Содержание к диссертации
Введение
ГЛАВА 1 Современное состояние теоретического и аппаратного обеспечения исследований сна 15
1.1. Исторические предпосылки и сущность задачи исследований сна 15
1.2. Типы сигналов и характеристики регистрируемых физиологических показателей 17
1.2.1. Электроэнцефалограмма 17
1.2.2. Движения глаз (электроокулограмма, ЭОГ) 18
1.2.3. Мышечная активность (электромиограмма, ЭМГ) 19
1.2.4. Электрокардиограмма 19
1.2.5. Дыхание 19
1.2.6. Кожно-гальваническая реакция 20
1.2.7. Уровень содержания кислорода в крови (Sp02) 20
1.3. Оборудование, применяемое для проведения полисомнографических исследований 21
1.3.1. Общие сведения 22
1.3.2. Каналы ЭЭГ, ЭМГ, ЭОГ и ЭКГ 23
1.3.3. Канал рекурсии дыхания 25
1.3.4. Канал положения тела 25
1.3.5. Диктофон 26
1.3.6. Регистрация данных, временная разметка записи 26
1.3.7. Измерение амплитудно-временных и спектральных параметров ЭЭГ-сигнала 27
1.3.8. Программное обеспечение 28
1.4. Расчётные физиологические показатели, применяемые для решения задачи распознавания стадий сна 28
1.5. Классификация стадий сна согласно стандарту R&K 31
1.5.1. Стадия бодрствования (W) 32
1.5.2. Первая стадия сна (S1) 33
1.5.3. Вторая стадия сна (S2) 34
1.5.4. Третья стадия сна (S3) 35
1.5.5. Четвертая стадия сна (S4) 36
1.5.6. Стадия REM 36
1.5.7. Сочетание стадии REM и других стадий сна 37
1.5.8. Время движения 37
1.5.9. ЭЭГ-активации 38
1.5.10. Сводная таблица признаков стадий сна , 41
1.6. Выводы 42
ГЛАВА 2 Методы распознавания стадий сна и построения гипнограммы 44
2.1. Анализ задачи классификации стадий сна и построения гипнограммы 44
2.2. Обзор литературы по вопросам задачи распознавания стадий сна и построения гипнограммы 44
2.3. Общие принципы работы, классификация и базовые подходы, применяемые для распознавания данных многопараметрической диагностической системы 50
2.3.1. Использование методов кластерного анализа для решения задач классификации 50
2.3.2. Применение корреляционного анализа для решения задач классификации 56
2.3.3. Нейросетевой подход к решению задачи распознавания стадий сна 58
2.4. Использование аппарата нечёткой логики для решения задач классификации 61
2.5. Методы обработки данных, получаемых с помощью многопараметрической диагностической системы 67
2.5.1. Методы математической обработки электроэнцефалограмм 67
2.5.2. Применение периодом етрического анализа для исследования распределения значений размаха амплитуд сигналов ЭЭГ и поиска специфических графоэлементов 70
2.6. Выводы 72
ГЛАВА 3 Решение задачи автоматического распознавания стадий сна и построения гипнограммы 75
3.1. Сущность предлагаемого метода автоматического распознавания стадий сна и построения гипнограммы 75
3.2. Обучение и дообучение на статистических данных 77
3.3. Распознавание стадий сна и верификация полученной гипнограммы 81
3.4. Представление функций принадлежности с помощью сплайнов 82
3.5. Задание стандартов построения гипнограммы с распознаванием 85
3.6. Полный алгоритм автоматического распознавания стадий сна и построения гипнограммы 87
3.7. Выводы
ГЛАВА 4 Разработка программной модели 91
4.1. Структурная схема реализации алгоритма работы системы автоматического распознавания стадий сна и построения гипнограммы 91
4.2. Структурные схемы программы 94
4.3. Особенности программной реализации 95
4.3.1. Структура классов 95
4.3.2. Структуры данных 98
4.3.3. Пользовательский интерфейс 99
4.4. Реализация метода автоматического построения гипнограммы в составе программно-аппаратного диагностического комплекса «Энцефалан 131-01» 106
4.5. Выводы 108
ГЛАВА 5 Результаты экспериментальных исследований 110
5.1. Методика проведения экспериментальных исследований 110
5.2. Распознавание по полному набору вторичных показателей 112
5.3. Распознавание с обучением по одному исследованию ИЗ
5.4. Распознавание по выборочному набору вторичных показателей 114
5.5. Исследование влияния логического вывода на достоверность распознавания 115
5.6. Исследование влияния способа оценки расстояния в пространстве признаков на достоверность распознавания 116
5.7. Исследование влияния на достоверность распознавания индивидуальных особенностей экспертов и состава выборки исходных статистических данных 118
5.8. Распознавание с использованием максимального набора вторичных показателей 120
5.9. Эксперименты с данными из базы PhysioNet 121
5.9.1. Общая информация 121
5.9.2. Обучение и распознавание на одном файле 122
5.9.3. Исследование sc4002e0 122
5.9.4. Исследование sc4012e0 123
5.9.5. Исследование sc4102e0 124
5.9.6. Исследование sc4112e0 124
5.9.7. Исследование st7022j0 125
5.9.8. Исследование st7052j0 125
5.9.9. Исследование st712 ljO 126
5.9.10. Исследование st7132j0 126
5.9.11. Обучение на всех, распознавание всех 127
5.9.12. Обучение на всех, распознавание каждого 127
5.9.13. Обучение на каждом, распознавание каждого 128
5.10. Выводы 129
Заключение 130
Список литературы
- Типы сигналов и характеристики регистрируемых физиологических показателей
- Обзор литературы по вопросам задачи распознавания стадий сна и построения гипнограммы
- Обучение и дообучение на статистических данных
- Особенности программной реализации
Введение к работе
Двустворчатые моллюски (Bivalvia) являются важной компонентой донных сообществ арктических морей и играют важную роль в питании рыб, а также в рационе такого важного с коммерческой точки зрения вида ракообразных, каким является камчатский краб, Paralithodes camtschaticus (Tilesius, 1815) (Баканев и др., 1997; Елецкая, Штрик, 2006; Кузьмин, Гудимова, 2002; Анисимова, Манушин, 2003). Кроме того, некоторые массовые виды двустворчатых моллюсков являются ценными промысловыми объектами (Погребов и др., 1975, Гуревич и др., 1984).
История изучения фауны донных беспозвоночных и, в частности, двустворчатых моллюсков баренцевоморского берега Кольского полуострова достаточно длительна. Можно выделить следующие этапы отечественных исследований:
1) Период до 70-80-х гг. 19-го века, характеризуется небольшим количеством экспедиционных исследований и научных работ по изучению двустворчатых в Баренцевом море. Основное внимание при этом уделяется рыбам и морскому зверю, промысел которых к этому моменту уже активно велся в прибрежных поселениях (Подгаецкий, 1890; Соколов, Руднев, 2007).
Наиболее заметной вехой в этот период стала научно-промысловая экспедиция 1859-61 гг. под руководством Н.Я.Данилевского (Адров, 2002; Алексеев, Никоноров, Пономаренко, 2002).
2) Начальный период (конец 19-го-начало 20-го века). Начиная с 1870 г., к Белому и Баренцеву морю направляются первые экспедиции, организованные в значительной мере по инициативе Н.М.Книповича (Дробышева, 2002;
Пашкова, 2002). Основные направления деятельности определяются в 1897 г Н.М.Книповичем в "Проекте научно-промысловых исследований у берегов Мурмана" (Бойцов, 2002). Исследования ведутся практически по всей акватории Баренцева моря, в том числе с охватом и прибрежных районов.
Однако донные сообщества на глубинах менее 50 м практически не попадают в внесли работы К.М. Дерюгина (1915, 1924, 1928), которые заложили основу для дальнейшего изучения фауны, особенностей распределения и оценки биомассы беспозвоночных, в том числе и- двустворчатых моллюсков, Баренцева и Белого морей российскими, а затем и советскими исследователями. При этом наименее изученными признавались биоценозы верхней су б литорали (Дерюгин, 1915).
3) Второй этап отечественных исследований приходится на конец 20-х начало-40-х гг., когда большое внимание стали уделять изучению Северного
Морского Пути и освоению ресурсов Баренцева морей (Гринкевич, Дробышева, 2002). В результате многочисленных советских экспедиций в этот период появляется целый ряд работ (Гурьянова,- 1929; Зенкевич, 1929; Филатова, 1938; Лейбсон, 1939; Гурьяноваи др., 1930; Броцкая, Зенкевич, 1939), посвященных исследованиям донной-фауны преимущественно1 мягких грунтов или литорали.
Большое внимание в этих- работах уделяется оценке численности бентоса этого района, в том числе и двустворчатых моллюсков как его составной части.
Однако этими работами были практически не охвачены участки верхней сублиторали, где проведение исследований с помощью традиционных орудий сбора (дночерпателей, драг и тралов) затруднено.
4) В период Второй Мировой Войны и в послевоенное время исследования в Баренцевом море были почти полностью прекращены и возобновились только с конца 40-х гг. В это время появляется самая крупная отечественная работа по фауне и флоре северных морей под редакцией Н.С. Гаевской (1948), включающая, и определительные таблицы по двустворчатым моллюскам, а также включающая некоторые сведения по распространению и биологии этой группы.
5) С середины 50-х гг. началась активная экспансия советского промыслового флота в Мировой океан, что сопровождалось, проведением широкомасштабных научно-исследовательских работ за пределами вод, прилегающих к берегам СССР; что сразу сказалось на интенсивности изучения прибрежной зоны. Баренцева моря: этому району стали уделять существенно меньше внимания. Однако к этому моменту у исследователей появляются новые технические возможности (акваланг) для изучения верхней сублиторали, что позволило совершить качественный скачок в изучении донных сообществ на изобатах менее 30 м. Таким образом, использование легководолазной техники позволило начать изучение участков побережья, ранее не затронутых исследованиями. Наибольший вклад в этом направлении внес М.В. Пропп. По его словам к концу 1950-х гг. "затруднения, связанные с применением драг и дночерпателей на твердых грунтах, и невозможность использовать суда для работы на малых глубинах привели к тому, что в изучении верхней сублиторали Мурмана со времен Дерюгина не произошло серьезных сдвигов" (Пропп, 1966). Открывшиеся с внедрением акваланга возможности привели к тому, что в течении нескольких лет были обследованы и довольно подробно описаны сообщества в ряде губ (Пропп, 1962, 1964, 1966, 1968).
6) Период с начала 70-х гг. по конец 80-х гг. характеризуется довольно активными работами по изучению распределения массовых двустворчатых моллюсков в Баренцевом море, продолжением исследований на акватории некоторых губ и Кольского залива и быстро развивающимися промыслово-биологическими исследованиями, направленными на расширение ресурсной базы отечественного рыболовства. Так, благодаря работам с использованием подводных аппаратов были открыты скопления исландского гребешка (Chlamys islandica Muller, 1776) в Святоносском районе, а также выполнены оценки плотности распределения некоторых других массовых двустворчатых моллюсков в мористой части Восточного Мурмана (Гуревич и др., 1984, 1988; Денисенко, 1989). Усилиями ПИНРО, ВНИРО и ММБИ в общих чертах выяснено распределение мидии {Mytilus edulis Linnaeus, 1758), модиолуса (Modiolus modiolus Linnaeus, 1758) и исландского гребешка в губах и заливах Кольского полуострова (Антипова и др., 1984, Садыхова, Буяновский, 1983), а также различных аспектов биологии некоторых массовых двустворчатых моллюсков (Антипова, 1974; Горомосова, Шапиро. 1977; Денисенко, 1979, 1990; Денисенко, Савинов, 1984; Кулаковский, Кунин, 1987; Кулаковский, Шамарин, 1987; Садыхова, Буяновский, 1983). І Кроме того, в этот период наступает момент анализа и обобщения
результатов предыдущих лет по изучению губ Мурманского побережья (Пропп и др., 1975, Погребов и др., 1975, Пропп, 1976).
7) Период (с 1992 г. по 2002 г). Во время распада СССР и некоторое время после этого события наблюдался общий спад в научной активности, в том числе и в изучении двустворчатых моллюсков Баренцева моря. Работы по изучению прибрежных сообществ были практически полностью свернуты. В результате по большей части Мурманского побережья исследования, столь успешно начатые в 1960 г. были резко прекращены. Во многом это было обусловлено тем, что проводить научно-исследовательские экспедиции с введением новых экономических отношений становится крайне затруднительно. Большая часть исследований в этот период осуществляется на промысловых судах, работающих в открытой части моря. Это сильно отразилось на проведении научных исследований, что отчасти компенсировалось обилием накопленного в советские годы материала, а также инерционным продолжением некоторых советских программам. Поэтому на фоне сворачивания исследований в эти годы выходит целый ряд работ по биологии и распределению моллюсков (Анисимова, Фролова, 1994; Герасимова, Манушин, 1997; Гуревич, Яковлев, 1992; Манушин, 1997; Менис, Оганесян, 1997; Садыхова, Ляхин, 1994; Сухотин, Кулаковский, Максимович, 1992; Шамарин, Погребов, 1990; Denisenko, 1990; Maximovich, Sukhotin, Minichev, 1996; Sukhotin, Kulakowski, 1992), которые, однако, были посвящены исследованиям преимущественно на отдельных участках побережья Баренцева моря.
8) Текущий период (2002-2006 гг.) характеризуется возросшим интересом изучению прибрежной зоны вообще и двустворчатых моллюсков в частности. Во многом это было обусловлено резким ростом запасов интродуцированного в 1960-х гг. в Баренцево море камчатского краба. В связи с высокой численностью этого активного хищника встал вопрос о возможных последствиях на аборигенную фауну (Герасимов, Кочанов, 1997; Кузьмин, Гудимова, 2002; Соколов, Штрик, 2003; Бритаев и др., 2006а). Кроме того, активизация транспортировки нефтеуглеводородов через акваторию Баренцева моря и планируемое освоение шельфовых месторождений нефти и газа привело к резкому росту исследований бентоса как в открытом море (Золотарев, 2006; Berenboim et al., 2007), так и в прибрежной зоне (Соколов, Штрик, 2003; Милютин, 2003; Бритаев и др., 20066; Соколов, Соколова, 2006; Соколов, Штрик, 2006). Учитывая важную роль массовых двустворчатых моллюсков в морских экосистемах изучению их биологии стало уделяться все больше внимания.
При этом в последнее время возрастает интерес к двустворчатым моллюскам и со стороны рыбной промышленности. Связано это с тем, что ресурсы промысловых беспозвоночных Баренцева моря относительно немногочисленны. Наиболее значимыми промысловыми видами в этом регионе являются камчатский краб Paralithodes camtschaticus (Пинчуков, Беренбойм, 2003, Соколов, 2005), северная креветка Pandalus borealis Kroyer, 1838 (Иванов и др., 1988, Соколов, 1999) и исландский гребешок Chlamys islandica Muller, 1776 (Золотарев, Шевлева, 2001). При этом на долю камчатского краба и исландского гребешка в настоящее время приходится свыше 99 % всего вылова беспозвоночных в Баренцевом море.
В связи с таким малым разнообразием эксплуатируемых объектов промысловых беспозвоночных представляется чрезвычайно важным выявление новых, потенциально промысловых видов, их изучение и разработка рекомендаций по их рациональной эксплуатации. Особенно это актуально для прибрежных вод Кольского полуострова. Из трех перечисленных выше основных промысловых видов беспозвоночных северная креветка — осваивалась промыслом исключительно за пределами 12-мильной зоны. Камчатский краб, хотя и добывается в прибрежной зоне, однако основные его промысловые скопления в российской части Баренцева моря в период, разрешенный для промысла также держатся за пределами территориальных вод, а прибрежные районы являются преимущественно участками концентрации молоди и самок (Соколов, Милютин, 2008). Поселения исландского гребешка ранее промыслом осваивались как в прибрежной, так и в мористых частях. Однако в настоящее время, добыча этого вида осуществляется преимущественно в одном районе за пределами 12-мильной зоны - на Святоносском поселении (Золотарев, 2003).
Таким образом, эксплуатируемые ресурсы традиционных промысловых видов прибрежных вод Кольского полуострова очень ограниченны. Оживление прибрежного промысла беспозвоночных, и увеличение его объемов, возможно, скорее, за счет новых видов, до сих пор не осваивавшихся промыслом. Наиболее перспективными в этом отношении представляются иглокожие (морские ежи) (Промысловые беспозвоночные..., 1998) и двустворчатые моллюски (Антипова и др., 1984).
При этом в течение длительного времени значение двустворчатых моллюсков, как потенциала расширения и диверсификации промысла беспозвоночных в Баренцевом море не упоминалась, или же они указывались в качестве малоценных объектов (Беренбойм, 1990). Примечательно, что даже в настоящее время двустворчатые моллюски, за исключением исландского гребешка, иногда не рассматриваются в качестве потенциально промысловых (Промысловые беспозвоночные..., 1998).
По своим характеристикам к группе промысловых и условно-промысловых моллюсков в Баренцевом море могут быть отнесены четыре вида крупных двустворок: исландский гребешок (Chlamys islandicd), мидия {Mytilus edidis), модиолус (Modiolus modiolus) и циприна исландская (Arctica islandicd).
Наибольшее значение для промысла из этих видов является исландский гребешок - широко распространенный в Баренцевом море двустворчатый моллюск, обитающий на глубинах до 500 м на грунтах, варьирующих от скальных до илисто-песчаных с примесью гальки и ракуши (Денисенко, 1987, 1989). В российской части Баренцева моря известны несколько промысловых скоплений гребешков. В 1982-1987 гг. (Денисенко, 1987, 1989; Денисенко и др., 1995; Иванов, Зайцева, 1992), было оконтурено несколько основных поселений морского гребешка в Баренцевом море: прибрежье Семи Островов, прибрежье о-ва Нокуев, на отмелях к северо-востоку и востоку от мыса Святой Нос, а также на Южно-Канинском мелководье. Масштабный промысел этого вида в российских водах Баренцева моря начался в начале 1990-х гг. и в середине 1990-х гг. достиг ежегодного изъятия в 10-13 тыс. т (Золотарев, Шевлева, 2001). К началу 2000-х гг. вылов этого вида в российской экономической зоне сократился до 6,5 тыс. т (Золотарев, 2003), а в 2006 г. был введен мораторий на промышленный вылов этого вида в связи с негативными тенденциями в поселениях гребешка в основных районах добычи. Столь интенсивное освоение гребешка послужило причиной активного исследования биологии и состояния запасов1 этого вида. Вместе с тем, исследования проводились преимущественно на поселениях занимавших обширные банки в открытом море, где возможен промысел с использованием среднетоннажных судов и промысловых гребешковых драг. В тоже время значительные запасы гребешка, рассредоточенные вдоль береговой линии на небольших глубинах, которые могут являться резервом для пополнения поселений открытого моря и быть объектом прибрежного рыболовства, практически не исследуются. Это обусловлено, прежде всего, невозможностью проведения на этих глубинах стандартных исследований - съемок с использованием донного трала, драги и дночерпателя, которые не эффективно работают на твердых грунтах, широко распространенных в прибрежной зоне (Пропп, 1968). В этой связи, практически единственным способом изучения сублиторальной зоны остается водолазная съемка (Милютин, 2003; Соколов, 2004), однако в связи со сложностью организации и обеспечения таких работ, после начала перестройки и сворачивания большинства научных программ в СССР этот метод использовался нечасто.
Другие виды двустворчатых моллюсков практически не задействованы на настоящий момент промыслом, в связи с чем, их изучением в последние 15-20 лет практически не уделялось внимания.
Модиолус {Modiolus modiolus Linnaeus, 1758) — широко распространенный в Баренцевом и Белом морях двустворчатый моллюск, обитающий преимущественно на твердых грунтах в верхней сублиторали. Наибольшей плотности его скопления достигают на глубинах более 10 метров. Модиолус способен образовывать скопления со значительной биомассой, поэтому часто является одним из руководящих видов в донных сублиторальных сообществах. До настоящего времени ресурсы этого вида не осваиваются.
Мидия {Mytilus edulis Linnaeus, 1758) — самый массовый двустворчатый моллюск, заселяющий твердые грунты литорали и верхней сублиторали Баренцева и Белого морей. До последнего времени этому виду уделялось, пожалуй, наибольшее внимание исследователей, так как он рассматривается как один их наиболее перспективных объектов марикультуры в северных морях России (Бородин, 1987; Буяновский, 1987; Воробьева, 2003; Галкина и др., 1982; Кулаковский, 2000; Кулаковский, Кунин, 1982, 1983; Луканин,. 1987; Максимович, Сухотин, 2005; Садыхова, 1990; Kulakowski, 1990), поскольку он уже с успехов культивируется во многих водоемах — во многих странах Европы и в России (Домаскин, 1990; Евдонин, 1987; Иванов, 1985; Иванов, 1987; Иванов, Кракатица, Резников, 1977; Переладов, 1987; Садыхова, 1973; Халаман, Кулаковский, 1987; Яхонтова, 2003; Andrew, 1968; Bohle, 1970; Hempel, 1970; Jamieson, Francis, 1986; Lubet, 1969; Mason, 1969,1971; Meixner, 1971; Theisen, 1968).
Циприна исландская {Arctica islandica Linnaeus, 1767) - крупный двустворчатый моллюск, обитающий по обеим сторонам Северной Атлантики (Weinberg, 1995). В европейских водах добыча этого вида ведется в небольших масштабах. В российской части Баренцева моря, несмотря на высокую биомассу этого вида в отдельных районах, промысел не ведется. В тоже время у атлантического побережья Северной Америки циприна является важным промысловым видов, вылов которого в период с 1976 г. по 1996 г. вырос с 2,5 тыс. т до 20 тыс. т в год (Weinberg, 1995; 1998).
Одним из фактором, сдерживающих освоение перечисленных выше видов двустворчатых моллюсков в российских водах, является недостаточная степень их изученности.
Типы сигналов и характеристики регистрируемых физиологических показателей
Электроэнцефалографические сигналы являются наиболее значимыми при интерпретации полисомнографического исследования (Зенков Л.Р. 1996). ЭЭГ представляет собой электрический потенциал, генерирующийся в результате взаимодействия между корой с глубинными структурами головного мозга, в частности, с таламусом. Регистрируются сигналы с двух центральных (centrocephalic) и двух височных (occipital cortical) отведений: используются центральные (СЗ, С4), правые височные электроды (01, 04) и референты, установленные на правом и левом ухе (А2, А1). Обычно анализируется только левое отведение. Однако, в случае присутствия артефакта, сомнении в достоверности сигнала, производится сравнение с правым отведением.
Способ определения активности коры зависит от используемых отведений. Чаще всего используется следующая классификация: 1 Дельта-ритм - самая медленная активность, менее 4 Гц. 2 Тетта-ритм - активность в диапазоне 4-8 Гц. 3 Альфа-ритм - активность в диапазоне между 8 и 14 Гц. 4 Бета-ритм — активность выше 14 Гц.
Иногда применяется термин «гамма-активность» - с диапазоном частот 30-45 Гц. Высокочастотные сигналы (High frequency bands - HFB) выше 50Гц также последнее время часто встречаются в литературе. Такие ритмы, как полагают, связанны с когнитивными процессами и возбуждением. 1 HFB1-51-100 Гц 2 HFB2-101-200 Гц 3 HFB3-201-500 Гц
ЭОГ регистрирует разность потенциалов между роговицей (условно считается положительным полюсом) и сетчаткой (условно считается отрицательным полюсом) глаза; движение глаза изменяет ориентацию диполя. Выделяют несколько характерных движений глаз: движение глаз при бодрствовании (WEM, waked eye movement) — саккадированные движения глаз (быстрое перемещение глаз от одной точки фиксации к другой) и моргание; медленное движение глаз {SEM, slow eye movement) - медленные, преимущественно в горизонтальной плоскости, движения глаз в 1-й стадии сна; быстрое движение глаз {REM, rapid eye movement) — характерные для парадоксального сна движения глаз во всех плоскостях, чаще всего происходящие в виде вспышек.
Таким образом, ЭОГ является важным атрибутом при классификации стадий сна, о чём будет подробнее рассказано далее.
Сигналы ЭМГ, регистрирующие двигательную мышечную активность, являются вторыми по значимости для построения сомнограммы. Их важность обусловлена тем, что в процессе сна мышечная активность снижается. Во время парадоксального сна (REM) мышечная активность достигает своего минимума. Однако ценность данной информации несколько сомнительна из-за высокой подверженности артефактам.
Мышечные артефакты могут влиять на энцефалографические электроды. Также на некоторые каналы может влиять ЭКГ, но она легко распознаётся по QRS-комплексам.
Электрокардиограмма (ЭКГ) - графическое представление разности потенциалов, возникающей во время работы сердца на поверхности тела, регистрируемой аппаратом под названием электрокардиограф в процессе электрокардиографии. Является одним из основных методов диагностики сердечно-сосудистых заболеваний.
Обычно на ЭКГ можно выделить 5 зубцов: Р, Q, R, S, Т. Иногда можно увидеть малозаметную волну U. Зубец Р отображает работу предсердий, комплекс QRS - систолу желудочков, а сегмент ST и зубец Т - процесс реполяризации миокарда.
Регистрация и обработка данных о дыхании также очень важны, поскольку одной из основных причин проведения исследования сна является исключение диагноза апноэ (остановки дыхания) во сне. Дыхательное усилие регистрируется при помощи специального пояса с пьезоэлектрическим либо ртутным датчиком, измеряющим нагрузку.
Обзор литературы по вопросам задачи распознавания стадий сна и построения гипнограммы
За последние несколько десятилетий, одновременно с ростом производительности процессоров, увеличением объёма носителей информации, снижением цен на вычислительную технику и прогрессом в распознавании образов и экспертных системах в сфере обработки психофизиологических данных вообще и полисомнографических исследований в частности, было сделано несколько значимых достижений. Субъективность визуального анализа длительных записей, а также его монотонность и сложность подтолкнули разработчиков диагностических систем к автоматизации этого процесса уже на ранних этапах внедрения вычислительной техники в практику исследования сна. Первые попытки автоматизации процесса сегментации длительных исследований основывались на различных вариантах стандарта Демента и Клейтмана (в основе которого лежало предположение о том, что движения глаз являются критериями, которые позволяют разделить сон на стадии). В частности, попытки классифицировать одноминутные эпохи в соответствии с классификацией Люмиса с помощью period analysis были предприняты уже в 1967 году в работе Itil, Shapiro, Fink, Kassebaum. Джонсон и др. продемонстрировали возможность использования спектрального анализа для исследования ЭЭГ на различных стадиях, что было в последствии использовано Ларсеном и Валтером в технологии автоматического распознавания, основанной на многофакторном дискриминантом анализе. Несколько исследователей продемонстрировали комбинированные способы, которые включали предварительную аналоговую обработку сигнала в сочетании с компьютерными иерархическими методами принятия решений. Смит и др. показали осуществимость автоматизированной оценки, а Смит и Каракан продемонстрировали 83%-е совпадение автоматизированной оценки с ручной оценкой для 9 взрослых здоровых пациентов в соответствии с критериями стандарта Демента и Клейтмана. Размер эпохи был равен 60 секундам, а стадия I и стадия БДГ были объединены. Такой подход также требовал установки пороговых значений для каждой записи в отдельности. Gaillard и Tissot также продемонстрировали 83% -е совпадение с визуальной оценкой для 1-минутных эпох и с применением стандарта R&K. В любом случае, хороший показатель достоверности может сильно зависеть от качества исходной записи. Martin и др. описали технологию распознавания по шаблонам, позволяющую достигать 80.8% сходства на 5 здоровых испытуемых (с использованием 30-секундных эпох). Не так давно Stanus и др. представили метод, основанный на обнаружении волн и байесовском анализе с применением стандарта R&K с 20-секундными эпохами. В результате испытаний на 30 пациентах метод продемонстрировал 75% совпадений для здоровых пациентов и 70% совпадений для пациентов с депрессивными расстройствами и бессонницей. Kuwahara с соавторами представил метод, продемонстрировавший более чем 89% совпадений на однородных наборах данных. Ray и др. разработали экспертную систему с хорошими показателями, но только для ограниченного набора входных данных. Schaltenbrand и др. разработали нейросетевую модель автоматизированного распознавания стадий сна с результатами от 84,5% совпадений для нормальной группы до 81% совпадений для группы с бессонницей (длительность эпохи была 30 секунд). Gath и Bar-On доказали осуществимость метода, основанного на нечёткой кластеризации сегментов переменной длины. Подобный метод кластерного анализа был описан на примере кошачьей ЭЭГ в работе.
Анализ литературы и публикаций за последнее время позволил выделить несколько методов, представляющих научный и практический интерес.
В 1988г. Stanus и Lacroix представили метод компьютеризированного распознавания стадий сна, основанный на спектральном анализе, БПФ и авторегрессионных моделях. Разработанная система позволяла достичь 75% совпадений и была апробирована в госпитале Эразма в Брюсселе в 1988 году.
Также в 1988г. в Японии группой исследователей под руководством Kuwahara был продемонстрирован автоматизированный интервально-гистограммный метод анализа стадий сна человека в реальном времени. Алгоритм осуществлял полноценное построение гипнограммы. Была получена достоверность до 89% совпадений. Процесс построения гипнограммы был разбит на 2 этапа - распознавание шаблонов и паттернов на физиологических сигналах с помощью спектрального анализа и построение гипнограммы на основе этих данных. В процессе апробации были выявлены проблемы с распознаванием I, II и REM стадий сна.
В 1989г. интересные результаты по распознаванию К-комплексов (признаков 2-й и 3-й стадий сна) были опубликованы в США группой Jansen, Dawant, Meddahi и др. В описанном методе были использованы методы из областей нечёткой логики и систем искусственного интеллекта.
В 1996 Schaltenbrand с соавторами в Институте исследований нейробиологии и психиатрии (Руфаш, Франция) продемонстрировали возможности по применению нейронных сетей к распознаванию стадий сна.
В 2000-м году в Сеуле (Южная Корея) была защищена диссертация на тему «Автоматический анализ стадий сна с применением совместных рассуждений на основе правил и фактов», автор Haejeong Park. В предложенном методе построения гипнограммы использовался расчёт вторичных показателей, вывод на основе базы правил (по стандарту R&K), коррекция результата с применением фактов, полученных в результате анализа действий врача. В работе использовались методы нечёткой логики, экспертных систем, метод Фудзимори (Fujimori method).
С 1998-го года в Германии ведутся работы по системе QUISI. В 2000-м Gfullner и Siemon опубликовали результаты этой работы под названием «Исследования с полностью автоматизированной системой анализа сна по ЭЭГ QUISI». Система представляет собой полноценный программно-аппаратный комплекс, позволяющий осуществлять длительный мониторинг ЭЭГ по двум фронтальным отведениям и автоматизированное построение гипнограммы с применением нейросетевых технологий.
Обучение и дообучение на статистических данных
Пусть Т — это вектор, содержащий значения всех вторичных показателей, которые могут быть рассчитаны для каждой эпохи исследования е (e = l,E). t — j-pL вторичный показатель, рассчитанный для эпохи е. Пусть также известна стадия сна sc(s = hS), однозначно определённая экспертом для текущей эпохи. В таком случае вектор значений вторичных показателей однозначно определяет точку, соответствующую текущей эпохе, в пространстве признаков. Для достоверного описания всего множества наборов вторичных показателей, соответствующих каждой из стадий сна, обратимся к кластерному анализу. Поскольку обучение осуществляется на предоставленных экспертом данных, стадия сна для каждого из имеющихся векторов вторичных показателей известна априори. Это позволяет нам говорить о том, что кластеры заранее определены, и задача распознавания в дальнейшем будет сведена к отнесению вновь получаемых векторов входных данных к тому или иному кластеру (той или иной стадии сна). Для того, чтобы это стало возможным, необходимо описать кластеры в пространстве состояний так, чтобы в дальнейшем можно было сделать заключение о принадлежности очередного вектора. Суть вновь предложенного метода заключается в том, чтобы для каждой координаты (вторичного показателя) сформировать такую функцию, которая позволяла бы оценить степень принадлежности элемента к кластеру по каждой из координат. По своему смыслу данную функцию можно считать функцией принадлежности из аппарата нечёткой логики. Обучение на экспертных данных сводится к построению этой самой искомой функции.
В литературе встречались описания вариантов построения функций принадлежности на основании статистических данных (Алтунин А.Е., Семухин М.В., 2000; Pal S.K., Majumaer D.D., 1978), однако в этих вариантах не предусматривались возможности использования всего множества статистических значений для вычисления значения функции принадлежности в текущей точке. Известные методы предполагали использование аналитического представления функции принадлежности, что само по себе является проблематичным, либо расчёт значений функций принадлежности с учётом других статистических характеристик распределения, а также, зачастую эмпирический подбор коэффициентов, влияющих на внешний вид функции распределения. Предлагаемый метод использует все доступные данные и не нуждается в подборке коэффициентов, что обеспечивает более высокую достоверность и удобство использования.
В процессе обучения, для оценки степени принадлежности значения у -го нормированного параметра одному из множества эталонных состояний (стадий сна) выполняется построение функций принадлежности на основе вычисления нормированной величины, обратной квадрату евклидова "расстояния" от этого значения до каждого из статистических значений параметров для S-ои стадии сна: "W-JM-. (3-2) y\lSj /max где tSj - значение параметра, для которого оценивается степень принадлежности, t"Sjl - эталонное значение параметра, полученное в результате i го статистического замера, S — номер стадии сна, у - номер параметра {j = \,М ), М - количество параметров, Ns - количество эпох, классифицированных как стадия сна S (S = 1,L), L - количество стадий сна, /j{tSj) - искомая функция принадлежности для у-го параметра и S-ой стадии сна. Нормированные значения tSj или t Sjl соответствуют диапазону 0-н 1.
Пример функций принадлежности, сформированных для 0 tSj 1 , и используемых при их построении эталонных статистических значений параметров представлен на рисунке 3.1.
Для оптимизации и повышения быстродействия алгоритма функция Q может быть вычислена однократно и в дальнейшем аппроксимирована с помощью сплайна, что избавляет от необходимости иметь доступ ко всей статистике и производить полный перерасчёт значений функций принадлежности.
Данную оценку можно считать соответствующей методу взвешенного попарного среднего (Weighted Pair Group using arithMetic Averages - WPGMA) для определения расстояния между кластерами, но с той особенностью, что один из кластеров состоит из всего лишь одного элемента. Данный подход имеет существенное преимущество перед другими статистическими методами построения функций принадлежности в том, что в расчёте каждой функции принадлежности учитывается абсолютно весь набор статистической информации.
В рамках метода предусматривается также возможность уточнения функции принадлежности по мере поступления новых данных, что позволяет производить в процессе работы дообучение: где Q (tSj) - уточнённое значение функции 0,{tSj) , Q(tSj) - значение функции принадлежности для значения параметра tSj до получения новых эталонных результатов измерений, Ns — количество вновь полученных результатов замера значения j-го параметра для эпох стадии сна S, i Sjl — значение параметра, полученное в результате і-го замера из новой серии замеров.
Особенности программной реализации
В связи с этим было решено проводить исследования по следующему плану: 1) общая оценка работы метода распознавания стадий сна и построения гипнограммы; 2) проверка гипотезы о положительном влиянии маскирования параметров на качество распознавания; 3) исследование влияния способа оценки расстояния в многомерном пространстве на качество распознавания; 4) исследование влияния индивидуальных особенностей экспертов на качество распознавания; 5) исследование влияния объёма обучающей выборки на качество распознавания.
Необходимо отметить, что под достоверностью распознавания подразумевается процентное отношение количества эпох, для которых стадия сна, определённая экспертом, совпала со стадией сна, определённой автоматически, ко всему количеству рассматриваемых эпох.
Описание эксперимента. В качестве обучающей выборки использовались все имеющиеся исследования. Распознавание проводилось для всех имеющихся исследований. Маскирование не использовалось.
Результаты эксперимента. Суммарная достоверность (сложение признаков) при обработке всей выборки (7 файлов, 6893 эпохи) с обучением на ней же составила 65.43%. Описание эксперимента. В качестве обучающей выборки последовательно использовалось каждое из имеющихся исследований. Распознавание проводилось для каждого из имеющихся исследований. Маскирование не использовалось.
Как и следовало ожидать, наилучшие результаты были получены при построении гипнограммы для того же исследования, по которому производилось обучение (центральная диагональ таблицы 3, выделена курсивом). Исследования 6 и 7, построенные более квалифицированным экспертом А, позволили получить сравнительно высокую достоверность распознавания для исследований, построенных экспертом В (за исключением исследования 3), а также друг для друга. Стоит отметить, что неожиданно высокие результаты были получены при использовании исследования номер 4, что отчасти обусловлено его длительностью, которая позволяет построить функции принадлежности с высокой степенью достоверности.
Интересным представляется 3-е исследование, которое при использовании его в качестве обучающей выборки последовательно приводило к максимально низким результатам обучения и, в то же время, позволило получить один из лучших результатов при самообучении. Объяснить это можно либо системностью ошибок эксперта в процессе построения гипнограммы, либо сбоем в работе оборудования, повлёкшим за собой искажение исходных данных.
По итогам этого эксперимента можно сделать заключение, что для получения максимально качественной выборки, которую можно рекомендовать для использования в процессе обучения, следует использовать комбинацию исследований 4, 6 и 7.
Описание эксперимента. В качестве обучающей выборки последовательно использовались все имеющиеся исследования. Распознавание проводилось для всех исследований одновременно. Маскирование производилось согласно таблице 5.3.
Результаты эксперимента Суммарная достоверность (сложение признаков) при обработке всей выборки (7 файлов, 6893 эпохи) с обучением на ней же составила 54.23%.
В ходе разработки программной системы было выдвинуто предположение, что использование маски может увеличить достоверность распознавания. Под маской подразумевалось определение параметров, наиболее значимых для выявления каждой конкретной стадии сна, и выполнение операции агрегации только для функций принадлежности, описывающих эти параметры. В качестве примера маски, построенной с учётом стандарта R&K, были использованы наборы параметров, представленные в таблице 5.3. Параметр SVZP («средневзвешенное значение полосы») фактически идентичен параметру Ampl (амплитуда сигнала) и поэтому к рассмотрению не принимался.
