розглядається алгоритм параметричного розпізнавання реалізацій медикобіологічних процесів з патологіями. В якості моделі електроенцефалограм (ЕЕГ), призначеної для дослідження ефективності методів розпізнавання, обрані стаціонарні Ергодіческіе випадкові процеси, що перетворюються нелінійними процедурами з метою отримання ефективних ознак для розпізнавання. Наведено блок-схеми алгоритмів навчання і класифікації для даного методу, а також результати експерименту. Реалізація алгоритму проведена в програмному середовищі MATLAB.

Анотація наукової статті з комп'ютерних та інформаційних наук, автор наукової роботи - Краснобаев Дмитро Анатолійович


ALGORITHM OF PARAMETRICAL RECOGNITION OF MEDICAL AND BIOLOGIC PROCESSES WITH PATHOLOGIES AND ITS REALISATION IN SOFTWARE PACKAGE MATLAB

The algorithm of parametrical recognition of realisations of medical and biologic processes with pathologies is considered. Stationary ergodic casual processes are used as electroencephalogram (EEG) signals, which are transformed by nonlinear procedures for the purpose of reception of effective signs for recognition. The block diagrams teaching and classification algorithms for this method and experimental investigation is resulted. Realisation of algorithm modeling in MATLAB.


Область наук:

  • Комп'ютер та інформатика

  • Рік видавництва: 2011


    Журнал: Известия Південного федерального університету. Технічні науки


    Наукова стаття на тему 'Алгоритм параметричного розпізнавання медико-біологічних процесів з патологіями і його реалізація в програмному пакеті Matlab'

    Текст наукової роботи на тему «Алгоритм параметричного розпізнавання медико-біологічних процесів з патологіями і його реалізація в програмному пакеті Matlab»

    ?2. Ромм Я.Е. Безконфліктні і стійкі методи детермінованої паралельної обробки: дис. ... докт. техн. наук. - Таганрог: ТРТУ, 1998. - 546 с .; ВНТІ Центр.

    - № 05.990.001006.

    3. Ромм Я. Е., Фірсова С.А. Мінімізація тимчасової складності обчислення функцій з додатком до цифровій обробці сигналів. - Таганрог: Изд-во ТГПІ, 2008. - 125 с.

    4. . .

    сигналів на основі мінімізації часової складності обчислення функцій: автореф. дис. ... канд. техн. наук. - Таганрог: ТТІ ПФУ, 2008.

    5. . . -

    ровки. Ч. II // Кібернетика і системний аналіз. - Київ, 2007. - № 2. - С. 161-174.

    6. Гусак А.А. Вища математика в 2-х т. Т. 2. - Мінськ: ТетраСистемс, 2003. - 448 с.

    Статтю рекомендував до опублікування д.т.н., професор Л.П. Фельдман. Голіков Олександр Миколайович

    ГОУ ВПО «Таганрозький державний педагогічний інститут».

    E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її..

    347936, м Таганрог, вул. Ініціативна, 48.

    .: 88634601535.

    Golikov Alexander Nikolaevich

    State Educational Institution of Higher Professional Education «Taganrog State Pedagogical Institute» post-graduate student of chair of computer science.

    E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її..

    48, Iniciativnaya Street, Taganrog, 347936, Russia.

    Phone: +78634601535.

    УДК 621.391.2: 57.08

    ТАК. Краснобаев АЛГОРИТМ ПАРАМЕТРИЧНОГО РОЗПІЗНАВАННЯ

    -

    І ЙОГО РЕАЛІЗАЦІЯ В ПРОГРАМНОГО ПАКЕТІ MATLAB

    Розглядається алгоритм параметричного розпізнавання реалізацій медико-

    . (), Призначеної для дослідження ефективності методів розпізнавання, обрані стаціонарні Ергодіческіе випадкові процеси, що перетворюються нелінійними процедурами з метою отримання ефективних ознак для розпізнавання. Наведено блок-схеми алгоритмів навчання і класифікації для даного методу, а також результати експерименту. Реалізація алгоритму проведена в програмному середовищі MATLAB.

    Параметричне розпізнавання; байесовский класифікатор; вирішальне правило; ; .

    D.A. Krasnobayev

    ALGORITHM OF PARAMETRICAL RECOGNITION OF MEDICAL AND BIOLOGIC PROCESSES WITH PATHOLOGIES AND ITS REALISATION IN SOFTWARE PACKAGE MATLAB

    The algorithm of parametrical recognition of realisations of medical and biologic processes with pathologies is considered. Stationary ergodic casual processes are used as electroencephalogram (EEG) signals, which are transformed by nonlinear procedures for the purpose of reception of effective signs for recognition. The block diagrams teaching and classification algorithms for

    this method and experimental investigation is resulted. Realisation of algorithm modeling in MATLAB.

    Parametrical recognition; Bayesian classifier; decision rule; covariance matrix; electroencephalogram.

    У загальному випадку процес розпізнавання полягає в тому, що система розпізнавання на основі зіставлення апостеріорної інформації щодо кожного, на вхід системи об'єкта (або явища) з апріорним описом класів приймає рішення про приналежність цього об'єкту (явища) до одного. -цессов має вигляд, представлений на рис.1. При побудові вирішального правила для параметричного методу, що використовує оптимальний байесовский класси-, ,

    i [1]

    dt (x) = ln р (т.) 1 ln | C \ 1 [(xm.) 'C. 4x - m.)] i = 1,2, ..., M,

    (L)

    де С, Тi - ковариационная матриця і математичного очікування образів г-го класу; М- число класів.

    Обучвюик

    x (t)

    Пристрій для формування

    Пврвічзьж - АЦП - ^ в Ектор

    перетворювач пріснаков

    Пристрій для формування? Писанину класів

    алгоритм

    розпізнавання

    Ктасґшфшішція

    Мал. 1. Структурна схема параметричного класифікатора

    Для реалізації вирішальної функції необхідно для кожного класу зберігати вектор середніх, ковариационную матрицю, скаляр. Розглянемо алгоритми класифікації та навчання для даного класифікатора в програмному пакеті МЛТЬЛБ

    - . ознак, використовуваних фахівцями-нейрофізіологи для аналізу ЕЕГ, ви,, артефактів і епілептиформні активності, визначається на основі наявності спектральних складових різних частотних діапазонів (С5, в, а й) і значень їх амплітуд, присутніх в поточній ЕЕГ. Це дає можливість застосовувати методи розпізнавання з використанням ознак, сформованих шляхом перетворення реєстрованих даних (ЕЕГ) в редуцированную форму представ,. При використанні реальних сигналів ЕЕГ необхідно провести процедури сегментації вихідних сигналів. Пропонується використовувати нормальні випадкові процеси з експоненціально-косинусной кореляційної функцією

    К * (О = я2 * ехр (т / Тк) сов (2лРг), (2)

    де ох - середньоквадратичне відхилення процесу Х (0; тк, Б - параметри, що характеризують швидкість загасання і частоту осциляції кореляційної функції.

    - . 2. Для отримання даних моделей, випадковий процес з нормальним розподілом необхідно пропустити через фільтр із заданими параметрами. Спочатку ставимо вид імпульсної характеристики, потім генеруємо випадковий процес з нір-

    ною розподілом і необхідними математичним очікуванням і дисперсією, а також вид фільтра з певними параметрами. У наступному етапі моделюємо реалізації процесів, діагностично відповідних 4 групами пацієнтів. Далі визначимо кореляційну функцію для кожного з класів. Реалізації процесів і їх кореляційні функції зображені на рис. 3.

    Завдання номіналів незмінних елементів модельованої системи

    Гог І-1..4 ^

    їла

    Мал. 2. Блок-схема алгоритму навчання діагностичної системи

    Для кожного класу сформуємо нормовані коваріаційні матриці і розрахуємо вектор середніх значень. Потім запишемо отримані дані в пам'ять. На цьому процес навчання закінчено. Блок-схема алгоритму класифікації

    . 4.

    Мал. 3. Реалізації процесів, діагностично відповідають чотирьом групам пацієнтів, і їх кореляційні функції

    Мал. 4. Блок-схема алгоритму класифікації діагностичної системи

    Вирішальне правило для байєсівського класифікатора (1) реалізовано у вигляді функції [3], де в якості параметрів, що задаються використовуються математичне очікування і коваріаційні матриці для кожного класу, розраховані в про,. видає номер класу. Задавши цикл, до N випробувань, розрахуємо достовірність класифікації досліджуваних процесів. Дані формуються в масив, далі ,

    . -

    - , 4 ,

    наведені в таблиці. Можна зробити висновок, що деякі класи сильно Перес.

    Таблиця

    Клас сигналів тк, з f, t4 Імовірність правильної класифікації (при N = 100),%

    Норма 0,17б 11,1 85

    Помірні порушення 0,054 13,3 74

    Діти 0,044 8,7 80

    Епілепсія 0,273 3,33 92

    На закінчення слід зазначити, що використання вирішального правила, побудованого на основі алгоритму оптимального байєсівського класифікатора (1), відповідно до теорії статистичних рішень обумовлено тим, що в якості ознак використовуються відлікові значення автокореляційної функції нормального випадкового процесу, який пройшов узкополосную лінійну систему.

    БІБЛІОГРАФІЧНИЙ СПИСОК

    1. Tv Дж., Гонсалес Р. Принципи розпізнавання образів: Пер. з англ. - М .: Світ, 1978. -416 с.

    2. Гонсалес Р., Вудс Р., Еддінс С. Цифрова обробка зображень в середовищі MATLAB.

    - М .: Техносфера, 2006. - 616 с.

    3. Шабанов Д.В. Дослідження методів обробки ЕЕГ-сигналів з метою вирішення завдань класифікації в медичних діагностичних системах: дис. ... канд. техн. наук.

    - Таганрог, 2007. - 147 с.

    Статтю рекомендував до опублікування д.т.н., професор А.Ф. Бабякін. Краснобаев Дмитро Анатолійович

    Технологічний інститут федерального державного автономного освітнього закладу вищої професійної освіти «Південний федеральний університет» в м Таганрозі.

    E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її..

    347928, м Таганрог, пров. Некрасовський, 44.

    Тел .: 88634371626.

    Krasnobayev Dmitry Anatolievich

    Taganrog Institute of Technology - Federal State-Owned Autonomy Educational Establishment of Higher Vocational Education "Southern Federal University".

    E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її..

    44, Nekrasovskiy, Taganrog, 347928, Russia.

    Phone: +78634371626.


    Ключові слова: параметричних РОЗПІЗНАВАННЯ /Байєсова КЛАСИФІКАТОР /ВИРІШАЛЬНЕ ПРАВИЛО /коваріаційна матриця /електроенцефалограми /PARAMETRICAL RECOGNITION /BAYESIAN CLASSIFIER /DECISION RULE /COVARIANCE MATRIX /ELECTROENCEPHALOGRAM

    Завантажити оригінал статті:

    Завантажити