Содержание к диссертации
Введение
Глава 1. Анализ принципов построения систем поддержки принятия решений в задачах мониторинга и управления социальных, экологических и технических систем 17
1.1. Структурные и архитектурные особенности современных систем управления 17
1.2. Структура данных и информационные технологии управления в социо-технических системах 20
1.2.1. Системы мониторинга в экологии и здравоохранении 20
1.2.2. Входные данные со скрытыми периодичностями в технических системах социо-технических систем 23
1.2.3. Структура входной информации в программно-аппаратных комплексах медицинских подсистем социо-технических систем 26
1.3. Источники и способы описания квазипериодических сигналов 30
1.3.1. Квазипериодические сигналы в медицинских системах: источники и характеристики 30
1.3.2. Анализ источников квазипериодических сигналов в неживой природе и технике 34
1.3.3. Математические модели сигналов со скрытыми периодичностями для систем поддержки принятия решений 36
1.3.4. Опорные области квазипериодических сигналов 38
1.4. Основные методы выделения информативных признаков и методы принятия решений по квазипериодическим сигналам 41
1.4.1. Общая классификация методов анализа квазипериодических сигналов..41
1.4.2. Спектральные методы анализа квазипериодических сигналов 47
1.4.3. Многомерное представление квазипериодических сигналов 51
1.4.4. Методы принятия решений на основе анализа квазипериодических сигналов 55
1.5. Цели и задачи исследований 60
Глава 2. Концепция формирования динамических опорных областей сигналов со скрытыми периодичностями 63
2.1. Источники и характеристики квазипериодических сигналов в социо-технических системах 68
2.2. Представление одномерной последовательности отсчетов квазипериодических сигналов в виде векторно-множественной модели 63
2.3. Формирование динамической опорной области в пространстве сигналов 71
2.4. Формирование динамической опорной области в пространстве частот 75
2.5. Способы перехода от динамической опорной области к прямоугольной 83
2.5.1. Выравнивание длин сегментов посредством интерполирования в пространстве сигналов 84
2.5.2. Выравнивание длины квазипериодов в спектральной области 86
2.5.3. Сравнительная оценка способов выравнивания длин квазипериодов 92
Выводы по второй главе 105
Глава 3. Методы определения ведущих ритмов и способы сегментации квазипериодических сигналов при построении динамических опорных областей 97
3.1. Требования к качеству сегментации квазипериодических сигналов 108
3.2. Разработка и исследование способов сегментации динамических опорных областей корреляционными методами 100
3.3. Выделение квазипериодов методами цифровой фильтрации 111
3.4. Сегментация плохо структурированных сигналов 123
3.5. Выделение ведущих ритмов в квазипериодическом сигнале 129
Выводы по третьей главе 135
Глава4. Построение двумерных частотных плоскостей ква зипериодических сигналов и выделение информативных признаков 137
4.1 Формирование двумерной частотной плоскости квазипериодического сигнала на динамической опорной области в пространстве сигналов 137
4.2.Формирование двумерной частотной плоскости квазипериодического сигнала на динамической опорной области в пространстве частот 147
4.3. Общие подходы к выделению информативных признаков на двумерной частотной плоскости 149
4.4. Выделение областей информативных признаков с помощью канонических ДЧП 152
4.5. Выделение информативных признаков на ДЧП путем перехода к одномерным частотам 163
4.6. Выделение информативных признаков на ДЧП с помощью сокращения размерности пространства двумерных частот 169
Выводы по четвертой главе 181
Глава 5. Методы анализа ДЧП с целью диагностики и принятия решений 184
5.1. Программно-аппаратный комплекс выделения информативных признаков и принятия решений методами ДЧП 184
5.2. Исследование алгоритма диагностики функционального состояния в распределенной системе медицинского контроля 191
5.3. Использование ДЧП для исследования влияния слабых электромагнитных полей на сердечно-сосудистую систему 199
5.4. Классификация ИБС по ДЧП кардиосигнала 204
5.5. Определение степени митральной недостаточности по ДЧП допплерэхокардиосигнала (ДЭКС) 208
Выводы по пятой главе 221
Глава 6. Техническая реализация проблемно-ориентированных комплексов для идентификации состояний сложных объектов и принятия решений 223
6.1. Автоматизированная система экологического мониторинга 223
6.2. Распределенная система мониторинга электрокардиосигнала посредством телекоммуникационных каналов с обратной связью по функциональному состоянию 237
6.3. Система принятия решений при идентификации ленты устройства управления загрузкой (СУЗ) реактора РБМК 239
6.4. Использование ДЧП на динамических опорных областях в системе принятия решений при определении износа стальных канатов 249
6.5. Сравнительная оценка метода ДЧП и других методов анализа квазипериодических процессов 257
Выводы по шестой главе 260
Заключение 263
Библиографический список 266
- Структура данных и информационные технологии управления в социо-технических системах
- Квазипериодические сигналы в медицинских системах: источники и характеристики
- Представление одномерной последовательности отсчетов квазипериодических сигналов в виде векторно-множественной модели
- Разработка и исследование способов сегментации динамических опорных областей корреляционными методами
Введение к работе
Актуальность темы диссертации. Большинство современных систем управления представляют собой интеграцию технической подсистемы, человека или обслуживающего персонала и среды функционирования. При разработке программно-аппаратных комплексов, реализующих управляющие контуры таких систем, ставится задача удовлетворения противоречивых критериев, обеспечивающих сочетание требований минимального времени доступа к запрашиваемой информации, минимального времени принятия решений, хорошей наглядности, понимаемости и интерпретируемости рекомендуемых решений при максимальных объемах информации (знаний) о предметной области. Выполнение этих требований обеспечивается проблемной ориентацией разрабатываемой системы управления, структура которой учитывает особенности подсистем и соответствующие информационно-технологические особенности контроля и управления состоянием здоровья человека и окружающей среды, причем, качество работы человек - техническая система определяется как ее техническими возможностями, так и надежностью функционирования человеческого звена, которое в свою очередь определяется множеством факторов: функциональным состоянием, экологической обстановкой, социальной составляющей и т.д. (Ломов Б.Ф., Забродин Ю.М., Большаков В.Н., Кряжимский Ф.В., Плотников В.В. и др.). В этом аспекте, рассматриваемый класс систем можно определить как социо-технические системы, представляющие собой многокомпонентный, многосвязный объект, качество функционирования которого зависит как от состояния технической подсистемы, так и от состояния среды функционирования человека и технического объекта.
Сложность анализа таких систем заключается в том, что целостная система состоит из подсистем различной природы, описываемых различными плохо формализуемыми моделями.
Исследованиями отечественных и зарубежных ученых было убедительно показано, что значительную долю релевантной информации для управления социо-техническими системами несут сигналы сложной природы, содержащие так называемые скрытые циклы (А.А. Чижевский, Н.Д. Кондратьев, У. Гренан-дер, А.А. Яшин и др.). Эти циклы определяются совместным влиянием на исследуемый объект большого числа периодических процессов, различающихся как природой, так и амплитудно-частотными характеристиками, с одновременным влиянием иерархической структуры взаимодействия исследуемых факторов и подсистем (Н.Д. Девятков, СП. Ситько, А.А. Яшин и др.).
При обработке сигналов такого класса часто используются методы спектрального анализа. Но при использовании этих методов в системах мониторинга возникают трудности, связанные с необходимостью параллельного анализа больших массивов данных и некорректностью разложения в ряд Фурье квазипериодических сигналов, что приводит к плохой робастности оценок и, как следствие, множеству методов спектрального анализа, дающих очень часто противоречивые результаты на одних и тех же выборках.. Использование методов высокого разрешения, спектрально-временного картирования, вейвлет-анализа позволяет решить только частные задачи в узкой предметной области.
В связи с этим возникла проблемная ситуация, связанная с все возрастающими возможностями современных информационных технологий сбора, хранения и передачи данных и отсутствием хорошо структурированных методов идентификации состояния социо-технических систем и синтеза управленческих решений на основе анализа сигналов со скрытыми периодичночтями, характеризующих состояние их подсистем. Поэтому разработка новых методов и средств обработки сложных сигналов со скрытой периодичностью, позволяющих повысить точность классификации и идентификации социальных, экологических и технических подсистем и тем самым повысить качество управления социо-техническими системами, является актуальной проблемой.
Диссертационные исследования проведены в соответствии с государственными программами «Научные исследования высшей школы по приоритетным направлениям науки и техники», подпрограмма «Технология живых систем» раздел научно-технической программы «Биомедицинская техника» 2000 г., 2001-2002 гг., гранта 1998 г. «Теоретические основы разработки методов и средств ранней диагностики сердечно-сосудистых заболеваний», региональной межвузовской программой ВУЗ-Черноземье «Индивидуальные автоматизированные системы и устройства экспресс контроля и мониторинга параметров человека» 1996-1998 гг., научно-исследовательской работой «Разработка системы автоматизированного контроля ленты СУЗ» (хоздоговор с Курской АЭС 1996 г.), а также хоздоговорных научно-исследовательских работ, выполняемых по заданиям Государственного комитета по охране окружающей среды г. Курска в 1998 -2002 гг.
Цель и задачи исследования. Целью работы является создание проблемно ориентированных программно - аппаратных комплексов идентификации состояний и поддержки принятия управленческих решений в области социо-технических систем путем анализа сигналов со скрытыми периодичностями, позволяющих повысить оперативность анализа состояний и качество управления.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Разработать методы диагностики состояния социо-технических систем, обеспечивающие обратную связь в системе поддержки управленческих решений с использованием синтеза и анализа изображений, визуализирующих эволюцию информативных параметров на динамических опорных областях.
2. Создать основы теории принятия решений при мониторинге социо-технических систем на основе анализа сигналов со скрытыми периодичностями, представленных на динамических опорных областях.
3. Разработать методы синтеза динамических опорных областей и методы отображения на них сложных сигналов со скрытыми периодичностями.
4. Разработать методы выделение информативных признаков на двумерных частотных плоскостях, полученных на динамических опорных областях. 5. Разработать методы принятия решений по диагностике состояний исследуемых объектов и систем в новых синтезированных пространствах информативных признаков по данным анализа сигналов со скрытыми периодично-стями на динамических опорных областях при мониторинге социо-технических систем и синтеза управленческих решений.
6. Реализовать программно - аппаратный комплекс выделения информативных признаков и принятия решений о состоянии исследуемых систем на основе анализа двумерных частотных плоскостей.
7. Экспериментально проверить эффективность разработанного подхода и способов решения задач оценки состояния технических, экологических и социальных систем.
Методы исследования. Для решения поставленных задач использовалась методы теории управления, математического моделирования, теории вероятно-стей и математической статистики, теории распознавания образов и обработки изображений, теории ортогональных преобразований в гильбертовом пространстве.
Научная новизна. В работе получены и выносятся на защиту следующие результаты, характеризующиеся научной новизной:
Введено понятие динамических опорных областей для отображения сложных квазипериодических сигналов и разработаны способы их формирования, основанные на адаптивном сравнении с эталоном, чередовании низкочастотной и высокочастотных фильтрации с пороговой обработкой между ними, и структурировании зашумленного сигнала посредством интегрального оператора с переменными, адаптивно настраиваемыми пределами интегрирования.
Методы приведения динамической опорной области к прямоугольным опорным областям, использующие масштабные и сдвиговые преобразования в пространстве сигналов и в пространстве частот, позволяющие использовать для многомерного анализа стандартные матричные операции. На основе динамических опорных плоскостей разработаны методы получения двумерных частотных плоскостей, позволяющие выделять и контрастировать скрытые циклы квазипериодических сигналов в двумерном пространстве.
Методы выделения информативных признаков, использующие двумерные частотные плоскости, и заключающиеся в применением неизотропных операторов с переходом из двумерного пространства в одномерное, позволяющие строить рациональные схемы принятия решений и исследовать влияние на системы управления низкоинтенсивных внешних факторов.
Метод сокращения признакового пространства, получаемого на двумерной частотной плоскости, основанный на двумерном факторном анализе, позволяющий синтезировать решающие правила продукционного типа.
Метод уточнения идентификационных моделей сложных систем, заключающийся в нахождении низкочастотных циклов по анализу остатков на динамических опорных областях.
Метод идентификации интегрированных систем управления производственными процессами, основанный на анализе сигналов электромагнитных преобразователей, отличающийся последовательной трансформацией признаковых пространств и фильтрацией сигналов в этих пространствах адаптивными фильтрами, построенными на основе априорных данных о гипотетическом сигнале в каждом из признаковых пространств, и позволяющий построить итерационный процесс восстановления изображений, основанный на определении невязки между реальным и гипотетическим сигналами.
Практическое значение полученных результатов. В результате проведенных исследований разработаны проблемно - ориентированные программно-аппаратные комплексы поддержки принятия решений для классификации и идентификации сложных объектов со скрытыми пе-риодичностями для системы медико-экологического мониторинга, автоматизированной системы врачебного контроля и автоматизированных систем управления технологическими процессами. В частности:
Разработан программно-аппаратный комплекс социального мониторинга, предназначенный для решения оперативных задач управления системой здравоохранения и экологической безопасности в городе, отличающийся наличием трех «слоев» динамических опорных областей, и позволяющий давать аналитические рекомендации лицу, принимающему решение, и прогнозировать экологическую и эпидемиологическую обстановку в городе.
Разработан программно-аппаратный комплекс для распределенных систем медицинского мониторинга, позволяющий повысить качество медицинской помощи путем оперативной и точной диагностики и своевременного назначения лечебных воздействий.
Разработан программно-аппаратный комплекс контроля технического состояния металлических лент и канатов, основанный на формировании доступных для анализа человеком-оператором двумерных изображений, визуализирующих физические поля контролируемых объектов.
Достоверность полученных результатов обеспечена теоретическими и экспериментальными доказательствами выдвинутых утверждений, программной реализацией разработанных математических методов и моделей и апробацией их на контрольных сигналах живой и неживой природы, сравнительным анализом результатов, полученных новыми и традиционными методами, лабораторными испытаниями и практическими результатами, а также экспертизой предложенных в работе научно-технических решений Госкомитетом СССР по делам открытий и изобретений и Роспатентом.
Реализация научно-технических результатов. Результаты теоретических и экспериментальных работ, выполненных при непосредственном участии диссертанта, внедрены в систему мониторинга окружающей среды г. Курска (Комитет природных ресурсов г. Курска), использованы при разработке и производстве кардиодиагностической аппаратуры (г. Курск, ОАО "Счетмаш"), ис 12
пользуются в учебном процессе на кафедре биомедицинской инженерии (г. Курск, КурскГТУ), в ранней диагностике сердечно-сосудистых заболеваний в Курском гарнизонном военном госпитале (ВЧ 42300) и в Курском Государственном медицинском университете.
Получено заключение Министерства здравоохранения РФ о целесообразности разработки и освоения технических средств, реализующих разработанные в диссертации методы и способы, утверждены медико-технические требования (протокол №1 от 13 мая 2003 г. и протокол №4 от 15 июля 2003 г. комиссии по клиникодиагностическим приборам и аппаратам Комитета по новой медицинской технике Минздрава РФ).
Апробация работы. Основные положения работы и полученные результаты докладывались и обсуждались на следующих Международных и Всероссийских конференциях: Первая международная конференция "Циклические процессы в природе и обществе". Ставрополь. 1993; Международная конференция «Распознавание 95» Курск 1995; 2-я Всероссийская с участием стран СНГ конференция "Распознавание образов и анализ изображений: новые информационные технологии". Ульяновск. 1995; конференция «Циклы природы и общества» Ставрополь. 1995; конференция «Циклы природы и общества» Ставрополь 1996; конференция «Циклы природы и общества» Ставрополь 1997; IX НТК с участием зарубежных специалистов «Датчики и преобразователи информации систем измерения, контроля и управления», «Датчики 97». Москва. 1997; конференция «Реализация НТП ЦЧЗ региона» Воронеж 1997; конференция «Медико-экологические информационные технологии 98» Курск 1998; конференция «Циклы природы и общества» Ставрополь 1998; IV Российская научно-техническая конференция «Материалы и упрочняющие технологии - 98». Курск 1998, конференция «Медико-экологические информационные технологии 99» Курск 1999, Первая международная конференция "Циклы" Ставрополь 1999, III Международная научно-техническая конференция "Медико-экологические информационные технологии-2000". Курск; XII Научно 13 техническая конференция с участием зарубежных специалистов "Датчики и преобразователи информации систем измерения, контроля и управления". Москва, 2000; Международная конференция по биомедицинскому приборостроению «Биомедприбор 2000», Москва, 2000; IV Международная научно-техническая конференция "Медико-экологические информационные техноло-гии-2001". Курск, 2001; V Международная научно-техническая конференция "Медико-экологические информационные технологии-2002". Курск, 2002.
Публикации. По теме диссертационного исследования опубликовано более 100 печатных работ, в том числе 2 монографии, 3 учебных пособия и пятнадцать авторских свидетельств и патентов на изобретение. Из 42 печатных работ, приведенных в автореферате, часть материалов опубликовано в соавторстве. В [1] соискателем впервые предложена трансформация пространства временных квазиперидических сигналов в пространство частота-частота, в [2, 4] соискателем предложены автоматизированные системы обработки квазипериодических сигналов и элементы их реализации для системы здравоохранения, в [3] соискатель предложил способ мониторинга электромагнитной загрязненности города. В [5] автором разработаны алгоритмы и программное обеспечение обработки случайных сигналов и данных, в [16] соискатель предложил способ скрининга вегетативной обеспеченности, в [17] соискателем предложены способы мониторинга в технических системах, в [18] соискатель предложил способ медицинского мониторинга. В [19, 20] соискателем предложены оригинальные каналы связи для телемедицины. В работах [23-34] соискателем развиты методы и способы классификации в социо-технических системах на основе ДЧП, в [35-42] соискателем предложены оригинальные технические решения для реализации управляющих воздействий в социо-технических системах.
Структура и объем работы. Диссертация состоит из введения, шести глав, заключения и списка литературы, включающего 267 наименований. Основная часть изложена на 271 страницах машинописного текста, содержит 169 рисунков и 9 таблиц.
Структура данных и информационные технологии управления в социо-технических системах
Ориентации на новые подходы к управлению системой здравоохранения требует использования методов системного анализа для структурирования информационного обеспечения и конечных результатов деятельности медицинских учреждений. Структура медико-экологического мониторинга на основе компьютерных технологий определяется возможностью регистрации основных показателей здоровья населения по данным медицинской статистики. Статистическая обработка информации и построение прогностических моделей в структуре информационного мониторинга создают предпосылки для принятия эффективных управленческих решений.
Частной задачей мониторинга является сбор информации о состоянии здоровья населения. Одним из типов информационных систем, обеспечивающих решение задач сбора информации о состоянии здоровья населения, являются скрининговые системы. Скрининговые информационные системы представляют собой медицинские системы уровня лечебно-профилактического учреждения и предназначены для проведения доврачебного профилактического осмотра населения, а также для врачебного скрининга для формирования групп риска и выявления больных, нуждающихся в помощи специалиста. Скрининг осуществляется на основе разработанных анкетных карт или прямого диалога пациента с компьютером.
В экологических системах также распространенным способом исследования является мониторинг и экспериментирование часто с плохо определенными моделями [59, 76]. Это означает, что на современном уровне развития науки эффективными средствами исследования сложных экосистем могут служить только экспертные системы, использующие методологию искусственного интеллекта, которые могут функционировать в условиях нечеткого и неполного представления моделей и исходных данных.
Так как состояние здоровья человека и состояние окружающей среды взаимосвязаны, то целесообразно осуществлять, так называемый многослойный мониторинг, в котором каждый слой - это данные, привязанные к плану местности, характеризующие один из параметров окружающей среды или результат социологического исследования. Если эти данные сгруппировать по временным интервалам (год, квартал, месяц и т.д.), то получим пространственно-временные континуумы слоев . Так как обеспечить требуемую дискретность данных как в пространстве, так и во времени не всегда представляется возможным, то в некоторых точках пространственно - временных координат образуются «пробелы» - пропуски, связанные с отсутствием информации, что вызывает трудности при использовании как глобальных, так и локальных методов обработки данных. Использование известных методов аппроксимации и интерполяции не отвечает требуемой точности, что связано со следующими особенностями социальных и экологических систем: отсутствие возможности активного эксперимента, малый объем выборок, недостаток априорных данных.
Тем не менее, известно достаточно большое число примеров применения компьютерных технологий для обработки данных такого типа отдельно в медицине и экологии, а также работы, посвященные влиянию экологических факторов на состояние здоровья человека.
В работе [9] разработан алгоритм выбора тактики лечения пациентов в экологически неблагоприятной зоне проживания. Он реализован с помощью экологического, метеорологического, клинико-иммунологического мониторинга. Существуют несколько баз данных (БД): метеорологическая, экомонито-ринга, эпидситуаций, клиника острого периода, иммуномониторинга, в которые заносятся необходимые данные. Затем интегрируют эти данные на основе преобразования конкретных статистических закономерностей и реализуются информационные модели внутри этих баз.
В работах [9, 10, 36, 59] рассматриваются системы медико-экологического мониторинга, в частности, решаются задачи оценки и прогнозирования влияния социальных и экологических факторов на интенсивность заболеваемости по нозологиям. Среди экологических факторов выделяются тяжелые металлы, окись углерода и т.д. Среди социальных факторов - размер заработка, жилищные условия транспорт и т.д. Как правило, такие системы включают две базы данных: медицинскую и экологическую. А в качестве аппарата математического моделирования используют множественный регрессионный анализ или разновидности дисперсионного анализа.
Как видно из приведенного обзора, в настоящее время работы, ориентированные на исследование влияния экологических факторов на состояние здоровья человека, ограничиваются созданием соответствующих экологических и медицинских баз данных и получения диагностических и прогностических решающих правил для очень узкого класса заболеваний, как правило, с одним типом решающих правил (в основном, уравнений регрессии).
Таким образом, полученная структура данных с пробелами требует разработки новых подходов и алгоритмов их анализа, а разрабатываемые программно-аппаратные комплексы должны работать с плохо формализуемыми данными. Среди человеко-машинных систем управления можно выделить системы, обеспечивающие безопасность эксплуатации различного подъемного оборудования, такого как краны, шахтные подъемы, подвесные канатные дороги, лифты и т.д. Безопасная эксплуатация этого технологического оборудования зависит от прочности стальных канатов. Канаты относятся к неремонтируемым элементам этого оборудования, поэтому при износе или наличии дефектов должны заменяться [114]. Наличия дефекта в транспортных устройствах приводит к большим экономическим и экологическим потерям, поэтому на ЛПР лежит большая ответственность при выборе альтернативы при принятии решения.
Так как канаты и стальные ленты, применяемые в подъемных устройствах, являются протяженными объектами, то здесь также используются системы мониторинга с накоплением и анализом больших объемов данных, а структурные особенности транспортных устройств отражают скрытые периодичности в исследуемом сигнале, обусловленные различными видами его модуляции. Процесс получения квазипериодического сигнала с помощью ротационного зондирования показан на рис. 1.2,а, а на рис. 1.2,6 показан вид квазипериодического процесса, анализируемого ЛПР [127].
Кроме ротационных методов получения квазипериодического сигнала имеются матричные методы. В этом случае появляется дополнительный источник квазипериодичности, связанный с неидентичностыо чувствительных элементов матрицы [129].
Квазипериодические сигналы в медицинских системах: источники и характеристики
Процессы, происходящие в организме человека, характеризуются периодическими изменениями своей активности. Ритмы активности и пассивности протекающих в нашем организме процессов получили название биоритмов. Чижевский А.Л.- основатель гелио- и космобиологии на огромном статистическом и экспериментальном материале показал, что многие биоритмы человека синхронизированы с внешними, природными ритмами[152].
Среди квазипериодических сигналов, используемых в медицинской диагностике, наиболее широкое распространение получили кардиосигналы. Источником кардиосигналов могут быть различные физиологические и физические процессы, протекающие в биообъекте, а сами эти сигналы неэквивалентны по информативности. Однако ни один из них не дает исчерпывающей информации об объекте в целом, поэтому исследуют комплекс различных по своей физиологической сущности кардиосигналов, которые в информативном плане дают разностороннюю информацию и дополняют друг друга.
Наиболее распространенным квазипериодическим сигналом," используемым в медицинских системах принятия решений, является электрокардиосиг-нал (ЭКС).
Электрокардиография - один из наиболее распространенных методов диагностики сердечной системы человека [32]. Существует множество подходов к обработке сигналов ЭКС, базирующихся, как правило, на структурном, либо на спектральном анализе, либо используются статистические методы.
В [230] описан метод сравнения диагностической информативности спектральных параметров отдельных отведений и комбинаций трех отведений для сигналов усредненных электрокардиограмм. Здесь выполняется Фурье-анализ сигнала усредненной ЭКГ на группе, состоящей из больных с постоянной желудочковой тахикардией и здоровых испытуемых. Спектр вычислялся в скользящем "окне" длительностью 100 мс с весовой функцией "окна" Blackman-Harris. Затем вычислялось отношение мощности сигнала в области 0...25 Гц к мощности сигнала в области 25...50 Гц. Эта обработка выполнялась для каждого из трех ортогональных отведений. Полученные отношения исследовались на предмет дифференциальной диагностики испытуемых на наличие или отсутствие желудочковой тахикардии. С этой целью рассматривалась также величина среднего геометрического указанных 3-х отношений. Показано, что только отношение мощностей сигнала для отведения X при сдвигах 80, 90, и 100 мс, а также среднее геометрическое отношений при сдвиге 90 мс продемонстрировали значимые различия для 2-х указанных групп.
В работе [220] описан отдельный цикл медицинских исследований - исследование спектрограмм ЭКС. Автором исследовались амплитуды гармоник и их расположение на оси частот. Установлено, что при переходе от нормального ритма к фибриляции желудочков происходит уменьшение числа гармоник в спектре ЭКС. Спектры ЭКС анализировались автором для уточнения требований к АЧХ фильтров усилителя биопотенциалов. Реокардиосигнал нашел широкое применение в медицинской диагностике. Он является отражением изменения полного электрического сопротивления органа или участка тела, меняющегося от объема протекающей по нему крови [160]. Форма пульсовой волны также привлекает исследователей, хотя к ее анализу специалисты относятся весьма сдержанно, что связано с отсутствием физиологически обоснованных методов анализа сфигмограмм [121]. Специалисты по ультразвуковой диагностике в медицине выявили большой интерес к различным аспектам допплерографического исследования сердца [53]. В современных ультразвуковых приборах допплеровский спектр представляет собой развертку во времени. Кровоток, направленный к датчику, изображается выше изолинии, а кровоток, направленный от датчика, - ниже изолинии. Кроме того, сдвиг частот ультразвукового сигнала преобразуется и в слышимый звук. Для отсечения низкочастотных колебаний, связанных с движением стенок сердца, на всех современных приборах имеются специальные фильтры.
Таким образом, допплерэхокардиосигналы могут анализироваться теми же методами, что и фонокардиосигнал. Учитывая, что допплеровское исследование позволяет диагностировать наличие митральной регургитации с высокой специфичностью и определить степень ее тяжести, то использование этих сигналов в системах принятия решений вызывает большой интерес.
Таким образом, рассмотренные работы носят эмпирический характер и не позволяют определить общую методику классификации кардиосигналов спектральными методами. Остается неясно, что же более целесообразно использовать для анализа: весь кардиосигнал, его сегмены или RR-интервалы.
Помимо анализа Фурье применяется и диагностика сердечных аритмий с помощью дискриминантного анализа коэффициентов авторегрессионной модели изменчивости частоты сердечных сокращений [181]. Здесь предлагается использовать авторегрессионные модели случайных процессов для анализа последовательности длительностей интервалов R-R с целью диагностики аритмий. Для классификации используются модели 11-го порядка для последовательности ПО интервалов R-R. Однако практически весьма трудно принять правильное решение только на основе анализа ритмической составляющей сигнала.
Очень часто для анализа ЭКС используют алгоритмы, основанные на селекции Т и Р зубцов. Как правило, при селекции Т-зубцов используют ЭКС, полученные в трех отведениях, то есть имеем три массива отсчетов ЭКС: I(N), H(N) и HI(N). Кроме того, полагают, что QRS-комплексы выделены и имеются массивы, со держащие начальные и конечные точки QRS-комплексов. Таким образом, при N реализациях имеются два массива , в одном из которых хранятся начальные, а в другом конечные координаты QRS-комплексов [85]. Схемы этих алгоритмов достаточно сложны, чтобы работать в реальном времени, требуют предварительной обработки данных и неустойчивы к помехам и артефактам. Кроме того, принятый в большинстве исследований 10-секундный интервал наблюдения не удовлетворяет современным методам анализа кардиосигнала.
Представление одномерной последовательности отсчетов квазипериодических сигналов в виде векторно-множественной модели
Примерный вид функции (3.1) показан на рис. 3.2, и точки её локальных максимумов являются возможными значениями длины квазипериода. Таким образом, среди множества значений функционала (3.1) необходимо найти максимальное. При этом т, при котором был получен экстремум, будет являться соответствующим значением квазипериода. Очевидно, что первый экстремум мы будем иметь при т=0. Кроме того, так как на всем интервале наблюдения Т мы имеем множество квазипериодов, то не имеет смысла для определения корреляционной функции (3.1) использовать весь интервал наблюдения, а достаточно ограничиться интервалом, который с некоторым запасом превышает максимально возможное значение выделяемого квазипериода, обозначим этот интервал через О. Таким образом, первый шаг в корреляционных методах сегментации - выбор ведущего циклического процесса. Точно также нет смысла определять значение функционала (3.1) для всех т. Изменять т нужно начинать с rj, где г-минимальное возможное значение квазипериода.
Уравнение (3.2) отражает способ "продвижение вперед". Этот способ значительно сокращает время вычисления функционала (3.1) за счет сокращения периодов наблюдений. При этом величина rj может быть постоянной, или же связанной с величиной Tj уравнением, аналогичным (3.3). К недостаткам метода, можно отнести невозможность построения итерационного процесса уточнения выделенного сегмента.
Действительно, в том случае, если ошибка вызвана смещением правой границы сегмента влево (обратим внимание на терминологию: правая граница (i-l)-ro сегмента является левой границей i-ro сегмента), то использование функционала (3.2) не позволяет построить итерационный процесс уточнения этой границы, так как нижняя граница предела интегрирования в (3.2) лежит значительно правее ее. В том же случае, если ошибка вызвана смещением правой границы сегмента вправо, то и здесь мы не имеем возможности её уточнить, во всяком случае, до тех пор, пока эта ошибка не превысит величину rj.
Уравнение (3.4) отражает способ "продвижение назад". В нем величина С, определяет некоторую максимальную возможную ошибку в определении левой координаты квазипериода. Очевидно, что для автокорреляционной функции выражения (3.2) и (3.4) эквивалентны, поэтому способ "продвижения назад" просто затягивает вычислительный процесс по сравнению со способом "продвижения вперед" не давая новых результатов. Анализируя уравнения (3.2) и (3.4), приходим к выводу, что мы минимизируем расстояние между первым квазипериодом и текущим (при условии, что т определяет длину, а не левую координату квазипериода), то есть первый квазипериод выступает в качестве эталона. Это не совсем правильно, так как нет гарантии того, что первый квазипериод будет наиболее подходящим для этих целей. Нетрудно модифицировать уравнения (3.2) и (3.4) таким образом, чтобы, например, в качестве эталона для определения і-го квазипериода выступал (і-І)-й квазипериод (в эталоне т будет определять левую границу текущего квазипериода). Однако и здесь нет никакой гарантии, что он будет наиболее подходящим для і-го квазипериода. В таком случае оптимальным является использование некоторого эталонного квазипериода, в котором отсутствуют артефакты и который по некоторым критериям наиболее удобен для сравнения с текущим массивом отсчетов. Если под интегралами (3.2) или (3.4) используются эталонные сигналы вместо сдвинутого сигнала (эталонный сегмент может быть взят хотя бы из того же самого массива данных), то мы имеем возможность построить итерационный процесс уточнения границ квазипериодов с последующей адаптацией (модификацией) эталона. При использовании способа «продвижения вперед» определяется правая граница текущего квазипериода без уточнения левой. При использовании способа «продвижения назад» если мы получим оптимум і-го функционала (3.4) в "зоне" С,, то нам необходимо вернуться к определению (i-l)-ro сегмента, заменив при этом файл эталонного изображения на сегмент, полученный на і-ом этапе вычисления (3.4). Вопрос о том, будет ли сходиться итерационный процесс решается по изменению правой границы (i-l)-ro сегмента. Если правая граница (i-l)-ro сегмента в результате уточняющей итерации сместилась вправо, то итерационный процесс расходится и уточнение границы следует прекратить, определив при этом левую границу і-го сегмента ХЛІ И правую границу (i-l)-ro сегмента х".ь например, как Если же правая граница (i-l)-ro сегмента в результате текущей итерации продвинулась влево, то необходимо заменить файл эталонного сегмента на сегмент определенный в текущей итерации, и приступить к определению і-го сегмента в следующей итерации и т. д.
Очевидно, что использовать выражение (3.1) весьма сложно, особенно при первоначальном определении длительности квазипериода. Соотношение (3.2), характеризующее последующие этапы выделения квазипериодов, проще выражения (3.1), однако и оно предполагает процесс многократного использования операции умножения, что приводит к значительному времени вычислений. Кроме того, вид каждого квазипериода может отличаться как масштабным коэффициентом, так и наличием помехи, которая может носить случайный характер.
Разработка и исследование способов сегментации динамических опорных областей корреляционными методами
Основу разработки помехоустойчивых алгоритмов обнаружения перепадов амплитуды сигнала составляют два следующих положения [69]: 1) поскольку изменения амплитуды сигнала могут относиться к различным масштабным уровням, для того чтобы оптимизировать процесс их обнаружения, необходимо применять операторы, способные обрабатывать фрагменты сигналов различного динамического диапазона; 2) резкое изменение величины амплитуды сигнала приводит к возникновению экстремума первой производной, что эквивалентно пересечению нулевого уровня графиком второй производной.
Из этого следует, что для эффективного обнаружения изменения амплитуды сигнала необходимо пользоваться фильтром, обладающим двумя существенными свойствами. Прежде всего, он должен реализовывать некоторый дифференциальный оператор, вычисляющий первую или вторую производные сигнала. Кроме этого он должен допускать настройку на работу на необходимом масштабном уровне по всем координатам. Это значит, что фильтр должен быть нечувствительным к значительным перепадам амплитуды, занимающим достаточно малый промежуток времени (импульсным помехам) или к достаточно малым перепадам амплитуды в течение относительно большого интервала времени (дрейф изолинии).
Таким образом, для выделения характерного признака необходимо, с одной стороны, устранить влияние высокочастотных импульсных помех, сгладив резкие перепады сигнала, а, с другой стороны, исключить медленный дрейф сигнала. Это может быть осуществлено посредством последовательной низкочастотной (НЧ) и высокочастотной (ВЧ) фильтрации, эффективность которой обоснована нами в [124]. При этом, поскольку фильтры должны быть адаптивными, то целесообразно использовать цифровые методы фильтрации.
Уравнения (3.9) и (ЗЛО) иллюстрируют примеры возможной реализации ВЧ и НЧ фильтров. Схема алгоритма, реализующего один из способов, основанный на чередовании НЧ и ВЧ фильтрации и предложенный нами в [124], показан на рис. 3.9. Исследуя схему алгоритма, показанную на рис. 3.9, можем заметить, что в ней имеются ряд параметров, значения которых можно определить только при наличии конкретного сигнала, то есть в интерактивном режиме. Это предъявляет высокие требования к квалификации операторов, которые работают с установками, использующими данный алгоритм. Чтобы избежать таких трудностей желательно ряд параметров алгоритма рис. 3.9 вычислять в автоматическом режиме, а не полагаться на интуицию оператора. Одними из таких важных параметров являются пороговые уровни в блоках 5 и 9. Так как в любом случае мы анализируем амплитуду сигнала в окрестностях точек пересечения его с нулевым уровнем, то для формализации этой процедуры желательно иметь такой оператор, который бы позволял представить исходный сигнал в виде двоичного кода. Тогда бы поиск характерных точек свелся бы к обнаружению определенной двоичной комбинации в окне. Реализовать такой подход к обнаружению характерных точек позволяет теорема Б.Ф. Логана [69]. Теорема утверждает, что при выполнении определенных условий сигнал, ширина полосы частот которого составляет одну октаву, может быть полностью восстановлен (с точностью до мультипликативной постоянной) по точкам пересечения нулевого уровня.
Такие свойства функции размытия желательны потому, что при максимально возможной равномерности размытия как в пространственной так и в частотной областях, вероятность высокочастотных искажений, вносимых такой фильтрацией, оказывается минимальной. Кроме того, применение оператора V G позволяет избежать дополнительных вычислений, так как оператор V является изотропным оператором самого низшего порядка.
После фильтрации сигнала оператором V G производится его бинаризация, то есть всем его элементам с положительными значениями присваивается "+1", а с отрицательными - "О". Далее путем статистических исследований сигнала определяется сама логическая функция для идентификации характерных точек сигнала и длина окна (число аргументов логической функции). Определив длину бинарной маски и её элементы, сводим поиск характерных точек к логической операции "и".
Достоинство данного подхода состоит в том, что единственным априорным параметром, который здесь необходимо использовать, является величина а в уравнении (3.17). Используя правило «трех сигм», можем определить данный параметр распределения Гаусса для конкретного вида сигнала.
Так как динамический диапазон обрабатываемого сигнала велик (равен 100), то одновременно с низкочастотной фильтрацией велась пороговая обработка, заключающаяся в использовании процедуры INT(x), что не влияет существенно на результаты обработки, но позволяет работать с целочисленными переменными.
Рассмотренный способ устранения влияния дрейфа изолинии показал хорошую помехозащищенность. При 24 часовом мониторинге процент правильно идентифицированных квазипериодов увеличился на 15% по сравнению с широко распространенным методом цифровой фильтрации, используемой в типовой кардиологической аппаратуре, и на 9% по сравнению с обработкой оператором типа V G.
К решению вопроса сегментации неструктурированных сигналов (ФКС, ДПЭКС) подойдем в предположении, что сегмент - это цикл с собственной шкалой времени - «индивидуальным временем». Таким образом, сегментация таких сигналов сводится к поиску участков с различным «индивидуальным временем».
