Содержание к диссертации
Введение
1. Оценка функционального состояния человека-оператора и ее техническое обеспечение 11
1.1. Анализ существующих подходов к оценке функционального состояния человека-оператора 11
1.2. Особенности идентификации биосистем по регистрируемым сигналам 15
1.3. Постановка задачи совместной обработки биосигналов 23
1.4. Анализ аппаратных средств съема и регистрации биосигналов 26
1.5. Анализ технической возможности регистрации биосигналов одновременно по многим каналам в реальном времени 34
Выводы к главе 1 39
2. Разработка метода совместной обработки биосигналов на основе модельных представлений 40
2.1. Анализ возможных подходов к построению моделей системы «сердце-сосуды» 40
2.2. Постановка задачи идентификации взаимосвязей биосистем 45
2.3. Разработка модельного уравнения пульсовой динамики 51
2.4. Бифуркационный анализ модельных уравнений 55
2.4.1. Бифуркационный анализ автономной системы 55
2.4.2. Бифуркационный анализ неавтономной системы 58
2.5. Разработка и исследование моделей взаимосвязанных подсистем 60
2.5.1. Исследование подходов к построению функции взаимосвязи 60
2.5.2. Формирование функции взаимосвязи на основе физических представлений 63
2.5.3 Реконструкция взаимосвязи на нейронной сети Вольтерра 67
2.5.4. Исследование адекватности модели 73
Выводы к главе 2 77
3. Разработка принципов построения, структуры и функциональной модели системы 78
3.1.Особенности схемных решений подсистемы регистрации и первичной обработки биосигналов 80
3.2. Реализация взаимодействия подсистем БТС 87
3.3. Разработка программно-алгоритмических средств управления БТС 103
Выводы к главе 3 108
4. Разработка макета биотехнической системы и его испытание 109
4.1. Программно-аппаратное обеспечение системы 109
4.2. Возможности обработки и визуализации синхронно зарегистрированных биосигналов 115
Выводы к главе 4 128
Заключение 129
Список использованных источников 131
Приложение 1 145
Приложение 2 148
- Особенности идентификации биосистем по регистрируемым сигналам
- Реконструкция взаимосвязи на нейронной сети Вольтерра
- Реализация взаимодействия подсистем БТС
- Возможности обработки и визуализации синхронно зарегистрированных биосигналов
Введение к работе
Актуальность исследования. Несмотря на высокий уровень автоматизации процесса управления сложными техническими объектами, главным элементом всех человеко-машинных комплексов остается человек-оператор. Деятельность человека-оператора характеризуется высоким психо-эмоциональным напряжением, что может негативно сказаться на качестве решаемых задач. Поэтому необходим постоянный контроль за физическим состоянием людей, управляющих сложными устройствами, оборудованием, комплексами. Более того, от состояния человека-оператора зачастую зависит не только эффективность работы технических объектов, но и безопасность людей (например, на железнодорожном транспорте, в авиации, при управлении ядерными реакторами). Таким образом, дистанционный мониторинг и анализ функционального состояния человека-оператора являются актуальными для многих сфер профессиональной деятельности, связанной с обслуживанием сложной техники.
В настоящее время имеются различные методики оценки состояния человека-оператора: по кожно-гальванической реакции, по частотно-амплитудному спектру сигналов ЭЭГ (электроэнцефалограмма), по вариабельности сердечного ритма. Для конкретных видов деятельности используют свои подходы. К примеру, на железной дороге в настоящее время внедряется телемеханическая система контроля бодрствования машиниста, которая обеспечивает непрерывный контроль его работоспособности по параметрам электрического сопротивления кожи запястья руки.
Однако одной из наиболее объективных и удобных для автоматизированной обработки является оценка функционального состояния по биосигналам сердечно-сосудистой системы (ЭКГ, пульсограмма и др.). Исследования, отраженные в работах ученых В.П. Казначеева, Р.М. Баевского, К.В. Судакова, А.А.Генкина, А.М. Дворянкина и других, показали, что одновременное использование биосигналов различного функционального происхождения позволяет значительно повысить точность и адресность ранней диагностики, а значит оперативно зафиксировать изменение функционального состояния человека. Более того, с позиций современной теории сложных систем наиболее значимыми индикаторами адаптационных возможностей сложной самоорганизующейся системы являются показатели взаимосвязей образующих их подсистем.
Поэтому практическая реализация дистанционного мониторинга и анализа функционального состояния человека-оператора связана с разработкой биотехнических систем, способных регистрировать биосигналы системы «сердце-сосуды» и производить их совместную аналитическую обработку с целью определения характеристик взаимосвязей, которые могут служить индикаторами адаптационных возможностей организма.
Разработке аппаратно-программных комплексов для медицинской диагностики посвящены работы российских ученых А.П. Кулаичева, Д.А. Прилуцкого, А.В. Плотникова, И.С. Явелова, К.В. Зайченко, В.М. Ахутина, Ю.П. Мухи, С.И. Щукина, Н.И. Калядина, П.Г. Кузнецова и др. Однако возможности аналитической обработки информации в известных комплексах ограничиваются методами статистического анализа каждого из регистрируемых биосигналов без учета их взаимосвязи и без построения моделей системы «сердце-сосуды».
Вместе с тем перспективным представляется модельный подход к обработке биосигналов кардиоцикла на основе методов реконструкции динамических систем, развиваемых в работах Г. Хакена (H. Haken), А. Стефановской (A. Stefanovska), С. Пинкуса (S. Pincus), Г.Г. Малинецкого, С.П. Курдюмова, В.С. Анищенко, Б.П. Безручко и др.
Практическое использование указанных методов для идентификации функционального состояния человека предъявляет дополнительные требования к характеристикам биотехнических систем. В частности, поскольку шумы биосигналов могут в значительной мере исказить результаты реконструкции, то повышенные требования должны предъявляться к помехозащищенности устройств и реализации методов подавления шумов. Кроме того, необходимо обеспечить синхронный съем биосигналов кардиоцикла для адекватной реконструкции (восстановления) фазового портрета системы и построения ее информационной модели.
Таким образом, изложенное выше определило актуальность разработки биотехнической системы, позволяющей проводить оценку функционального состояния человека-оператора по синхронно зарегистрированным и совместно обработанным биосигналам кардиоцикла на основе модельного представления системы «сердце-сосуды».
Целью диссертационной работы является разработка и создание биотехнической системы совместной обработки синхронно регистрируемых биосигналов на основе методов реконструкции и параметрической идентификации моделей системы «сердце-сосуды». Для достижения данной цели были поставлены и решены следующие задачи:
-
Разработка методики совместной обработки данных, полученных при регистрации многопараметрической биомедицинской информации, на основе модельного представления связанных подсистем.
-
Исследование диагностических возможностей предложенной методики совместной обработки биосигналов для оценки функционального состояния человека-оператора.
-
Разработка алгоритмов и программ управления синхронным съемом, регистрацией и обработкой данных.
-
Разработка программного обеспечения и макета биотехнической системы автоматизированной регистрации и совместной обработки информации.
Объектом исследования является биотехническая система регистрации и обработки разнородной информации на основе модельного представления связанных подсистем.
Методы исследования. В основе исследования лежат методы идентификации, нелинейной динамики, реконструкции модельных уравнений динамических систем, цифровой обработки сигналов. Для создания программного обеспечения системы применялась технология объектно-ориентированного программирования с использованием языка Borland Delphi.
Научная новизна полученных результатов:
-
Поставлена и решена задача совместной обработки разнородных биосигналов на основе реконструкции и параметрической идентификации моделей системы «сердце-сосуды», предложено ее аппаратно-алгоритмическое решение.
-
Разработана математическая модель пульсовой динамики сосудов, учитывающая связь с электрической активностью сердца, и проведено ее исследование с целью оценки функционального состояния человека-оператора.
-
Предложены схемотехнические и алгоритмические решения для автоматизированного уменьшения помех, возникающих при электрофизиологических исследованиях, на основе анализа возможных методов их устранения.
-
Разработаны алгоритмы и программное обеспечение биотехнической системы, позволяющие моделировать взаимодействие подсистем на основе синхронного съема и совместной обработки многопараметрической биомедицинской информации.
Связь работы с крупными научными программами и темами.
Диссертационная работа выполнена при финансовой поддержке:
-
Министерства образования и науки РФ:
Ползуновский грант 2003 года, тема «Мобильный измерительный комплекс для системной оценки состояния здоровья человека», шифр 24-1.15, соискатель являлся научным руководителем данного гранта;
аналитическая целевая программа «Развитие научного потенциала высшей школы (2006 – 2008 годы)», тема «Синхронизация сложных процессов и систем. Приложения к задачам биофизики».
-
Российского Фонда Фундаментальных Исследований (РФФИ):
-
проект 07-07-12066 «Разработка методов модельного анализа биосигналов с целью экспресс-диагностики» (2007-2009 годы).
-
Данная работа также выполнялась в рамках следующих НИР, проводимых по тематическому плану Министерства образования РФ: «Интеллектуальные технологии диагностики и анализа сложных систем» (2001 г.), «Разработка теории идентификации сложных систем естественного происхождения» (2002 г.), «Исследование принципов идентификации функциональных взаимосвязей сложных биосистем» (2003 г.), «Разработка и исследование нейросетевых методов идентификации с целью диагностики сложных систем (в медицине)» (2004 г.). Проведенные исследования соответствуют направлениям «Информационно-телекоммуникационные системы» и «Технологии живых систем» Перечня критических технологий федерального значения.
Практическая полезность полученных результатов.
На основе разработанной и реализованной биотехнической системы можно производить синхронный съем, регистрацию, совместную обработку многопараметрической биомедицинской информации с целью выявления взаимосвязей биосистем. Характеристики взаимосвязей служат дополнительным диагностическим критерием в задачах диагностики и оценки функционального состояния человека-оператора.
Предложена инженерная методика проектирования разработанной биотехнической системы иерархической структуры, включающая способ совместной обработки биосигналов на основе реконструкции и модельного представления биосистем.
Материалы диссертации используются в учебном процессе при проведении занятий по курсам «Компьютерное моделирование», «Автоматизированные информационно-управляющие комплексы», «Интегрированные системы», «Разработка программно-методических комплексов автоматизированных систем» на факультете электронной техники и приборостроения Саратовского государственного технического университета.
Предложенная в работе биотехническая система и алгоритмы совместной обработки биосигналов внедрены в медицинскую практику на кафедре пропедевтики внутренних болезней Саратовского государственного медицинского университета, что подтверждается соответствующим актом.
На защиту выносятся:
-
Методика совместной обработки многопараметрической биомедицинской информации на основе реконструкции и модельного представления связанных подсистем.
-
Метод идентификации функциональных связей в сложных биосистемах с помощью аппарата нейронных сетей на примере системы «сердце-сосуды».
-
Программно-алгоритмическое обеспечение биотехнической системы, позволяющее выполнять оценку функционального состояния человека-оператора на основе синхронного съема и совместной обработки биомедицинской информации.
-
Биотехническая система, позволяющая выполнить автоматизированную настройку в зависимости от уровня помех и реализовать совместную регистрацию и модельную обработку биосигналов кардиоцикла.
Апробация работы. Основные результаты работы докладывались на Международном симпозиуме «Интеллектуальные системы» (Саратов, СГТУ, 2004); 8-й Всероссийской научно-технической конференции «Состояние и перспективы измерений» (Москва, МГТУ им. Н.Э. Баумана, 2002); Международной конференции «Информационные технологии в образовании, технике и медицине» (Волгоград, ВолгГТУ, 2002); Международной конференции «Идентификация систем и задачи управления» (Москва, Институт проблем управления РАН, 2003); 6-й Всероссийской конференции «Студенты и аспиранты - малому наукоемкому бизнесу» (Ярославль, ЯрГТУ, 2003); 16, 18 и 20 Международных научных конференциях «Математичесике методы в технике и технологиях» (Санкт-Петербург, 2003; Казань, 2005; Ярославль, 2007); Всероссийской конференции «Человеческий фактор в управлении социальными и экономическими системами» (Пенза, 2006).
Программные продукты, разработанные в рамках диссертационной работы, представлялись на Международной выставке-ярмарке научно-исследовательских работ и инновационной деятельности студентов, аспирантов и молодых ученых вузов Российской Федерации (Новочеркасск, НТИ (ЮРГТУ), 2003) и 9-й Международной выставке молодежных научно-технических проектов «ЭКСПО – Наука 2003» (Москва, ВВЦ, 2003).
Разработанное программно-алгоритмическое обеспечение реализовано в автоматизированной системе БАРС, которая зарегистрирована в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам.
Личный вклад соискателя. Автором разработано модельное представление системы «сердце-сосуды» для оценки функционального состояния человека-оператора, нейросетевой метод идентификации функциональных связей в биосистемах, а также программно-аппаратное обеспечение макета биотехнической системы.
Публикации. По теме диссертации опубликовано 15 научных работ, в том числе 3 статьи в научных журналах из списка ВАК России, 3 статьи в сборниках научных трудов, 8 докладов в трудах международных конференций, 1 свидетельство о государственной регистрации программы для ЭВМ.
Структура и объем диссертации.
Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы и 2 приложений. Общий объем диссертации составляет 153 страницы. Диссертация содержит 36 рисунков, 4 таблицы. Список литературы включает 131 наименование.
Особенности идентификации биосистем по регистрируемым сигналам
Отличительной особенностью современных методов обработки сигналов является использование модельных представлений об объекте наблюдения и/или действующих помех. Типичным примером здесь является фильтр Калмана. Эффективность такого подхода обусловливается тем, что модель позволяет учесть априорную информацию об исследуемом объекте или процессе.
При этом цель компьютерной обработки сигнала состоит в получении максимально достоверного представления о всем физическом процессе, который несет наиболее полную информацию о состоянии объекта наблюдения. К примеру, если состояние сигнала в любой момент времени может быть описано вектором фазовых переменных, то нужно оценить не только значения наблюдаемой функции flj), но и саму модель, связывающую функции вектора фазовых переменных и, тем самым, определяющую совокупность возможных состояний (поведение) сигнала [28]. Модельная обработка подразумевает наличие или построение модели сигнала, процесса или объекта. Причем если раньше задача заключалась, в основном, в интерполяции данных эксперимента и получении функциональной зависимости наблюдаемых величин от времени, то сейчас разрабатываются новые подходы к созданию эмпирических математических моделей объектов и явлений в форме модельных дифференциальных или разностных уравнений [1, 4, 28].
Модельный подход весьма перспективен в медицинских приложениях, поскольку наиболее важная медико-биологическая информация о состоянии и динамике подсистемы содержится не в амплитудно-частотном спектре и структуре регистрируемых биосигналов (ЭКГ , сфигмограмме, пневмотахограмме, фонограмме и других), а в самих моделях исследуемых подсистем и характере их взаимосвязей. Таким образом, основная проблема -это получение модели по сигналу, регистрируемому в процессе наблюдения за системой.
В настоящее время наиболее перспективными являются алгоритмы, основанные на идентификации или реконструкции модельных уравнений тех или иных подсистем организма [19]. Отмечается, что выявление и исследование параметров, входящих в состав модельных уравнений, позволит идентифицировать патологии на ранних стадиях их возникновения.
С развитием информационных технологий особую актуальность приобретают неинвазивные методы исследования состояния организма человека или отдельных его органов. Как правило, они представляют собой способы автоматизированной идентификации патологий по результатам косвенных анализов и измерений без травматичного проникновения внутрь организма. Особую группу составляют неинвазивные методы, основанные на использовании биосигналов, таких, например, как сигналы электрической активности сердечной мышцы или сигналы механических пульсаций кровеносных сосудов. Особенность отмеченных биосигналов заключается в том, что они несут информацию одновременно о многих параметрах организма, но в неявном виде. Кроме того, совместная обработка нескольких сигналов различного биологического и физического происхождения от разных (но связанных) подсистем организма позволяет выявить патологии на ранних стадиях, когда уже нарушены взаимосвязи систем организма (регуляторные функции), но эти нарушения еще не приобрели выраженных патологических форм.
В этом отношении задача интерпретации биосигналов представляет особую задачу идентификации сложной системы, когда необходимо не только решить задачу структурной идентификации подсистем, но и решить задачу параметрической идентификации, включая идентификацию параметров взаимосвязей подсистем.
Рассмотрим особенности задачи идентификации сложных систем. В последнее время методы идентификации или реконструкции уравнений динамических систем по регистрируемым сигналам интенсивно развиваются в рамках нелинейной динамики [4]. При идентификации делается попытка ответить на вопрос, каковы параметры системы, породившей данный сигнал. Эти параметры могут помочь идентифицировать (распознать) систему, т.е. отличить ее от других.
Подобная проблема возникает и в задачах медицинской диагностики: необходимо отличить норму от различных патологий, используя доступные измерению характеристики (сердечный ритм, функцию внешнего дыхания, пульсовый сигнал и т.д.). Однако организация биологических систем крайне сложна и взаимообусловлена.
С другой стороны, эти системы относятся к классу нелинейных диссипативных систем, функционирующих в условиях самоорганизации. Изучением таких систем занимается синергетика. Синергетика опирается на фундаментальные законы природы, поэтому она оперирует с абстрактными математическими соотношениями, удовлетворяющими этим законам. Эти соотношения можно назвать модельными в том смысле, что они применимы к множеству систем различной природы: к системам физическим, биологическим, экономическим и др.
Абсолютное большинство этих модельных уравнений были получены задолго до возникновения самого понятия «синергетика» в связи с исследованием конкретных физических процессов. Но поскольку физические системы, описываемые модельными уравнениями, относительно просты и доступны для экспериментальных исследований, по сравнению с биологическими системами, то представляется обоснованным использовать их в качестве основы для идентификации сложных систем, удовлетворяющих основным положениям синергетики.
Согласно [103], при решении задачи идентификации необходимо определить класс систем J = \S}, класс входных сигналов U и понятие эквивалентности.
Методика определения указанных классов и понятие эквивалентности в значительной степени определяется априорной информацией об объекте исследования и целями идентификации. Применительно к задаче идентификации сложных систем естественного происхождения класс систем J = {S\ представляет модельные уравнения, допускающие решения в виде предельных циклов, поскольку рассматриваемые системы функционируют именно в этом режиме.
В отличие от традиционных методов идентификации, входные сигналы U в таких системах играют принципиально иную, второстепенную роль. Это обусловлено тем, что системы рассматриваемого класса, строго говоря, не являются динамическими в том смысле, что состояние любой динамической системы по определению можно однозначно определить, зная начальные условия и вид входного сигнала. Действительно процессы, происходящие в биологических системах, носят автоколебательный характер. Особенность этого режима заключается в том, что поведение системы не зависит от начальных условий. Системы подобного типа являются объектом интенсивного исследования в нелинейной динамике. Такие системы описываются простыми уравнениями, а их поведение весьма чувствительно к шуму. При наличии шума связь начальных условий с поведением системы не является однозначной, а это противоречит определению динамической системы. Следовательно, биологические системы не являются динамическими в общепринятом смысле. Отсюда следует, что методика идентификации сложных биологических систем естественного происхождения отличается от методики идентификации динамических систем.
Выбор входных воздействий осуществляется для определения степени адекватности полученной модели, а не для идентификации объекта по его реакции на выбранное входное воздействие. Поскольку поведение сложных систем может быть описано в терминах параметров порядка, то выбор и использование входных сигналов производится, исходя из степени их влияния на параметры порядка и с целью верификации полученной модели.
Для идентификации сложных систем более важно определить класс выходных сигналов. Естественно выбирать те сигналы, которые доступны для наблюдения и соответствуют тем фазовым переменным, которые присутствуют в модельных уравнениях. В этих случаях задача идентификации сложных систем сводится к параметрической идентификации при условии, что был обоснован выбор модельных уравнений.
Реконструкция взаимосвязи на нейронной сети Вольтерра
Второй подход был реализован на основе нейросетевой аппроксимации функции связи. При изучении нелинейных явлений нейронные сети могут выступать в качестве своеобразной имитационной модели изучаемого процесса для его анализа, диагностики, прогноза. Нейронные сети также могут быть использованы как инструмент для моделирования различных нелинейных систем, поскольку они представляют собой один из немногих прообразов организованной сложности, характерной для многих биологических, технических и социальных систем [64].
Под реконструкцией на нейронных сетях понимается процесс создания (восстановления) на основе априорно неполной информации о внутренней динамике сложной системы ее нейросетевой модели, которая позволяет моделировать ее состояние и/или поведение [22-24].
Заметим, что задачи реконструкции достаточно эффективно можно решать с помощью разных типов нейронных сетей. Однако для задач реконструкции систем с целью прогнозирования их поведения целесообразно использовать динамические нейронные сети [69]. Примером таких сетей является сеть Вольтерра.
Рассмотрим реконструкцию взаимосвязи на нейронной сети Вольтерра. Эта динамическая сеть позволяет производить нелинейную обработку последовательности сигналов e(t), задержанных относительно друг друга. Исследуем нейросетевую аппроксимацию неизвестной функции взаимосвязи с помощью сети Вольтерра у„ = -FC6M3„(e), где у„ — выходной сигнал сети Вольтерра в момент t„.
Выражение (2.13) описывает динамическую нейронную сеть с полиномиальной нелинейностью. Подбор весов с помощью алгоритма обратного распространения ошибки производится последовательно слой за слоем, причем эти процессы независимы друг от друга. Следовательно, увеличение как количества весов в слое, так и количества самих слоев в сети в незначительной степени сказывается на обусловленности задачи. Это дает возможность существенно увеличить длину L и порядок К системы при ее практической реализации.
Применим сеть Вольтерра для аппроксимации неизвестной функции связи в уравнении
Исходя из физических соображений, будем считать, что сеть Вольтерра преобразует последовательность задержанных сигналов электрической активности сердца в гармонический сигнал, воздействующий на сосуды, с частотой ю, в два раза превышающей частоту пульсации сосудов, т.е. yn = A-sm{a)n)
В экспериментальных исследованиях использовался принцип естественной симметрии ядер Вольтерра, вследствие которой все веса Щі,а,...ж имеют одни и те же значения для каждой комбинации индексов /1, /2,..., іК. Для идентификации неизвестной функции взаимосвязи была предложена сеть с параметрами L = 2 и К = 3
Неизвестные параметры а,-, определяемые в процессе обучения сети с использованием известных значений электрической активности сердца и требуемого значения выхода сети, соответствуют следующим ядрам Вольтерра: w0=a,; w,=a2; wm = w10 =а3/2; w00=a4; wu=a5;
Результат моделирования динамики пульсового сигнала показан на рис. 2.9 и 2.10.
В процессе обучения для нейронной сети Вольтерра, описываемой выражением (2.14), с учетом сигналов, представленных на рис. 2.2 и 2.6, были получены следующие значения коэффициентов
Анализ полученных соотношений показывает, что сеть Вольтерра является хорошим средством для создания реконструированных моделей.
Рассмотренный метод идентификации можно распространить на модельное представление обеих подсистем: сосудистой и сердечной.
Предложенная методика совместной обработки биосигналов позволяет на основе собранных статистических данных о значениях параметров Fcaau определить границы кластеров, соответствующих различным функциональным состояниям. Тогда идентификацию этих состояний можно проводить на основе принадлежности значений параметров Fce„JU определенному кластеру.
Диагностические возможности предложенного метода идентификации функциональных связей в сложных биосистемах исследовались на примере идентификации двух состояний организма человека: спокойном и напряженном. На рис. 2.11 и 2.12 показаны сигналы пульсовой активности и электрической активности сердца в покое и при физической нагрузке, где видно, что помимо увеличения частоты в определенной степени изменяется форма кривых.
При нагрузке существенно меняются значения параметров а, а и Д Если для состояния покоя в рассматриваемом эксперименте были вычислены следующие значения: а = 37,18; а = -9,52 и /7 = 6,51, то при нагрузке эти значения соответственно приняли значения 95,5; -8,31 и 1,07. Предложенный способ идентификации позволил различать эти два состояния.
Представленный метод идентификации связанных систем естественного происхождения основывается на фундаментальных понятиях синергетики и позволяет описать сложные системы модельными уравнениями. Сравнительно простой вид этих уравнений допускает их исследование как численными, так и приближенными аналитическими методами с целью выявления управляющих параметров и параметров порядка и использования их для ранней диагностики.
Экспериментальная апробация основных теоретических положений осуществлена с использованием разработанной и изготовленной биотехнической системы.
В качестве сложной системы исследовалась система «сердце-сосуды» человека. Временные ряды формировали регистрируемые биосигналы электрической активности сердца и механического перемещения стенок сосудов [50, 51, 86].
Дальнейшие исследования должны быть связаны с совершенствованием методики определения функций взаимосвязей и их влияния на управляющие параметры.
Реализация взаимодействия подсистем БТС
Передача данных между подсистемами может выполняться различными способами, в частности, с использованием беспроводной технологии передачи данных на малые состояния Bluetooth.
Bluetooth - это универсальный протокол маломощного радио ближнего диапазона, работающий в нелицензируемой индустриальной, научной и медицинской полосе частот. Это позволяет совмещать соединения для данных и голосовой связи. Максимальная скорость передачи и потенциальный диапазон Bluetooth показаны в табл. 3.1 наряду с данными для других радиотехнологий передачи.
Для реализации данной технологии налажен массовый выпуск необходимых микросхем, что позволяет существенно снизить стоимость системы. Так, в качестве модема беспроводной связи выбран Модуль Bluetooth АРМ8562. Это компактный Bluetooth модуль (ЧИП), который содержит приемопередатчик, схемы согласования, контроллер, EEPROM память. Стандартный формат данных позволяет реализовать технологии открытых систем. Эта технология обеспечивает условия обмена данными с различными системами.
Кроме того, из стандартных портов ввода-вывода компьютера для подключения цифровых портативных устройств можно использовать параллельный, последовательный порт или порт USB. У последовательных портов достаточно низкая скорость передачи, а двунаправленный параллельный порт фактически невозможно применять для ввода информации, так как он один и к нему практически всегда подключено печатающее устройство. Кроме этого появляются компьютеры, у которых стандартные последовательный и параллельный порты отсутствуют, но в наличии имеются большое количество USB портов.
Порт универсальной последовательной шины (USB) предназначен для обеспечения обмена данными между компьютером и периферийными устройствами в условиях динамического изменения конфигурации системы. USB 1.1 поддерживает две скорости передачи данных: 12 Мбит/сек для высокоскоростных устройств и 1.5 Мбит/сек для низкоскоростных устройств. USB в полной мере поддерживается современными операционными системами, начиная с Windows 98 и Windows 2000. Таким образом, для подключения устройства регистрации к компьютеру оптимальным решением является разработка адаптера для USB.
Для подключения USB контроллера USBN9604 к микроконтроллеру AT89S8252 выберем режим "Multiplexed Mode" Mode 1: (Mode 1 подсоединен к шине GND, Mode 0 подсоединен к напряжению +5В). В этом режиме используется двунаправленная шина адреса/данных ADJ...ADO, сигнал CS -выбора микросхемы, RD - чтение, WR - запись, ALE -сигнал записи адреса (активный уровень логическая «1»). Временные диаграммы работы интерфейса в этом режиме приведены на рис. 3.6.
Для подключения USB контроллера USBN9604 к микроконтроллеру S3C44B0X выберем режим "Non-Multiplexed Mode" Mode 0: {Mode 1 и Mode 0 подсоединены к шине GND). Временные диаграммы работы интерфейса в этом режиме приведены на рис. 3.7.
Опишем действия, которые необходимо выполнить в программе микроконтроллера для того, чтобы USB устройство было «распознано» операционной системой.
Итак, чтобы система увидела устройство, подключенное к шине USB, необходимо пройти процедуру Enumeration process. Вкратце процедуру "Enumeration" можно описать так: USB хаб, к которому подключено устройство, уведомляет Хост о подключении. После истечения 100 мс (пока питание не станет стабильным) Хост инициирует команды разрешения порта и выдает "Reset" на протяжении 10 мс. После снятия сигнала «Сброс7» порт переходит в состояние "Default state" (с 0 адресом). Через "Default adress" Хост начинает читать дескриптор устройства ( Device descriptor"), для определения максимальной величины пакета данных ("Data payload"). После этого Хост вычитывает дескриптор конфигурации (? Configuration descriptor"). В нем устройство возвращает Хосту: Configuration Descriptor, Interface Descriptors, Endpoint Descriptors и дескриптор, характерный для класса, к которому принадлежит это устройство.
Итак, есть две задачи: подключить USBN9604 и реализовать "Enumeration process".
Для обеспечения более простого переноса кода программы с одного типа микроконтроллера на другой, в проірамме определены функции чтения (USB_RD()) и записи (USB_WR()) байта в USBN9604. Таким образом, аппаратные особенности подключения микросхемы USBN9604 к микроконтроллеру проявляются только в коде этих двух функций, а основной код, реализующий логику работы USB устройства от аппаратной части независим.
Например, для микроконтроллера AT89S8252 функция записи определена так: «Meflne USB_WR(U_ADDR, UJDATA) ((XBYTE [U_ADDR \ 0x8000] = U_DATA))».
Изначально предполагалось, что работа с контроллером USB будет выполняться на основе обработки прерывания, но так как необходимо, чтобы точки съема данных с АЦП не мопги быть сдвинуты во времени, то проверку и обработку событий USB контроллера было решено обрабатывать между точками съема данных с АЦП.
Далее при разработке USB устройства необходимо правильно сформировать дескрипторы этого устройства. Дескриптор - это блок данных, хранящихся в устройстве, который описывает, как работает устройство и его взаимосвязь с системой (Хостом). Хост запрашивает дескрипторы устройства во время "Enumeration process" для того, чтобы выделить соответствующие данному устройству ресурсы и загрузить соответствующий драйвер.
По запросу Get Descriptor Хост получает три типа дескрипторов: Device, Configuration и String. Тип запрашиваемого дескриптора Хост указывает в старшем байте поля wValue. При запросе дескриптора конфигурации, устройство возвращает дескриптор Конфигурации, дескриптор Интерфейса и дескриптор Конечных точек (Endpoin descriptors). Полное описание дескрипторов содержится в файле dsc cd.h. На рис. 3.9 приведено описание Device и Configuration descriptor.
После включения питания USB контроллер необходимо проинициализировать: Init_USBN9604(). Для этого очищаем регистр статуса (устанавливаем, что находится не в режиме выдачи дескриптора, репорта и мультипакета). Сбрасываем регистр номера конфигурации. Инициируем программный сброс, устанавливая бит "SR.SV в "1" в регистре "MCNTRL". Устанавливаем, что микросхема будет генерировать прерывание сигналом низкого уровня на выводе INTR (биты "ШТОС" в регистре "MCNTRL"), а также включаем опорный источник на 3,3В (бит "VGE" в регистре "MCNTRL").
Возможности обработки и визуализации синхронно зарегистрированных биосигналов
Методика первичной обработки данных включает следующие этапы: удаление артефактов, удаление тренда, цифровую фильтрацию. Далее на втором уровне иерархии осуществляется реконструкция модельных уравнений и идентификация состояния человека с учетом взаимосвязей различных биосигналов.
На рис. 4.3 изображены синхронно зарегистрированные биосигналы с помощью различных датчиков: фонендоскоп электродинамический (FON), электретный датчик пульса (ELEK), отведение ЭКГ (у2), оптоэлектронный датчик пульса на пальце (PULl_AOD), электродинамический датчик пульса (DIN), отведение ЭКГ (уЗ).
Перед проведением совместной обработки, полученные в результате регистрации прибором биосигналов, данные необходимо обработать с помощью алгоритмов статистической обработки. Полная статистическая обработка в практических задачах содержит следующие этапы [43]:
1) первичная обработка данных;
2) статистический анализ и обработка;
3) вычисление статистических характеристик. Содержание каждого этапа показано на рис. 4.4.
При регистрации могут возникать сбойные точки, называемые артефактами. Так, наиболее часто встречаются артефакты, вызванные кратковременным разрывом в цепи обследуемый - электрод - провод -прибор регистрации [34]. При разрыве цепи происходит резкое изменение потенциала, вследствие чего сигнал на входе АЦП приближается к верхней границе динамического диапазона. Таким образом, точки находящиеся вблизи границы динамического диапазона АЦП можно считать недостоверными и их следует отбраковывать.
Большинство случайных процессов, встречающихся на практике, имеют нестационарный характер [5, 97]. В некоторых случаях нестационарные случайные процессы, соответствующие реальным физическим явлением, имеют особенности, которые упрощают их анализ и измерение: иногда данные удается представить в виде случайного процесса X\t), вес выборочные функции которого имеют вид
Возможность представления выборочных функций в формах (4.3) и (4.4) означает, что можно выделить во временном ряде тренд, т.е. некоторую детерминированную составляющую ряда, которая описывает плавные или периодические изменения его характеристик (например, среднего и дисперсии); после удаления тренда остается лишь случайная компонента временной последовательности, которая обладает свойством стационарности. Очевидно, что, если удается произвести операцию удаления тренда, то анализ нестационарной временной реализации значительно упрощается и сводится к исследованию ее случайной стационарной составляющей классическими методами. Именно поэтому анализ временных рядов любой природы необходимо начинать с процедуры сведения к стационарности [97]. Главным этапом в процедуре сведения к стационарности является выделение тренда; его удаление сводится к вычитанию тренда из исходного временного ряда. В ходе работы было опробовано несколько методов удаления трендов.
Классы реализаций процессов могут быть различными: нестационарные относительно математического ожидания, дисперсии или двух этих характеристик одновременно; локально-стационарные, стационарные и т.д. Нестационарные изменения на некоторых интервалах изменяются медленно, поэтому в этом случае можно использовать методы, пригодные для исследования стационарных процессов [97].
Разделение записей нестационарных процессов на составляющие путем выделения трендов, периодических составляющих и стационарного случайного остатка. Типичная экспериментальная реализация в общем случае может быть представлена а виде суммы: X(t)= A(t)+Ns(t)+S(t)+Ct (4.5) где A(t) - стационарная составляющая автоколебательного процесса, среднее по времени значение которой равно нулю, Ns(t) - компонента, появляющаяся при нестационарности процесса и отвечающая за «плавание» среднего уровня, которое является обычно очень низкочастотным, S(t) - аддитивный шум, С - постоянная составляющая сигнала X(i).
На втором этапе статистической обработки проводится обработка стационарного случайного остатка и определение параметров тренда и параметров периодической составляющей.
Основной процедурой при обнаружении тренда является непараметрический Т-критерий [17]. Обнаружение тренда основано на вычислении t - текущего числа инверсий Tt, где i=l,2,...N, по контролируемой функции и определении минимального и максимального из значения при заданном уровне значимости а по формуле
Реализация принадлежит к локально-стационарному случайному процессу, если при вычислении инверсий Tt последовательно, в произвольном порядке, выполняются условия (4.7), (4.8) и (4.9) или любые из двух условий (4.7), (4.8) и (4.7), (4.9), т.е. в реализации имеются интервалы стационарности и интервалы нестационарности.
После обнаружения тренда проводится его удаление. Для удаления тренда были опробованы метод скользящих средних и метод аппроксимации тренда полиномом n-го порядка. Рассмотрим особенности их применения.
Метод скользящих средних. Если априорная информация о характере тренда отсутствует, то для его удаления используют метод скользящих средних. Этот метод основан на представлении нестационарной части временного ряда a(tj в виде последовательности средних значений исходного ряда, вычисленных на коротком временном интервале, центр которого «скользит» вдоль всего ряда. По сути дела, проводится процедура усреднения последовательности xytj в плавающем окне, в результате чего ряд скользящих средних a{t,) = X\tt), являющийся трендом, ведет себя более гладко, чем исходный. Далее вычитанием Щ,) из исходного ряда осуществляется переход к стационарной последовательности
