Анализ методов идентификации математических

моделей
1.6 Анализ методов принятия решений при интерпретации
параметров ПЭС биообъекта
Выводы по главе
2 ОБРАБОТКА ПЕРВИЧНОЙ ИЗМЕРИТЕЛЬНОЙ ИНФОРМАЦИИ
В СППР ОАВП НА ОСНОВАНИИ АНАЛИЗА ПЭС БИОПРОБ
2.1 Разработка математической модели ПЭС биожидкости
2.2 Анализ алгоритмов адаптивной идентификации
2.3 Определение оптимального тестового воздействия
2.4 Компенсация систематической погрешности измерений
параметров ПЭС с помощью методов редукции
2.5 Формирование обобщенного показателя активности
протекания воспалительного процесса
Выводы по главе
3 ЭКСПЕРИМЕНТАЛЬНОЕ ОПРЕДЕЛЕНИЕ ОПТИМАЛЬНЫХ
УСЛОВИЙ ИЗМЕРЕНИЯ ПАРАМЕТРОВ ПЭС БИООБЪЕКТА
3.1 Оценка эффективности применения тестовых
сигналов различного типа

3.2 Исследование алгоритмов адаптивной идентификации параметров линейной динамической модели биообъекта
3.3 Проверка электрических моделей ПЭС на адекватность и определение требуемых значений параметров дискретизации
3.4 Исследование модели ДЭС
3.5 Анализ передаточных функций ПЭС биопроб и построение
решающей функции СППР ОАВП
Выводы по главе
4 РЕАЛИЗАЦИЯ СППР ОАВП НА ОСНОВАНИИ АНАЛИЗА ПЭС
БИООБЪЕКТА
4.1 Обобщенная структура СППР ОАВП на основании анализа ПЭС биообъекта
4.2 Разработка датчиков для исследования ПЭС биожидкостей
4.3 Реализация аналогового тракта СППР ОАВП на основании анализа ПЭС биообъекта
4.4 Реализация программной части СППР ОАВП на основании
анализа ПЭС биообъекта
Выводы по главе
ЗАКЛЮЧЕНИЕ
Приложение А. Акты о внедрении результатов диссертационной
работы
БИБЛИОГРАФИЧЕСКИЙ СПИСОК

СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
АВО - алгоритмы вычислительных оценок;
АКФ - автокорреляционная функция;
АЦП - аналого-цифровой преобразователь;
АЧХ - амплитудо-частотная характеристика;
БИХ-бесконечная импульсная характеристика; дэс -двойной электрический слой;
ИС - измерительная система;
ЛПР-лицо принимающее решение; мдо - минимальная длина описания;
МНК - метод наименьших квадратов;
ОАВП - оценка активности воспалительного процесса;
ПЭС - пассивные электрические свойства;
СКО - среднеквадратичное отклонение;
СЛАУ - система линейных алгебраических уравнений; СППР - система поддержки принятия решений;
ФНЧ - фильтр нижних частот;
ЦАП - цифро-аналоговый преобразователь;
ARX - авторегрессия с входом;
ARARX - авторегрессия с авторегрессией и входом; ARMAX- авторегрессия со скользящим средним и входом; КИХ (FIR) - конечная импульсная характеристика;
GRNN - обобщенно-регрессионная сеть;
ИСК (LMS) - наименьших средних квадратов;
MLP - многослойный персептрон;
ОЕ - выходная ошибка;
pH- показатель концентрации ионов водорода;
RBFN - радиально-базисная сеть;
РНК (RLS) - рекуррентный наименьших квадратов.

где тах и min максимальное и минимальное значения тестового воздействия х, р(х) - закон его распределения.
Импульсные реакции модели определяются как:

y{t)'QÄ-%))]dt
Кк) = —г

где Т - время наблюдения.
В процессе идентификации, с увеличением времени наблюдения уменьшается влияние шумов на значения определяемых hn(т), что позволяет достичь весьма высокой точности оценок. Переход от ортогональной структуры Гаммерштейна к классической осуществляется достаточно просто и практически без потери точности. Линейные динамические и нелинейные статические модели являются частными случаями параллельной структуры Гаммерштейна, поэтому они так же могут быть идентифицированы согласно (1.21), при этом для линейной модели п = 0, а для статической т = 0.
Идентификация нелинейных динамических моделей представленных в форме ортогональных многомерных функционалов Вольтерра-Винера реализуется [39] при использовании в качестве тестового воздействия белого шума. В этом случае [42] задача определения многомерных ядер сводится к вычислению многомерных кросскорреляцион-ных функций и их делению на значение одномерной автокорреляционной функции входного белого шума:
Т. П
v„ 1
x2n{t)dt

где v„(t, тя) - ядра ряда Вольтерра-Винера, Т - время наблюдения.