Математическая модель и алгоритм распознавания стабилографических сигналов при исследовании опорно-двигательного аппарата человека

• Автор: Акжигитов, Рамиль Фяритович
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Пенза
• Количество страниц: 151 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ

Глава 1. Современное состояние стабилографии

1.1 Область применения стабилографии в современной медицине

1.2 Существующие подходы к интерпретации стабилограмм

1.3 Обзор подходов к информационному описанию сигналов

1.4 Обзор методов классификации многомерных наблюдений

1.5 Обзор современных стабилографических приборов

Выводы по главе

Глава 2. Теоретические аспекты анализа стабилографических сигналов

2.1 Разработка модели формирования стабилографического сигнала

2.2 Выделение дрейфа и периодических колебаний центра давлений
2.3 Идентификация авторегрессионных параметров
стабилографического сигнала
2.4 Определение диагностической ценности авторегрессионных
параметров стабилографического сигнала
2.5 Классификация характерных типов стабилографических сигналов
Выводы по главе
Глава 3. Разработка алгоритма распознавания
стабилографических сигналов
3.1 Особенности обработки первичной измерительной информации
3.2 Описание параметров стабилографических сигналов
3.3 Особенности распознавания стабилографических сигналов
3.4 Основной алгоритм распознавания стабилографических сигналов
3.5 Перспективы дальнейшего развития и результаты внедрения
Выводы по главе
Глава 4. Экспериментальное определение оптимальных условий
распознавания стабилографических сигналов
4.1 Исследование модели формирования стабилографического сигнала

4.2 Исследование особенностей дрейфа центра давлений и определение оптимальных условий его выделения
4.3 Исследование особенностей идентификации двухканальной авторегрессионной модели стабилографического сигнала
4.4 Анализ признакового пространства, образованного параметрами авторегрессионной модели стабилографического сигнала
4.5 Определение оптимальных параметров метрического классификатора и оценка качества классификации
Выводы по главе
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
Приложение А.
Акты о внедрении результатов диссертационной работы
ВВЕДЕНИЕ
Актуальность работы. В последние годы для решения задач диагностики заболеваний человека и оценки состояния его здоровья все в более широких масштабах применяются информационно-вычислительные системы, реализующие алгоритмы анализа биоэлектрических сигналов. Использование автоматизированных методов идентификации и оценки информативных параметров сигналов позволяет снизить влияние субъективных факторов и повысить на этой основе точность диагностирования.
Нарушения двигательной активности и равновесия, вызванные расстройством опорно-двигательного аппарата человека, зачастую не обнаруживаются путем традиционной экспертной оценки на основе изучения отдельных симптомов таких нарушений. Кроме того, экспертные оценки не позволяют объективно дифференцировать имеющиеся двигательные нарушения и, следовательно, получать комплексную оценку их объёма и степени выраженности. Характеризуя метод экспертных оценок в целом, следует признать его недостаточно объективным и не отвечающим потребностям современной медицины. Среди методов, пригодных для исследования функции равновесия, таких, как основанная на регистрации движений головы кефалография или магнитометрия, выделяется метод стабилографии, удачно сочетающий достаточно высокую информативность с широкой доступностью, удобством и оперативностью применения. Расширению области применения стабилографии в клинической практике препятствует сложность интерпретации записанных стабилограмм, связанная с несовершенством применяемого для этого математического аппарата.
Для описания стабилограммы используются более десяти различных численных параметров. Как правило, разброс этих параметров довольно велик, что не позволяет с приемлемой достоверностью отличить норму от патологии и тем более определить конкретные заболевания системы равновесия. Некоторого повышения верности интерпретации стабилографических сигналов удаётся достичь благодаря учету условных оценок, получаемых с помощью дополнительной априорной информации о пациенте, такой как пол,
Наиболее простым в вычислительном отношении, но в тоже время и наименее эффективным среди метрических методов является метод сравнения с прототипом. Он применяется, например, тогда, когда распознаваемые классы отображаются в пространстве признаков компактными геометрическими группировками. Для классификации неизвестного объекта находится ближайший к нему прототип, и объект относится к тому же классу, что и этот прототип. При использовании этого метода так же возникают проблемы, связанные с выбором метрики, от которой может существенно измениться пространственная конфигурация распределения объектов.
Проблема понижения качества классификации при значительном повышении размерности пространства описаний, несмотря на увеличение количества используемой полезной информации, в той или иной степени свойственна любому алгоритму обучения. В случае метрических алгоритмов классификации она проявляется в снижении различия расстояний между анализируемыми наблюдениями, так как согласно закону больших чисел, сумма п слагаемых в вычисляемой метрике при и—>со всегда стремится к некоторому фиксированному пределу. В результате добавление новых признаков может не только не увеличить, но и понизить качество классификатора.
Принцип действия алгоритмов вычисления оценок (АВО) [62] состоит в вычислении оценок сходства, характеризующих “близость” распознаваемого и эталонных объектов по системе ансамблей признаков, представляющей собой систему подмножеств исходного признакового пространства. Класс АВО доводит идею использования признаков до логического конца: поскольку не всегда известно, какие сочетания признаков наиболее информативны, то в АВО степень сходства объектов вычисляется при сопоставлении множества сочетаний признаков, входящих в описания объектов.
Теоретически возможности АВО не уступают возможностям любого другого алгоритма классификации. Однако расширение потенциальных возможностей наталкивается на большие трудности их практической реализации, особенно на этапе построения алгоритмов данного типа.