Введение к работе
Актуальность темы
Сон является неотъемлемой частью существования человека, занимающей более трети времени его жизни. Физиологически сон неоднороден. Он включает в себя различные функциональные состояния: фазы и стадии, чередующиеся в определенной последовательности и образующие циклы сна. Нарушение естественных циклов сна является признаком расстройств сна, которые в свою очередь могут иметь серьезные негативные последствия для организма, такие как сниженная работоспособность, утомляемость, нарушения деятельности сердечнососудистой и центральной нервной систем. Своевременное диагностирование расстройств сна может выявить и предупредить развитие многих серьезных заболеваний.
Для объективного изучения сна и его нарушений
используется полисомнография (ПСГ) - метод, включающий
параллельную регистрацию электрофизиологических сигналов,
таких как электроэнцефалограмма (ЭЭГ), электромиограмма
(ЭМГ) и электроокулограмма (ЭОГ). На основании анализа
показателей электрофизиологической активности человека
строится гипнограмма - график, отражающий
последовательность стадий и фаз сна.
Общепринятая система классификации стадий сна была разработана Рехчаффеном и Кейлсом (R&K) в 1968 году. Согласно данному методу, эксперт вручную анализирует записи электрофизиологических параметров, длительность которых в среднем составляет восемь часов. Для каждого тридцатисекундного отрезка записи последовательно рассчитываются характеристики, на основании которых принимается решение об отнесении рассматриваемого участка к той или иной стадии сна. Метод построения гипнограмм по правилам R&K является до сих пор наиболее распространенным, однако он имеет ряд существенных ограничений, а именно: фиксированная длина эпохи анализа, высокая трудоемкость, субъективность оценки. Применение автоматических методов
построения гипнограмм с возможностью последующего ручного анализа результатов позволит быстро и точно диагностировать различные расстройства сна. Поэтому в настоящее время существует необходимость в объективных автоматизированных методах распознавания стадий сна, которые в совокупности с прибором для регистрации электрофизиологических сигналов образуют систему для диагностики расстройств сна.
Большинство существующих систем предоставляют возможности по автоматизации отдельных этапов исследования, однако они не позволяют полностью автоматизировать процесс построения гипнограммы, тем самым не решая проблему высокой трудоемкости исследований. Недостатки существующих методов автоматического анализа сна, связанные с высокой вычислительной трудоемкостью, неравномерностью точности распознавания всех стадий и высокой зависимостью от набора обучающих записей не дают возможности утверждать, что существующие решения данной задачи могут быть эффективно использованы в реальном диагностическом процессе.
Таким образом, разработка методов и алгоритмов для решения задачи автоматического распознавания стадий сна и построения гипнограммы является актуальной.
Цель работы и задачи исследования
Целью данной диссертационной работы является разработка методов и алгоритмов обработки электрофизиологических сигналов для решения задачи автоматического распознавания стадий сна.
Для достижения поставленной цели в диссертационной работе были решены следующие основные задачи.
Проведено исследование и анализ существующих систем и методов решения задачи автоматического распознавания стадий сна.
Разработана функциональная структура аппаратно-программного комплекса, предназначенного для решения задачи автоматического распознавания стадий сна.
Разработаны методики предобработки записей
электрофизиологических сигналов, сегментации на участки относительной стационарности с учетом специфики задачи распознавания стадий сна.
Разработаны методы и алгоритмы параметризации электрофизиологических сигналов на основе быстрого преобразования Фурье и фрактальной размерности.
Разработаны методы и алгоритмы классификации параметров электрофизиологических сигналов и выявлены оптимальные параметры классификаторов позволяющие решать задачу автоматического распознавания стадий сна.
Выполнена практическая реализация разработанных методов и алгоритмов при создании аппаратно-программного комплекса.
Проведена апробация методов и алгоритмов на верифицированных базах данных записей электрофизиологических сигналов.
Научная новизна полученных результатов состоит в теоретическом обосновании, экспериментальном обеспечении и разработке эффективных алгоритмов и методов обработки и анализа электрофизиологических сигналов для решения задачи автоматического распознавания стадий сна.
В ходе выполнения диссертационной работы получены следующие научные результаты.
Разработан комплексный метод решения задачи автоматического распознавания стадий сна, состоящий из сегментации записей, параметризации сегментов и классификации стадий сна.
Предложена реализация адаптированного к задаче распознавания стадий сна метода разделения записей электрофизиологических сигналов на участки относительной стационарности, с использованием алгоритма непараметрической сегментации.
Предложено совместное использование спектральных показателей и фрактальных размерностей при формировании векторов характеристик сигнала. С
помощью анализа корреляционных матриц выявлены отведения и набор характеристик для классификации стадий сна.
Предложен набор параметров классификатора стадий сна на основе многослойного персептрона. Предложенный алгоритм классификации стадий сна на основе каскада многослойных классификаторов позволяет повысить равномерность распознавания всех стадий. Практическая значимость работы.
Разработанный аппаратно-программный комплекс для регистрации, обработки и анализа электрофизиологических сигналов, в совокупности с описанной в диссертационной работе методикой автоматической классификации стадий сна может быть использован для исследования физиологического состояния человека во время сна (Рис. 1).
'-'' [''.&&.'
*' /щ
Рис. 1. Аппаратно-программный комплекс для решения задачи автоматического распознавания стадий сна
Применение методов автоматического распознавания стадий сна позволяет значительно сократить время обработки записей электрофизиологических сигналов и повысить объективность проводимого анализа. Предложенные методики сегментации, расчета характеристик и классификации являются универсальными и позволяют расширить возможности применения системы для распознавания различных расстройств центральной нервной системы человека.
4. Разработанный аппаратно-программный комплекс,
благодаря его универсальности, может быть использован
для подобных исследований в других областях медицины и
техники, в практической и научной деятельности.
Достоверность полученных результатов подтверждается
результатами тестирования программы на верифицированных
базах данных, подтвердившими надежность разработанных
методов и алгоритмов.
В результате проведенных исследований получены и выносятся на защиту следующие основные научные результаты.
Применение алгоритма сегментации записей электрофизиологических сигналов на относительно стационарные участки позволяет избежать попадания переходных процессов в эпохи анализа и корректно рассчитать характеристики отрезков записей, что повышает достоверность построения гипнограмм.
Применение спектральных характеристик и фрактальных размерностей для параметризации электрофизиологических сигналов позволяет сформировать вектора признаков, оптимизированные для автоматических методов классификации, что повышает точность распознавания стадий сна.
Предложенный набор характеристик электрофизиологических сигналов, оптимальный набор параметров классификаторов и метод обработки статистических весов примеров обучающей выборки обеспечивают надежное использование системы для распознавания стадий сна и построения гипнограммы.
Разработанный метод последовательного применения многослойных классификаторов позволяет повысить равномерность распознавания всех стадий сна.
Апробации работы.
Основные положения и результаты диссертационной работы были представлены и обсуждены:
на ХШ, XIV, XV всероссийских межвузовских НТК студентов и аспирантов «Микроэлектроника и информатика» (Москва, 2006,2007,2008);
на Всероссийском молодежном научно-инновационном конкурсе - конференции «Электроника - 2006» (Москва, 2006);
на II Международной конференции «Человек и электромагнитные поля» (Саров, 2007);
на конкурсе молодежных инновационных предпринимательских проектов «День науки Зеленоград» (Москва, 2007);
на XX съезде Физиологического общества им. И.П. Павлова (Москва, 2007);
the 3rd, 4th Russian-Bavarian Conference on Bio-Medical Engineering, (Erlangen, Bavaria 2007, Moscow 2008).
Внедрение результатов работы
Созданный в рамках диссертационной работы аппаратно-программный комплекс, а также предложенные алгоритмы анализа электрофизиологических сигналов были внедрены:
в Государственном научном центре РФ - Институте медико-биологических проблем РАН для исследования особенностей физиологической адаптации, устойчивости к стрессовым ситуациям человека в условиях длительной изоляции в рамках экспериментов, проводимых по программе «Марс -105»;
в Научно-исследовательском центре Московской медицинской академии им. И.М. Сеченова для проведения исследований ночного сна здоровых и больных неврологического профиля в отделе патологии вегетативной нервной системы;
в ООО «Нейроботикс» при реализации коммерческого продукта «Соната»;
в лекционном курсе по дисциплине «Медицинские аппараты, системы и комплексы» для студентов МИЭТ, обучающихся на кафедре биомедицинских систем по
специальности 200401 «Биотехнические и медицинские аппараты и системы»; в учебно-исследовательской работе «Развитие технологической базы, методического и программного обеспечения, учебно-исследовательских работ и научно-инновационной деятельности в области разработки электронных биомедицинских изделий и аппаратуры», выполненной центром формирования компетенций «Электроника биомедицинских и экологических систем» МИЭТ в ходе Инновационной образовательной программы «Современное профессиональное образование для российской инновационной системы в области электроники» (2006-2007). Публикации. По теме диссертации опубликовано 12 научных работ, из них 2 статьи в журналах ВАК. Структура и объем работы.
Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложения, состоящего из трех частей. Общий объем работы составляет 153 страницы, в том числе 41 рисунок, 39 таблиц, 92 библиографических источника, 14 страниц приложений и 4 акта внедрения.
