Разработка и исследование методов формирования признаковых пространств в медицинских диагностических системах

• Автор: Цымбал, Владимир Георгиевич
• Шифр специальности: 05.13.16
• Научная степень: Кандидатская
• Год защиты: 1999
• Место защиты: Таганрог
• Количество страниц: 222 с. : ил.

1.1. Классификация методов функциональных клинических исследований

1.2. Анализ структуры автоматизированной диагностической системы

1.3. Постановка задачи выбора модели сигналов, получаемых при функциональнодиагностических исследованиях.
1.4. Анализ методов теории распознавания образов, применяемых для решения задач диагностики.

1.5. Постановка задачи оптимизации признаковых пространств

1.6. Статистические методы распознавания

1.7. Обзор методов оптимизации параметров распознающих систем в случае

параметрической априорной неопределенности

Выводы по материалам 1 главы

ГЛАВА 2 ИССЛЕДОВАНИЕ ХАРАКТЕРИСТИК МЕДИКОБИОЛОГИЧЕСКИХ СИГНАЛОВ

2.1. Объекты исследования.

2.2. Основные методы электроэнцефалографии и характеристики исследуемых сигналов
2.3. Обобщенный оператор преобразования исходного сигнала.
Выводы по материалам 2 главы
ГЛАВА 3 РАЗРАБОТКА АЛГОРИТМОВ НЕПАРАМЕТРИЧЕСКОГО РАСПОЗНАВАНИЯ СЛУЧАЙНЫХ ПРОЦЕССОВ.
3.1. Выбор признаков для распознавания
3.2. Оптимизация разделяющих поверхностей и принятие решений
3.3. Определение структурной схемы алгоритма распознавания
3.4. Исследование влияния вида и количества опорных распределений на эффективность классификатора
3.5. Исследование влияния времени обучения и распознавания на
эффективность классификатора.
Выводы по материалам 3 главы.2
ГЛАВА 4 МОДЕЛИРОВАНИЕ РАБОТЫ АЛГОРИТМОВ НЕИАРАМЕТРИЧЕСКОЙ КЛАССИФИКАЦИИ НА ЭВМ.
4.1. Методы моделирования устройств обработки сигналов, основанные на использовании современных пакетов программ для математического моделирования
4.2. Моделирование алгоритмов непарамстрического распознавания.
4.3. Оценка вычислительной сложности программы моделирования.
4.4. Сравнительный анализ показателей качества и сложности НКСП и алгоритма непараметрической классификации по метод к ближайших соседей
4.5. Оценка статистической погрешности результатов моделирования
Выводы по материалам 4 главы.
ГЛАВА 5 ЭКСПЕРИМЕНТАЛЬНАЯ ПРОВЕРКА ЭФФЕКТИВНОСТИ РАБОТЫ НЕПАРАМЕТРИЧЕСКОГО КЛАССИФИКАТОРА.
5.1. Объект исследования.
5.2. Метод экспериментального исследования характеристик случайных сигналов, основанный на использовании современных пакетов программ для компьютерной обработки сигналов.
5.3. Разработка структурной схемы экспериментальной установки
5.4. Определение показателей качества алгоритмов НКСП
5.5. Оценка погрешностей результатов измерений.
Выводы по материалам 5 главы.
ЗАКЛЮЧЕНИЕ.
ЛИТЕРАТУРА


Кроме того, для каждого такого сигнала указывается диапазон информативных частот и типовая амплитуда сигнала, конечно, лишь для тех методов, для которых перечисленные параметры определяются достаточно естественным образом, а не целиком зависят от характеристик вторичного преобразования сигнала. Анализ сингалов, характерных для различных меюдов функциональной диагностики, показывает, что для большинства методов эти сигналы относятся к классу случайных процессов той или иной разновидности. С учетом того, что в настоящее время наиболее широкое развитие получают методы, позволяющие оценивать состояние сердечнососудистой и центральной нервной систем человека, будем рассматривать в основном сигналы, получаемые при электроэнцефаюграфических и кардиографических исследованиях. Указанный выше факт обусловлен в основном быстрым развитием человекомашинных систем с высоким уровнем воздействия этих систем на параметры функционирования организма человека , . Особенно уязвимыми в данном случае являются центральная нервная и сердечнососудистая системы. Этим также обусловлено бурное развитие в последнее время алгоритмов и аппаратуры экспрессанализа состояния человека, применяемые в самых различных областях его деятельности спорт, медицина, исследование космического пространства, военное дело и т. При этом основной целю экспрессдиагностики является оценивания параметров функционирования сердца и ЦНС , 5, ,, . Анализируя данные табл. ЭЭГ и ЭКГ , , , можно сделать вывод, что многообразие исследуемых в данной работе сигналов заключено в группе случайных процессов векторные случайные процессы.