Математические модели обработки и классификации сигналов многоканальных электрокардиографических приборов

• Автор: Лукьянова, Наталия Владимировна
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Москва
• Количество страниц: 128 с. : ил.

Оглавление
ВВЕДЕНИЕ
Глава I. АНАЛИЗ СОВРЕМЕННЫХ ЧИСЛЕННЫХ МЕТОДОВ СОКРАЩЕНИЯ РАЗМЕРНОСТИ И КЛАССИФИКАЦИИ СИГНАЛОВ

1.1. Анализ современных методов сокращения размерности и сжатия сигналов

1.2. Анализ современных методов классификации

1.3. Анализ существующих методов обработки и анализа

многоканальной ЭКГ

1.4. Обобщение результатов анализа и постановка задачи

исследования

Глава . СОКРАЩЕНИЕ РАЗМЕРНОСТИ МНОГОКАНАЛЬНОГО СИГНАЛА.

2.1. Структура обрабатываемого сигнала.

2.2. Метод главных компонент.
2.3. Преобразование КаруненаЛоэва .
2.4. Обобщенный алгоритм Хебба .
2.5. Адаптивный анализ главных компонент с использование латерального торможения X
2.6. Оценка количества главных компонент одноканального сигнала.
2.7. Сокращение размерности многоканального сигнала
2.8. Результаты и выводы.
Глава III. КЛАССИФИКАЦИЯ СОКРАЩЕННЫХ СИГНАЛОВ
МНОГОКАНАЛЬНЫХ ЭКГ
3.1. Особенности классификации многоканальной ЭКГ.
3.2. Классификатор на основе анализа главных компонент
3.3. Статистический одноклассовый классификатор ЬУГЮ .
3.4. Карты самоорганизации
3.5. Результаты и выводы
Глава IV. РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА.
4.1. Постановка задачи
4.2. Описание исследовательского модуля
4.3. Описание диагностического модуля
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ И ВЫВОДЫ
СПИСОК ЛИТЕРАТУРЫ


Разработанный диагностический и исследовательский комплекс внедрен в отделении неинвазивной аритмоло-гии НЦССХ им. А.Н. Бакулева РАМН. Апробация работы. Основные результаты диссертационной работы докладывались: на XII ежегодной сессии НЦССХ им. А.Н. Бакулева РАМН Всероссийской конференции молодых ученых (Москва, , секция «Интеллектуальное обеспечение медицины»); на 2-м Российском конгрессе «Клиническая электрокардиология» (Суздаль, ); на XIII ежегодной сессии НЦССЧ им. А.Н. Бакулева РАМН Всероссийской конференции молодых ученых (Москва, , секция «Интеллектуальное обеспечение медицины»); на 1-м Всероссийском симпозиуме «Вычислительная электрофизиология сердца - достижения и перспективы» в рамках 3-го Всероссийского Съезда аритмологов (Москва, ); на П Международной научно-практической конференции «Наука в современном мире» (Таганрог, ). Публикации. По теме диссертации опубликовано печатных ра-бот[1-], в том числе в журнале, рекомендованном ВАК РФ по данной специальности. Глава I. Сокращением размерности данных называется процесс уменьшения анализируемого множества данных, до размера, оптимального с точки зрения решаемой задачи и используемой аналитической модели. Сокращение размерности может потребоваться, когда данные избыточны в информационном плане, т. Это позволяет сократить время и вычислительные затраты на решение задачи. Другой случай связан со слишком большими вычислительными затратами, требуемыми для обработки множества данного размера. Эта ситуация типична для алгоритмов, вычислительная сложность которых экспоненциально растет с увеличением числа наблюдений (т. Если в первом случае достаточно просто отобрать из всего множества столько призна-ков(атрибутов) и записей, сколько надо, то во втором, нужно сократить исходное множество до такого объема, который обеспечил бы реализуемость его обработки невзирая на потерю полезной информации. Поэтому во втором случае предъявляется очень жесткие требования по отбору данных: сокращение объема должно происходить за счет наименее ценных данных. Например, сначала множество сокращается за счет наименее значимых признаков, затем за счет похожих записей и т. Существует несколько направлений сокращения размерности множеств данных: сокращение числа признаков (атрибутов), сокращение числа записей и сокращение числа разнообразных значений определенного признака. В большинстве случаев решающим фактором за или против исключения признака является его значимость. На практике, определяют значимость всех признаков, исключают все признаки, значимость которых ниже заданного порога. Также следует исключать коррелирующие признаки. Подмножество данных, полученное в результате сокращения размерности, должно унаследовать от исходного множества столько информации, сколько необходимо для решения задачи с заданной точностью, а вычислительные и временные затраты на сокращение данных не должны обесценивать, полученные от него преимущества. Аналитическая модель, построенная на основе сокращенного множества данных, должна стать проще для обработки, реализации и понимания, чем модель, построенная на исходном множестве. Решение о выборе метода сокращения размерности основывается на априорном знании об особенностях решаемой задачи и ожидаемых результатах, а также ограниченности временных и вычислительных ресурсов. Сжатие данных — алгоритмическое преобразование данных, производимое с целью уменьшения их объёма. Применяется для более рационального использования устройств хранения и передачи данных. Сжатие основано на устранении избыточности, содержащейся, в исходных данных. Подобная избыточность обычно устраняется заменой повторяющейся последовательности ссылкой на' уже закодированный фрагмент с указанием его длины. Другой вид избыточности связан с тем, что некоторые значения в сжимаемых данных встречаются чаще других. Сокращение объёма данных достигается за счёт замены часто встречающихся данных короткими кодовыми словами, а редких — длинными (энтропийное кодирование). Сжатие данных, не обладающих свойством избыточности (например, случайный сигнал или шум, зашифрованные сообщения), принципиально невозможно без потерь.