автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.16, диссертация на тему:Исследование методов автоматического выделения артефактов в цифровых электроэнцефалографических системах

с г* (Л ^

I' 1 1> 0:1

2 2 ДПР 1996

На правах рукописи

Алхасан Абдулфаттах Мухаммед

ИССЛЕДОВАНИЕ МЕТОДОВ АВТОМАТИЧЕСКОГО

ВЫДЕЛЕНИЯ АРТЕФАКТОВ В ЦИФРОВЫХ ЭЛЕКТРОЭНЦЕФАЛОГРАФИЧЕСКИХ СИСТЕМАХ

Специальность: 05.13.16. - Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Санкт-Петербург - 1996

Работа выполнена в Санкт-Петербургском Государственной электротехническом университет

Научный руководитель

кандидат технических наук доцент Геппенер В.В.

Официальные оппоненты доктор' технических наук профессор Немирко А.П.

кандидат технических наук доцент Макулов В.Б.

Ведущая организация - Санкт-Петербургский Государственный технический университет.

Защита диссертации состоится " со " ^ 1996 г. в

« , оц 1ооб г. „ и"

часов на заседании диссертационного совета К 063.36.12 Санкт-Петербургского Государственного электротехнического университета по адресу: 197376, Санкт-Петербург, ул. Проф. Попова, 5.

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан "_"_^__ 1996 г.

Ученый секретарь диссертационного совета

Маркин А.С.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В современных медицинских исследованиях по-прежнему сохраняется большой интерес к методам анализа состояния головного мозга. Более того, появились такие методы исследования, как церебральная ангиография, ультразвуковая допплеография н компьютерная томография. Эти методы, вне всякого сомнения, дают исследователю огромный материал для раскрытия механизмов высшей нервной деятельности. Однако, наряду со столь современными способами анализа мозга, незаменимую роль по-прежнему играет такой, относительно старый метод, как анализ биоэлектрической активности мозга - электроэнцефалография (ЭЭГ)-

Развитие вычислительной техники привело к созданию систем автоматического анализа ЭЭГ. При этом разработчики столкнулись с серьезными трудностями, офой из которых является наличие в биоэлектрическом сигнале искажений, обусловленных аппаратными наводками или физиологическими проявлениями человека - артефактов. Для человека, обладающего некоторым опытом расшифровки ЭЭГ, не составляет труда выделить артефакты, определить их происхождение и, что самое главное, не учитывать при описании особенностей записи ЭЭГ-сигнала. Во многих разработанных системах анализа ЭЭГ эта проблема решается удалением участков сигнала с артефактами вручную, т.е. исследователь перед проведением автоматического анализа ЭЭГ должен просмотреть на экране запись и обозначить участки сигнала, содержащие артефакты. Такой подход к решению задачи не всегда является удовлетворительным, т.к. требует значительных временных затрат.

В раде систем сделаны попытки автоматизировать процесс выделения артефактов путем использования эвристических процедур, основанных на определении моментов изменения характеристик, анализируемого ЭЭГ-процесса. Однако тщательный теоретический и экспериментальный анализ таких методов отсутствует. В связи с вышесказанным, актуальным является проведение теоретических и экспериментальных исследований по разработке автоматических методов выделения артефактов в ЭЭГ-снгналах. Кроме этого, актуальными являются задачи классификации обнаруживаемых изменений в ЭЭГ и разделения артефактов 11 ЭЭГ-феноменов, связанных с проявлением мозговой деятельности, что по настоящего времени в системах цифровой

обработки ЭЭГ не производилось. Решению указанных задач посвящена данная диссертационная работа.

Цель и задачи работы. Целью работы является исследование автоматических методов выделения артефактов в цифровых элекгроэнцефалографических системах. Для достижения это;'! цели ">чпались следующие задачи:

- разработка автоматических методов обнаружения участков ЭЭГ с нарушениями стационарности;

- разработка методов классификации выявленных нарушений с целью определения артефактов;

- разработка программного обеспечения системы для автоматического выделения артефактов ЭЭГ на базе ПЭВМ.

Методы исследования. В диссертационной работе использовачись аппарат теории случайных процессов, теории цифровой обработки сигналов, теория распознавания образов, методы создания интеллектуальных систем.

Научная новизна работы заключается в следующем:

1. Разработан способ решения задачи автоматического выделения артефактов в цифровых ЭЭГ-сисгемах, отличающийся использованием двухуровневой модели обработки сигнала, включающий в себя выделение участков иестацнокарности ЭЭГ-сигнала и классификацию выделенных участков на классы артефакт - не артефакт и по типу артефакта, обеспечивающий высокую эффективность и сокращение вычислительных затрат.

. 2. Предложены эффективные методы обнаружения артефактов, основанные на обнаружении моментов изменения свойств ЭЭГ-процессов с использованием спектральной меры различия, вычисляемой на основе спектров дискретного преобразования Фурье (ЦПФ), а также с использованием модели линейного предсказания (ЛП).

3. Разработан подход к автоматической классификации артефактов ЭЭГ, отличающийся использованием методов кластер-анализа н иерархического алгоритма классификации на основе построения миноров-эталонов и представления решающих правил н виде набора продукционных правил.

Практическая ценность работы заключается в следующем:

1. Разработаны конкретные алгоритмы обнаружения и классификации артефактов г. цифровых ЭЭГ сигналах.

2. Разработан программный комплекс на ПЭВМ типа IBM PC/AT, обеспечивающий решение задач выделения артефактов.

3. Проведены экспериментальные исследования на реальных ЭЭГ-снгналах.

Внедрение результатов работы. Теоретические и практические результаты диссертационно» работы использовались в 1994-1995 гг. при проведении госбюджет!.ой НИР ГБ-2ТУ/МО/18 в рамках научно-технической программы "Университеты России", подраздел 2.3, в части разработки инструментальных средств проектирования гибридных экспертных систем, а также при выполнении НИР В025 по разработке аппаратно-программных средств системы интеллектуальном поддержки оператора АРМ по контролю н прогнозированию чрезвычайных ситуаций, выполненной по договору с Научно-исследовательским институтом радиоэлектронных систем предупреждения чрезвычайных ситуаций (НИИ РЭС ПЧС) при Санкт-Петербургском Государственном электротехническом университете в 1994-1995 гт.

Апробация рабогм. Основные положения и результаты работы докладывались и обсуждались на научно-практических конференциях СПбГЭТУ в 1994-1995 гг., на 2-й Всероссийской с участием стран СНГ конференции "Распознавание образов и анализ изображений: новые информационные технологии", Ульяновск, 1995г., на 4-ой международной конференции "SYMBIOSIS'95", Гливице, Польша, 1995г.

■ Публикации по теме диссертации. Основные результаты диссертационной работы отражены в опубликованы* 7 печатных работах.

Структура и объем работы. Диссертационная работа состоит из введения, пяти глав, заключения, списка литературы, включающего 61 наименование. Основная часть рабпш изло сена на 158 страницах. Работа содержит 23 рисунка и 13 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во внедении обоснована актуальность темы, сформулирована цель и основные задачи исследования.

И первой главе вводятся сущность и основные понятия электроэнцефалографии, описывается аппаратура

. '¿лектроэнцефалографнческих исследований. Отмечается, чго из-за их

чувствителыюсти и сложности не всегда удается избежать искажений в записи ЭЭГ сигнала, что может явиться причиной появления ошибок при дальнейшем анализе.

Данные искажения косят названия артефактов и подразделяются на три группы. К первой относятся артефакты, причиной которых являются движения больного. Во вторую группу входят артефакты, обусловленные неисправностью аппаратуры. Третью группу артефактов составляют внешние помехи.

Основная проблема при выделении артефактов заключается в совпадении их по своим характеристикам, в частности, по спектру, с феноменами ЭЭГ, описывающими пароксиэмальную активность. Поэтому возникает необходимость разработки специальных методов выделения артефактов. Решение указанной задачи возможно наиболее эффективно, если рассматривать ее как одну из частей общей системы анализа и интерпретации ЭЭГ-сишалов.

Во второй главе были рассмотрены различные подходы к математическому описанию ЭЭГ-сигнала. В качестве основных подходов используются:

1) Методы, основанные на спектрально-корреляционных моделях. При этом рассматриваются два пути их использования:

построение описания на основе преобразования Фурье (непарамегрнческии подход);

- построение модели, основанной на параметрическом представлении временного ряда на основе АР, СС, и АРСС моделей.

2) Методы, основанные на анализе временной структуры сигнала и использовании структурных моделей для его представления.

Методы спектрально-корреляционного типа дают усредненные оценки свойств ЭЭГ-сигнала на ограниченных интервалах, тогда как структурные методы ориентированы на анализ локальных свойств сигнала.

На основе литературных данных проведено рассмотрение возможных подходов к построению систем автоматического выделения артефактов ЭЭГ. Проанализированы рагтичные методы описания ЭЭГ-сишалов в рассматриваемой задаче. Учитывая, что длительность артефактов обычно намного превышает длительность основных локальных компонент ЭЭГ (0-волни, а-волна, (5-оолиа, острая волна и др.), представляется целесообразным использовать в рассматриваемой задаче методы интегрального

описания сигналов, в частности, спектрального представления. В целом анализ существующих подходов к решению задачи автоматического выделения артефактов ЭЭГ показал, что, в силу большого разнообразия типов артефактов и трудности построения их адекватных математических моделей, возможности решения поставленной задачи в рамках одного метода ограничены. Каждый подход рассматривает выделение артефактов со своей точки зрения, не использует достоин-тва других методов и результаты проведенных на их основе исследований,

В третьей главе содержится описание предлагаемого подхода к решению задачи выделения артефактов. В качестве концепции общего решения задачи предлагается идея комплексного подхода. Комплексность мы понимаем в смысле применения совокупности методов, каждый из которых решает отдельную подзадачу. Концептуальная идея комплексного подхода, предлагаемая в работе, приводит к идее построения системы как многоуровневой структуры обработки ЭЭГ-снгнала и принятия решения.

Процесс выделения артефактов предлагается разбить на два основных этапа. На первом этапе реализуется процесс выделения участков ЭЭГ с нарушениями стационари >сти сигнала. В работе предложены подходы к решению этой задачи на основе определения моментов изменения свойств случайных процессов. Разработаны два метода:

1) метод, основанный на построении и анализе моделей линейного предсказания;

2) метод, основанный на анализе спектров дискретного преобразования Фурье.

Второй этап - это классификация выделенных нарушений, которые в дальнейшем будем называть феноменами. Как показывает врачебный анализ ЭЭГ, не все изменения стационарности ЭЭГ-снгнала могут быть интерпретированы как артефакты. Как нарушения стационарности сигналов в ЭЭГ могут отражаться некоторый проявления мозговой активности. В частности, к ним относятся такие феномены, как "пароксизмы". Для принятия решения о типе ([»еномепа в работе предлагаются два подхода:

1) подход, основанный на использовании методов автоматической группировки данных и статистических решающих правил;

2) подход, основанный на использовании решающих правил продукционного типа и системы логического вывода, для их реализации в экспертной системе (ЭС).

Использование методов автоматической группировки данных позволяет решить проблему выбора эталонов различных феноменов. В работе рассмотрены как различные виды артефактов, так и феномен "пароксизм", относящийся к проявлению мозговой активности. Принятие решения о типе феномена базируется на использовании соответствующих эталонов и статистического решающего правила. Такая реализация системы принятия решения может быть эффективна при полном автоматическом анализе ЭЭГ.

Альтернативный путь, как уже говорилось, состоит в реализации системы на основе логического вывода и построения соответствующей ЭС. В работе предложен подход к формированию базы знании такой ЭС. Предл&гается формировать ее двумя путями:

- с использованием методов автоматической генерации продукционных правил;

- на основе экспертных знаний.

Система автоматической генерации продукционных правил позволяет генерировать в режиме обучения набор продукционных правил, реализующих процесс принятия решения о типе феномена на основе использования предварительно сформированных обучающих выборок. Особенностью системы является однотипность формата правил, получаемых при автоматическом обучении и при формализации знаний от экспертов. Это позволяет хранить все правила в одной базе'-знаний и использовать их одновременно. Такой подход позволяет объединить автоматическог и интерактивное принятие решения о типе феномена и, соответственно, повысить надежность принимаемых решений.

На первом этапе процесс выделения артефактов осуществляется определением участков с резкими изменениями свойств. В работе рассмотрен общий подход к решению этой задачи на основе информационной меры различия Кульбака, описывающей различия между двумя вероятностными распределениями. При этом предполагается, что неискаженный ЭЭГ-сишал может быть описан функцией плотности вероятностей (лс,, ... , хк ) обсчетов х(... хк, заданных в моменты времени и, соответственно,

функцией плотности вероятностей )\ ( , ... , хк ), описывающей ЭЭГ сигнал с артефактами.

В общем виде мера различия Кульбака определяется как

ли.-.-**)

41:2) = - • ■■ ,хк) • • нкк

.1г\х\>ш">хк)

На основе результатов Гренандера показано, что при к <х> и некоторь(х допустимых предположениях мера Кульбака может быть сведена к спектральной мере различия

где Р,(<у) и ¡^{со) - спектральные плотности мощности случайных процессов ЭЭГ-сигналов без артефактов и с артефактами.

Рассмотрены подходы к вычислению спектральной меры различия на основе использования моделей линейного предсказания. Предполагается, что соответствующие спектральные плотности мощности могу: быть представлены в виде

/и»)-——

Л,[ехр(/ю)]| |л,[ехрО'<у)]|

где

как

¿¡(г)=1+ ^акг'к;

А-1 Ы1

Спектральная мера различия (1) в этом случае может быть определена

МСО = (<Т\ - /о)2 + 2 Е/;2 <2)

»Ы

где {ук} (А' = 0,1,- автокорреляционная функция остаточной последовательности авторегрессионнЪц модели.

Соответственно, алгоритм обнаружения нарушения стационарности ЭЭГ-снгнала может быть описан как ачгоритм сегментации реализации процесса.

1.' Но исходной записи Sj, ЭЭГ-ситала, начиная с момента tj определяется автокорреляционная функция.

2. Используя алгоритм Юла-Уолкера вычисляются оценки аа,а^...,ар коэффициентов ЛП порядка р.

3. Вычисляется последовательность ошибок предсказания e;v,e7>;V_|.

4. Определяется текущая автокорреляционная функция ошибки предсказания

! N-k _

Гп.к = + l ' к = 1'П1 '

5. Вычисляются уц^ для к = ],т. Затем для каждого значения сигнала проводятся следующие операции.

6. Вычисляются у п.к по рекуррентной формуле

7п,к -Уп-1.к + дд + ](cn+A-<v»+,V-A ~ <Vl <-'<1-1+1 )•

7. Вычисляется МСО в момент времени п в соответствии с (2) как

m

МСОп~{о\ -у(,)2 -vÎZrh-к=\

. 8. Проверяется выполнение условия МСОа > в. Если оно не выполняется, происходит увеличение п на 1 и происходит возврат к шагу 6. Если в момент п времени обнаружена граница сегмента, то временная ось сдвигается путем замены (/+£) на (к) i; все операции повторяются снова с первого шага.

Второй подход к выделению участков ЭЭГ с нарушениями стационарности сигнала основан на использовании спектров ДПФ.

Д'-1 -2тг j/ii

F(«)= Y.Xi с A' . (3)

/=(|

На основе (3) строятся оценки спектральной плотности мощности

,<„) = = Re2 f(n) + Im2 /,(,i))

В работе использовались оценки амплитудного спектра з (я) = ^(п).

Спектральная мера различия вычислялась по соотношению

= - ■*/-(")]2 ■ ) = Гм.

Я--У

.2 ""'г •

Упрощенный вариант этой меры имеет.вид й ¡ = ./(")] и сводится

фактически к оценке изменения дисперсии процесса. Принятие решения об изменении характеристик процесса основывается на сравнении мер с порогом.

Для упрощенной меры различия порог определяется на основе квантиля X2 -распределения с (N-1) степенями свободы, так как оценка дисперсии подчиняется этому распределению

..2 о1 хЪ-и-а .

В алгоритм входит величина а2, являющаяся истинной дисперсией процесса в отсутствии артефактов. Для получения этой величины можно использовать оценку, вычисляемую предварительно по участкам реализации ЭЭГ-сигнала без артефактов. Если с/*] > то обнаруживается артефакт в реализации с номером у.

Соответственно для статистики с/;2 получение аналитического распределения является более сложной задачей, поэтому в работе использовался метод экспериментального определения порога. Этот метод основан на экспериментальной оценке распределения г/у путем обработки реальных сигналов с помощью построения гистограммы распределения и ее аппроксимации. В качестве модели для аппроксимации было нспользовано гамма-распределение.

При решении задачи классификации выделенных на первом этане участков с нарушениями стационарности были эффективно использованы методы, основанные на кластер-анализе. В работе использован алгоритм кластеризации АВП (адаптивный выбор подклассов) близкий по пдеолошп к алгоритму "ЛОПАТА", но отличающийся ог него более эффективной процедурой выбора кластеров. Методы кластер-аналит псиользонаиы аз я решения следующих 'запдч:

1. Формирование эталонных описаний артефактов и других феноменов

неклассифицированных участков ЭЭГ, выделенных на первом этапе обработки. Вьщеленные таким образом "объективные" подклассы сравнивались с классификацией, полученной от экспертов-специалистов по интерпретации ЭЭГ. Описанный выше подход является эффективным средством изучения структуры пространства признаков и позволяет судить о возможности получения устойчивой классификации феноменов ЭЭГ в случае хорошего совпадения результатов автоматического и экспертного анализа.

2. Построение эффективного алгоритма классификации с обучением на основе аппрвксимацции плотностей вероятностей классов смесью нормальных распределений в виде

./ - номер класса; а>у - / - подкласс ./-класса, т1 - количество подклассов в ]-ом классе; математич'еское ожидание ¡-ого подкласса ]-ого класса; -ковариационная матрица ¡-ого подкласса /-ого класса; . - априорные вероятности подклассов.

В качестве подклассов в данном алгоритме выбираются сформированные с помощью алгоритма АВП соответствующие кластеры. Экспериментальный анализ эффективности данного алгоритма на моделях сигналов и реальных ЭЭГ-сигналах показал возможность получения весьма высокого качества классификации.

Второй подход к построению системы классификации артефактов, предложенный в работе, состоит в использовании алгоритма обучения "Геконал", позволяющего реализовать правила классификации в виде дерева решений. Особенностью предложенного подхода является использование иоминализовакного представления исходных данных в виде символьной таблицы. В процессе обучения формируются описания классов в виде так называемых миноров-этапоиов, фактически являющихся продукционными правилами, при этом одновременно оцениваются факторы уверенности

ЭЭГ путем автоматической кластеризации предварительно

полученных правил. Полученные решающие правила могут быть реализованы в виде продукционных правил в соответствующей системе логического вывода. Это позволяет эффективно встроить системы выделения артефактов в общую экспертного систему анализа и интерпретации ЭЭГ.

В четвертой главе приводится описание аппаратного и программного обеспечения, использованного в работе.

В качестве аппаратного обеспечения использовался цифровой энцефалограф "Энцефалан" 131-01, версия 4.2, фирмы "Медиком". Данный энцефалограф реализует стандартные функции регистрации ЭЭГ-сигналов. Он включает в себя 16 датчиков ЭЭГ-сигналов, набор усилителен, коммутатор каналов (мультиплексор), аналого-цифровой преобразователь, устройство сопряжения с ПЭВМ. Указанная система была использована дня регистрации и ( архивации ЭЭГ-сигналов, а также для проведения экспериментов по выделению артефактов ЭЭГ.

Разработанное программное обеспечение системы выделения артефактов ЭЭГ состоит из ряда программных комплексов.

1. Комплекс программ обнаружения феноменов ЭЭГ. Комплекс включает в себя:

- Программную систему "Spectrum", реализующую алгоритм выделения феноменов на основе спектров ДПФ. Программная система реализована с использованием пакетов программ Borland Pascal 7.0 и Object Professional в ^реде MS DOS для ПЗВМ.

- Программную систему "Eeg" для реализации обнаружения феноменов на основе методов линейного предсказания. Система реализована с использованием языка программирования С++3.1 в среде Windows.

2. Комплекс программ классификации феноменов ЭЭГ, Комплекс включает в себя:

- Программную систему "Cluster" для реализации алгоритмов классификации на основе кластер-анализа.

- Программную систему "Geconal" для реализации алгоритмов обучения на основе представления решающих ппавил в виде набора миноров-эталонов и соответствующих продукционных правил.

Указанные комплексы реализованы на базе пакетов программ Borland Pascal 7.0 и Object Professional i среде MS DOS дня ПЭВМ.

Дополнительно для проведения экспериментальных исследований была использована инструментальная оболочка ЭС "Эстер".

В пятой главе описаны результаты экспериментальных исследований, проведенных с целью проверки разработанных в диссертационной работе методов выделения артефактов. Исследование включало в себя две группы экспериментов:

1. Эксперименты по выделению феноменов ЭЭГ с точки зрения обнаружения изменения свойств процессов.

2. Эксперименты по классификации феноменов.

При проведении экспериментов использовались данные, полученные в ходе плановой клинико-диагностической работы в лаборатории психофизиологии Санкт-Петербургского Научно-исследовательского психоневрологического института им. В.М. Бехтерева.

Файлы, содержащие оцифрованные ЭЭГ, создавались при помощи серийной системы "Энцефалан 131-01, версия 4.2" производства фирмы " Медиком лтд".

В работе приведено описание постановки экспериментов, результаты предварительной обработки ЭЭГ-сигнала и результаты экспериментов по разделению феноменов на классы артефакты - не артефакты и по типам артефактов.

В экспериментальных исследованиях использовались 25 файлов ЭЭГ сигналов с различными типами артефактов. Частота дискретизации при записи составляла 150Гц, количество каналов - 16.

Проведение экспериментальных исследований показало работоспособность предложенных в работе принципов автоматического выделения артефактов.

Исследования по обнаружению изменений ЭЭГ на основе алгоритмов обнаружения по спектрам ДПФ и на основе лннейного предсказания показали результаты, близкие к оценкам экспертов (в среднем совпадения имеют место в 92% случаев). При этом метод, основанный на линейном предсказании, показал преимущество в вычислительных затратах в случаях, когда артефакты встречаются в реализациях ЭЭГ-^игналов достаточно редко.

При проведении исследований по классификации феноменов ЭЭГ в качестве описания сигналов использовались оценки спектральной плотности мощности, полученные по участкам, выделенным на этапе обнаружения

феноменов. Спектральный анализ проводился в диапазоне 0.5-45Гц прн длине реализации 256 отсчетов. Для уменьшения вычислительных затрат проводилось полосовое осреднение' спектров в диапазонах основных ритмов ЭЭГ, что позволило представить ЭЭГ-снгнал 5-мерным вектором спектрального описания. В экспериментах использовано 154 участка, содержащие артефакты "моргание", "движение электродов", "плохой контакт" и феномен "пароксизмальная активность".

Исследование процессов классификации артефактов показало, что метод автоматической кластеризации может быть успешно использован прн формировании эталонных описаний артефактов. Полученные при этом группы сравнивались' с классификацией, проведенной экспертами при визуальном анализе записей ЭЭГ. Результаты анализа совпали в 94% случаев.

Проведенные исследования по классификации на основе алгоритма' "Геконал" показали возможность эффективного построения системы продукцонных правил с использованием процедуры обучения. Полученные правила были использованы для формирования базы знаний .экспертной системы "Эстер". Результаты проверки качества классификации в режиме консультации ЭС на исходных выборках дали 95% правильной классификации типов артефактов.

ЗАКЛЮЧЕНИЕ

Проведенное в данной работе исследование позволяет сделать следующие выводы:

1. Задача автоматического выделения артефактов является важной частью системы цифровой обработки ЭЭГ.

2. Решение задачи выделения артефактов целесообразно проводить по двухуровневой схеме:

- выделение участков ЭЭГ с резкими изменениями свойств;

- классификация выделенных участков на класса, артефакт - не артефакт и по видам артефактов.

3. Дзя решения задачи выделения участков ЭЭГ с резкими изменениями можно эффективно использовать методы, основанные на спектральных представлениях.

4. Для решения задачи классификации целесообразно использовать методы, основанные на использовании кластер-анализа.

5. Применение алгоритма "Геконал" позволяет построить схему классификации на основе системы логического вывода.

6. Экспериментальные исследования, проведенные на достаточно представительных выборках реальных ЭЭГ, подтвердили эффективность предложенных методов.

Дальнейшая работа может быть направлена на расширение количества классов исследуемых артефактов, повышение эффективности вычислительных процедур с целью обеспечения принятия решения в реальном времени, создание законченной подсистемы выделения артефактов с целью комплектации ею имеющихся коммерческих цифровых ЭЭГ-систем.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Алхасан А., Геппенер В.В., Кафтасьев В.Н. Кластер-программный комплекс поддержки разработки систем классификации. - СПб., 1994, с.98-103 (Известия ГЭТУ; выпуск 476).

2. Геппенер В.В., Алхасан А., Черниченко Д.А. Исследование спектральных методов автоматического определения артефактов и цифровых ЭЭГ-системах // METROMED 95: Тез. докл. международной научно-практической конференции "Измерительно-информационные технологии в охране здоровья". Санкт-Петербург, 19-22 июня 1995. с. 191-193.

3. Геппенер В.В., Кафтасьев В.Н., Алхасан А. Автоматическая генерация продукционных правил в диагностических экспертных системах. - Томск,

1994. - с. 22-29 (Кибернетика и ВУЗ; выпуск 28).

4. Геппенер В.В., Алхасан А. Генерация продукционных правил в экспертных системах на основе формирования миноров-эталонов. - СПб.,

1995. (Известия ГЭТУ; шпуск 489).

5. Геппенер В.В., Голубев А.Б., Алхасан А., Кас}>тасьев В. Н. Принципы построения обучаемой экспертной системы автоматического распознавания электроэнцефалограмм челоьека II РОАИ-2-95: Тез. докл. 2-ой всероссийской с участием стран СНГ конференции "Распознавание образов и анализ изображений: новые информационные технологии". - Ульяновск, 28 августа-1 сентября )995-часть 4, с. 65-67.

6. Геппенер В.В., Алхасан А. Использование нечетких граф-схем при построении распознающих систем II РОАИ-2-95: Тез. докл. 2-ой всероссийской с участием стран СНГ конференции "Распознавание образов и анализ изображений: новые информационные технологии". - Ульяновск, 28 августа-1 сентября 1995-часть 1, с. 9-10.

7. Alhasan A., Geppener V.V. Clustering methods in automatic artefacts detection in digital EEG-systems // International Conference "SYMBIOSIS 95", September 18-20, .1995, Gliwice, POLAND.

Подписано к печати. 26.03.95. формат 60x84 1/16. Офсетная печать. Печ.л. 1.0 уч.-нздл.-1.0. Тираж 100 экз. Зак. № 5?

Ротапринт МГП "Полнком" 197376, Санкт-Петербург, ул. Проф. Попона, 5