автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Измерительно-вычислительный комплекс для выделения слабых сигналов

ПЕНЗЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

ед

1 5 МАИ Ш

На правах рукописи

ПРЕСНЯКОВ Сергей Владимирович

ИЗМЕРИТЕЛЬНО-ВЫЧИСЛИТЕЛЬНЫЙ! КОМПЛЕКС ДЛЯ ВЫДЕЛЕНИЯ СЛАБЫХ СИГНАЛОВ

Специальность 05.11.16 — «Информационно-измерительные

системы»

Автореферат диссертации на соискание ученой степени кандидата технических наук

ПЕНЗА 2000

Работа выполнена на кафедре «Автоматика и телемеханика» Пензенского государственного университета-

Научный руководитель — доктор технических наук, профессор Е. П. Осадчий.

Официальные оппоненты:

доктор технических наук, профессор Смогунов В. В.;

кандидат технических наук Иванов А. И.

Ведущая организация — Научно-исследовательский институт физических измерений.

Защита диссертации состоится 27 апреля 2000 года, в 14.00, на заседании диссертационного совета Д.063.18.01 Пензенского государственного университета по адресу. 440017, г. Пенза, ул. Красная, 40-

С диссертацией можно ознакомиться в библиотеке Пензенского государственного университета-

Автореферат разослан 27 марта 2000 года.

Ученый секретарь диссертационного совета

к.тл!., доцант Ю. М. Крысин

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Проблема выделения сигнала из шума является одной из глобальных технических задач. Причем иногда отношение сигнал/шум меньше единицы. В данной работе предлагается решение задачи выделения сигнала из шума в условиях превышении шума над сигналом. Реализация разработанной методики показана на примере выделения биоэлектрического сигнала головного мозга - вызванного потенциала (ЗП), который получается в ответ на предъявление кратковременных стимулов [вспышка света, звуковой щелчок, электрические импульсы). Техническая ¡адача выделения сигнала из шума решалась в рамках темы по созданию измерительно - вычислительного комплекса (ИВК) для медицинских'' исследо-юний.

В настоящее время методы борьбы с шумами разработаны достаточно сорошо. Однако, несмотря на это, существуют определенные трудности при «пользовании приемов, которые достаточно просто могут быть реализована при выделения сигналов от технических объектов, но практически нереа-шзуемы при решении задач выделения биоэлектрических сигналов. В дан-юм случае, возникает проблема, связанная с особенностями рассмотрения, юловека как объекта исследований. Наличие нестационарности, связанной с тсодом параметров сигнала с течением времени при длительном обследова-ши пациента - отличительная черта большинства сигналов, с которыми приедятся работать при медицинских исследованиях. Кроме того, наличие ар-ефактов обычно превосходящих амплитуду регистрируемых сигналов ска-ывается на специфике выделения информативной составляющей-сигнала.

При регистрации ВП возникает дополнительная проблема связанная с его ильным зашумлением (отношение сигнал/шум в решаемой задаче порядка -О дБ). Поэтому в настоящее время возможно получать лишь сильно усред-енный сигнал, лишенный индивидуальных признаков. Кроме того, необ-одимо длительное проведение обследования. ■ •

Технологические приемы, связанные с построением схем на малошумя-шх элементах в данном случае уже практически исчерпаны. Это объясняет-я особенностью формирования сигнала ВП. Поэтому выход из сложившего-я положения видится в разработке, алгоритмических способов качественно-з подавления шума. Реализация многих методов математической обработки чгналов возможна лишь с использованием быстродействующих ЭВМ. Во ногих случаях компьютеры стали элементом измерительной установки, :уществляя, таким образом, совмещение процесса измерения, обработки и травления вспомогательным оборудованием.

Таким образом, разработка ИВК является' перспективным направлением ¡следований. Особенно актуальной является задача создания ИВК для ме-

дицинских исследований т.к. медицина в первую очередь касается каждого из нас.

Так как организм представляет собой сложноорганизованную систему, где все органы действуют совместно друг с другом, то целесообразно проводить научные исследования, одновременно рассматривая параметры работы различных систем организма. В связи с чем весьма актуальной является задача создания многоканального и многофункционального ИВК доя исследования биоэлектрических сигналов.

В последнее время в лечебных учреждениях начали широко применять электромагнитные (ЭМ) методы лечения различных заболеваний. Особую роль здесь играют низкоинтенсивные ЭМ волны в миллиметровом диапазоне (миллиметровая или КВЧ-терапия).. Эффективность КВЧ-терапии не уступает, а в ряде случаев выше медикаментозных методов. Однако, в настоящее время, еще не до конца изучено влияние параметров излучения на организм человека. Поэтому разработка ИВК сочетающих в себе современные методы обработки данных и позволяющих исследовать различные виды терапевтических воздействий в настоящее время является актуальной задачей.

Целью данной работы является совершенствование методов выделения сигналов на фоне превосходящих шумов и создание по результатам работы ИВК для научных исследований. ,

Для достижения указанной цели необходимо было решить следующие основные задачи:

]) проанализировать известные методы выделения сигнала из шума и определить наиболее эффективные из них для выделения слабых биоэлектрических сигналов;

2). разработать способ выделения сигнала из шума при превышении уровня помехи над сигналом, позволяющего улучшить выделение индивидуальных признаков информационного сигнала путем более эффективного подавления шума;

3) разработать методику определения, реакций сложной биоэнергетической системы на воздействия сигналов подпороговой интенсивности;

4) разработать способ, позволяющий корректно сравнивать несколько' серий экспериментов, длительных по времени, в условиях постоянно меняющегося состояния исследуемой системы;

5) разработать и создать ИВК для научных исследований и программное обеспечение к нему;

Методы исследования. В работе использовались основные положения ли- _ нейной теории предсказания, рекуррентные алгоритмы оценивания параметров сигнала, регрессионный анализ, математическая статистика, дифференциальное и интегральное исчисление, элементы матричной алгебры, имитационное моделирование. Моделирование проводилось с применением про-

граммного продукта Electronics Workbench. Программирование для обеспечения работоспособности комплекса осуществлялось в интегрированных средах Turbo Pascal, Turbo Vision и Delphi. Результаты исследований анализировались с использованием пакета прикладных программ Mead.

Научная новизна. В работе получены следующие научные результаты:

1) разработана методика выделения сигнала из шума, основанный на учете фазовых соотношений усредняемых интервалов и. позволяющий более эффективно по сравнению с традиционными способами подавлять шумовую компоненту регистрируемого сигнала; •

2) предложена методика прогнозирования развития сигнала основанная на статистической структуре организации его основных,ритмов и позволяющая снизить трудоемкость прогнозирования поведения сигнала;. \

3) разработана методика косвенной оценки действия сигналов подпоро-говой интенсивности, основанная на анализе-изменения компонент составляющих сигналов, полученных в результате формирования последовательности данных на основе пересекающихся выборок;

4) на основании проведенных экспериментальных исследований биоэлектрических процессов при информационном воздействии электромагнитным излучением (ЭМИ) миллиметрового диапазона предложен способ ло-сального воздействия КВЧ ЭМИ несколькими частотами одновременно;

5) разработай и изготовлен ИВК, осуществляющий сбор информации, юстэкспериментальиую обработку интересующих сигналов и адаптивное ^правление периферийным оборудованием ориентируясь на результаты магматической обработки полученные данных, осуществляемой в реальном «асштабе времени. „

Практическую ценность работы составляют: ■

1. разработанный ИВК, алгоритм его работы и соответствующее программное обеспечение к нему;

2. методика выделения сигнала из шума;

3. методика прогнозирования сигнала; . •

4. методика оценки подпороговых воздействий на основе косвенных измерений; .

5. методика проведения эксперимента для корректного сравнения влияния нескольких возмущающих воздействий в условиях изменчивости объекта исследования;

6. устройство одновременного локального'облучения КВЧ ЭМИ генераторами различных частот:

Апробация работы. Основные положения и отдельные результаты док-иывались и обсуждались на Всероссийской межвузовской научно-•чнкческой конференции студентов и аспирантов «Микроэлектроника и ^юрйатика - 99» (г. Зеленоград, 1999); .Международной научно-

технической конференции «Методы и средства измерения в системах контроля и управления» (г. Пенза, 1999); Международной конференции «Радиоэлектроника в медицинской диагностике» (г. Москва, 1999).

Публикации. По материалам диссертационной работы опубликованы 7 печатных работ, из них 1 статья в центральной печати. Кроме тбго, принято положительное решение по заявке на изобретение.

Структура и объем диссертации. Диссертация состоит из введения, 4 глав, заключения, списка использованных источников из 128 наименований и 2 приложений. Общий объем работы составляет 237 страниц машинописного текста и включает в себя 72 рисунка и 3 таблицы, в том числе 52 страницы приложений.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, определены цели и задачи исследования, дана общая характеристика выполненной работы, показана новизна решаемых задач.

В первой главе описываются основные характеристики исследуемых сигналов, проводится их анализ. Отмечается, что ВП эффективно используется для диагностики заболеваний головного мозга, а также оценки состояния различных сенсорных систем и их проводящих путей. >

Однако широкое использование данных сигналов тормозится сложностью выделения ВП. ВП генерируется теми же нейронными структурами, что и ЭЭГ. Поэтому на информационный сигнал аддитивно накладываются «спонтанная» электрическая активность головного мозга - электроэнцефало-грамма(ЭЭГ) й шум приборов. Таким образом, ЭЭГ в данном случае является шумом. При регистрации от кожного покрова головы, ее амплитуда достигает 100 мкВ. На этом фоне достаточно трудно выделить ВП, амплитуда которого не превышает в среднем 15 мкВ и соизмерима с аппаратурными шумами.

Таким образом, наблюдается классическая задача выделения сигнала (ВП) из шума (ЭЭГ + шум приборов). Однако данная проблема имеет ряд особенностей, которые усложняют выделение сигнала ВП. К ним можно от-' нести следующие: отношение сигнал/шум -40 дБ; одинаковый частотный диапазон сигнала и шума; невозможность получения сигнала отдельно от шума; постоянные изменения состояния системы, генерирующей сигнал. Кроме того, необходимо знать амплитудно-временные параметры выделяемого сигнала, а не только, его спектральные свойства. Данные обстоятельства сильно ограничивают выбор методов выделения сигнала.

При выделении сигналов приходится сталкиваться с задачами обнаружения, различения, оценки параметров сигнала. Определяется, что решаемая проблема относится к последнему классу задач.

Рассматриваются достоинства и недостатки существующих методов выделения сигнала из шума. Отмечается, что согласно теории информации, повышение отношения сигнал/шум может быть осуществлено посредством введения избыточной информации. По результатам обзора литературы установлено, что основным методом выделения сигнала головного мозга является метод когерентного приема, использующий увеличение длительности сигнала для повышения отношения сигнал/шум. При его использовании исходят из допущения, что ВП

1) синхронизированы с предъявлением стимула;

2) повторяемы и идентичны для каждого предъявления стимула;

3) статистически независимы от спонтанной фоново^ЭЭГ.

В принципе метод когерентного приема сводится к следующему. Участки ЭЭГ, непосредственно следующие за подачей стимула, последовательно суммируют. При этом начала суммируемых отрезков должны совпадать по времени отсчета. При такой суммации синфазные колебания ВП совпадают по времени н поэтому, суммируясь когерентно, дают прогрессивный прирост амплитуды. Спонтанная же ЭЭГ дает некогереншое суммирование, что не дает существенного прироста суммарной ЭЭГ. За счет этого и достигается улучшение отношения сигнала ВП к шуму спонтанной ЭЭГ. Отношение сигнал/шум при использовании данного метода увеличивается пропорционально корню из числа произведенных суммирований.

Начало систематическому использованию метода когерентного приема в электроэнцефалографии было положено -работами Даусона (Dawson, 1947). Накопление ответов производилось с помощью фотографического наложения картин ЭЭГ, наблюдающихся при последовательных раздражениях. Для этого на неподвижную пленку "фотографировали экран осциллографа, луч которого перемещался с помощью развертки, синхронизированной с.раздражениями. Использование суммационной техники возможно также при работе •ia чернилопишущем осциллографе (Пеймер, 1959). В 1954 г. Даусоном было жонструировано сложное электромеханическое устройство с набором элек-грических конденсаторов в качестве накопительной системы.

Однако попытки регистрации ВП у человека с помощью данных прибо-юв позволили выделить и описать только относительно более высокоампли-удные поздние компоненты в основном зрительных ВП.

Делались попытки использования корреляционного метода для выделе-1ия сигнала ВП (Дэрбиштр). При этом отношение сигнал/шум улучшается за чет нахождения областей с максимальной корреляции- исследуемой ЭЭГ с мблсшом. Однако необходимость наличия достаточно большого банка дан-ых шаблонов ВП и большой вариабельности ВП у разных испытуемых, оррелограммы давали желаемый результат лишь в небольшом проценте пучаев. .

Рассмотренные методы оптимальной фильтрации не нашли широкого применения ввиду низкого отношения сигнал/шум в рассматриваемой задаче, а так же из-за необходимости знания шаблона ВП для построения передаточной характеристики фильтра.

Представляет интерес фоновый принцип обнаружения объекта, разработанный для задач радиолокационного зондирования и способный работать при уровне шума превышающем уровень информационного сигнала. Однако данный метод позволяет лишь решать задачу обнаружения сигнала, но не оценки его параметров.

Настоящий прогресс в области изучения ВП у человека был достигнут с применением процедуры усреднения ЭЭГ на ЭВМ. Использование компьютерной техники при выделении ВП позволило получать стабильные характеристики ответов головного мозга и положило начало широкому использованию ВП для медицинских исследований.

Однако данному методу присущ ряд недостатков. Ввиду малого отношения сигнал/шум, требуется довольно значительное количество усреднений. Поэтому необходимо длительное проведение обследования. Кроме того, ограничение усреднения проявляется в том, что оно в принципе требует стационарности исследуемых явлений и не может реагировать на быстрые изменения. Состояние нервной системы непрерывно меняется, и следует ожидать, что она будет меняться за время, требуемое для выполнения необходимого числа повторенных записей сигнала (обычно от 50 до 100). Другими словами, ВП не обязательно остается неизменным от начала и до конца серии стимуляции. Существуют множество причин, которые могут вызывать изменение формы сигнала, в результате чего получаемый сигнал имеет сильно усредненный вид. Поэтому не прекращаются попытки выделить сигнал ВП на одиночный стимул или хотя бы сократить число суммируемых эпох. . .• ■

Гнездицкий В.В. (1990) предложил способ выделения единичных ответов мозга. Идея состоит в переносе процесса усреднения из временной области в пространственную, поскольку бет усреднения выделить ответ'крайне сложно. При этом выделяются ответы при подаче единичного стимула за счет ус-' редпения по пространству электродов. Недостаток данного метода очевиден - ответы под разными электродами не совсем идентичны, и поэтому результирующий сигнал имеет довольно «средний» вид.

На основании проведенных исследований делается вывод о перспективности разработки методики выделения сигнала из шума и использовании ее в автоматизированном ИВК для регистрации сигналов головного мозга человека.

Во второй главе проводится расчет оптимального количества интервалов усреднения при использовании метода когерентного усреднения с учетом

инструментальной погрешности используемых приборов и динамической погрешности от усреднения мгновенных отсчетов процесса. Отмечается, что наибольшая точность достигается при усреднении 70 интервалов ЭЭГ.

В результате анализа стандартного метода когерентного усреднения показано, что низкая эффективность подавления шума ЭЭГ связана с тем, что фазовый сдвиг суммируемых участков ЭЭГ является случайной величиной.

Разрабатывается методика выделения слабого .биоэлектрического ответа головного мозга на внешнее возбуждение (ВВ) из шума ЭЭГ, позволяющая сократить количество суммируемых эпох и повысить эффективность подавления шума, основанная на автоматическом формировании фазовых сдвигов суммируемых эпох.

Очевидно, что максимально подавляются лишь противофазные эпохи суммируемых сигналов (рисунок 1). Даже при. незначительном сдвиге фазы суммируемых сигналов эффективность усреднения резко снижается (рисунок 2). Учитывая это, предлагается органшовать подачу импульсбз ВВ в противофазные моменты развития сигнала ЭЭГ.

Модель сигнала Модель шума

Рисунок 1 " Рисунок 2

Таким образом, при использовании метода когерентного усреднения пата суммируемых эпох, совпадающие с моментом подачи стимула, окажут-;я в противофазе друг с другом и при усреднении произойдет их компенсация. Сигнал ВП, формируемый от начала подачи стимула, остается постоян-1ым для каждого предъявления сигнала раздражения и поэтому его фаза не вменяется, а значит при усреднении амплитуда ВП увеличится.

Характерной особенностью данной методики является нелинейный ха-¡актер коэффициента подавления шумовой составляющей по^всей длитель-¡ости сигнала. В наибольшей степени будет подавляться шум ЭЭГ на на-альном участке формирования'сигнала ВП. Это происходит из-за того, что в ротивофазе окажутся лишь первые волны ЭЭГ, ввиду случайного характера юрмирования данного сигнала головного мозга. Однако данная особенность е уменьшает достоинств предлагаемой методики, т.к. обычно при медицинах исследованиях наиболее информативным участком ВП является на-альный (длительностью около 100 мс), т. к. именно там находится инфор-ация о состоянии проводящих путей. Кроме того, начальные компоненты П имеют амплитуду всего лишь несколько микровольт, что гораздо ниже

относительно более высокоамплтудных.длиннолатекпшх компонент. По этому они в наибольшей степени подвержены влиянию шумов.

Для того чтобы организовать подачу сигналов ВВ в зависимости от фазь ЭЭГ необходимо прогнозирование поведения сигнала,.т.к. стимулы подают ся в реальном масштабе времени и требуется знать дальнейшее развита* сигнала после подачи импульса воздействия для того» чтобы сигкал ВП на чинал формироваться на противофазных волнах ЭЭГ.

Определение эффективности предложенной методики показало, что степень подавления шума определяется точностью попадания импульсов раздражения в определенные фазовые участки ЭЭГ и соотношением амплиту/ суммируемых эпох. Анализ способов фазирования сигналов показал возможность использования как аппаратных так и программных средств. Детальное исследование аппаратных способов совмещения сигналов показалс сложность изготовления н трудности в перестройке данных систем. Поэтому было, решено реализовать подбор моментов подачи возмущающих импульсов по результатам математической обработки сигнала на ЭВМ.

Данная задача может быть решена с помощью линейной теории предсказания сигнала разработанной Н. Винером. Известно, что при частоте дискретизации в два и более, раз превышающей высшую частоту спектра сигнала, существует достаточная корреляция между соседними отсчетами. И^ея предсказания заключается в том, что п-я выборка сигнала (5Л) может быть приблизительно предсказана путем суммирования с определенным весом некоторого числа предшествующих выборок сигнала:

• ; - «.>1>А*

где - предсказанное значение сигнала;'а* - коэффициент линейного предсказания; р -порядок предсказателя.'

Проведенные исследования выявили недостатки использования линейной теории предсказания для реализации разработанной методики. Данная тео-. рия хорошо вела себя с математическими моделями сигналов, но при работе с реальными сигналами наблюдалось возбуждение фильтра'. Увеличение порядка фильтра предсказания требовало увеличения машинных ресурсов и усложняло прогнозирование в реальном масштабе времени. Поэтому была предпринята попытка осуществить прогнозирование сигнала ЭЭГ, основываясь на статистической структуре организации ее основных ритмов, которая была изначально разработана С.И. Сороко для изучения нейрофизиологиче-. ских механизмов адаптации человека к экстремальным условиям.

Процедура вычислений заключается в следующем. Каждый выделенный' период ЭЭГ относится к одному из четырех непересекающихся классов, соответствующих частотным, диапазонам бета-, альфа, тета- и дельта- ритмов. Оговаривается, что произошло событие с номером /, если очередной период

;з последовательности попадает в i-rый класс. Через x¡, x¡, x¡, х4, обозначается события соответствующие бета-, альфа-, тега- и дельта - длинам волн. 5ычисляется условная вероятность P¡j появления события x¡ при условии, то предшествующим событием было x¡. Совокупность' P¡¿ сводятся в матри-;у, которая является матрицей переходных вероятностей. Вычисление матицы Р осуществляется исходя из выборочных данных по формуле

íV-yZ"«

ае пу~ число'переходов от события x¡ к событию Xj- в выборке объема N.

На рисунке 3 приведен типичный граф, соответствующий матрице пере-одов от одной волны ЭЭГ к другой. Шириной линии св,язи показана вероят-ость перехода одного pimía з другой. Таким образом, зная вероятности пе-ехода ритмов, можно с определенной, степенью точности прогнозировать альнейший переход од!шГ( золпы г. ритм какого-то другого' диапазона и таим образом подбирать «оиеит подачи'сигаала раздражения.

¡Рисунок 3

Однисо для зтепользеетлгия данного метода необходимо иметь индавиду-гмше спггисттгесшг характеристики, определение которых связанно с ¡емешшми затратами. Креме того, нп сдщ| из методов не способен прогно-ровать амплитуду золи ЭЭГ.

Высокие требования к точности прогнозирования сигнала привели к ¡обходимостн ввести систему адаптации к ошибкам прогнозирования, таптация проводится на основании особенностей формирования сигнала Т. Учитывая то, что сигнал ВП появляется лишь спустя некоторое.время еле подачи сигнала возбуждения, начальный участок долйсен иметь вид олинии длительностью около 20 мс. Принимая во внимание данное об-эятельство, любые отклонения от прямой линии считаются некачествен-¡м подавлением шума ЭЭГ. Поэтому проводя слежение за накапливаемым >еалыюм масштабе времени сигналом ВП, возможно вносить коррекцию в горитм подбора момента подачи сигнала раздражения, тем самым компен-руя неточность прогнозирования сигнала ЭЭГ. Разработанный алгоритм едусматрявает следующий порядок действий: подбор момеитз нарастания сигнала, используя теорию прогноза; подача сигнала ВВ в фазе нарастания сигнала (рисунок 4; линией отмечен момелт подачи ВВ); „

3) запись эпохи ЭЭГ; \'

4) подбор момента убывания сигнала, используя теорию прогноза;

5) подача сигнала возбуждения в фазе убывания сигнала (рисунок 5);

6) запись эпохи ЭЭГ;

7) суммирование зарегистрированных эпох (рисунок 6);

Рисунок 4 Рисунок 5 Рисунок 6

8) Анализ усредненного сигнала;

Проводится для определения направления отклонения начального участка ВП от прямой линии с целью дальнейшей компенсации полученных отклонений. Для этого, на интервале 20 мс от момента подачи импульса раздражения находится волна с максимальной амплитудой и определяется направление ее развития (положительная или отрицательная).

9) Определение момента следующей подачи сигнала возбуждения. Для этого, анализируется волна полученная по пункту 6. Если волна имеет положительное направление т.е. развивается вверх, то принимается решение о том, что следующий сигнал ВВ должен подаваться в момент убывания сигнала ЭЭГ. И наоборот, если волна имеет отрицательное направление, то следующий сигнал ВВ должен подаваться в момент нарастания сигнала ЭЭГ. Таким образом происходит компенсация волн посредством слежения за отклонениями начального участка сигнала ВП от прямой линии.

10) Определение момента завершения процедуры выделения сигнала ВП. Если при проведении дайного количества суммирований эпох не удалось добиться изолинии на начальном участке ВП (дибперсия сигнала больше определенного уровня), то необходимо получение дополнительных усреднений для увеличения отношения сигнал/шум. Анализ проводится на основании особенностей выделения сигнала ВП: по мере подавления шума ЭЭГ, результирующий сигнал ВП все меньше изменяется по мере увеличения числа суммируемых эпох. Таким образом, вычисляя коэффициент корреляции- между предыдущим усредненным сигналом и тем же сигналом с наложением-на него последней записанной эпохи ЭЭГ, возможно определить момент,, когда свойства усредняемого сигнала перестанут изменяться с увеличением числа суммируемых эпох. Это служит сигналом к прекращению процедуры усреднения.

11.Переход по результатам вычислений пунктов 8-10:

a) к пункту 1 если к < 0,9 и начальный участок усредненного сигнала ВП имеет убывающий пик;

b) к пункту 2 если к < 0,9 и начальный участок усредненного сигнала ВП имеет возрастающий пик; ■

с) завершение процедуры усреднения если к > 0,9 и дисперсия начального участка усредненного сигнала ВП не превышает установленный уровень.

Данная последовательность действий позволяет снизить не только неточности прогнозирования фазовых сдвигов шумовой составляющей сигнала, но и уменьшить погрешности связанные с различной амплитудой суммируемых участков, которая практически не поддается прогнозу.

Применение следящего алгоритма позволяет предложить экстремальный способ прогнозирования развития сигнала ЭЭГ. Суть его заключается в следующем. Определяется момент и порядок изменения знака производной. По результатам обработки принимается решение: если изменение происходило с + на - то ожидается спад сигнала и наоборот. Данный метод чрезвычайно прост в использовании и при совместном применении со следящим алгоритмом выделения сигнала обеспечивает достаточно высокую степень подавления шума. Кроме того, данный способ не требователен к ресурсам ЭВМ.

Третья глава посвящена вопросу имитационного моделирования рассматриваемых процессов с учетом особенностей решаемых проблем^ а также проверке предлагаемых методик на моделях сигналов. Рассмотрены виды и особенности построения моделей сигналов сложной формы.

Разработка ИВК обычно сопровождается построением моделей рассматриваемых сигналов для отработки алгоритма действия. Учитывая сложность построения моделей сигналов головного мозга и специфику решаемых задач, , оговаривается, что моделирование было необходимо на этапе отработки методики выделения ответа головного мозга. Поэтому формирование сигналов осуществлялось имитируя амплитудо-частотные параметры рассматриваемых сигналов с учетом индивидуальных особенностей рассматриваемых сигналов, но не учитывая сложный характер формирования и взаимодействия биоэлектрических сигналов.

На отдельных этапах работы использовались реальные сигналы записанные непосредственно с пациентов и хранящиеся в базе данных. Это дало возможность максимально приближено к реальным условиям оценить эффективность предлагаемых методик.

Анализ предлагаемой методихи на моделях сигналов показал правильность теоретических разработок. На рисунке 7 показан характер кривых подавления шума ЭЭГ стандартным методом когерентного усреднения и с применением разработанной методики выделения информативного сигнала. Где /V- число интервалов суммирования, а АА - дисперсия результирующего, сигнала. Отчетливо видно, что использовании предлагаемой методики наблюдается резкое снижение уровня шума при малом- количестве усредняемых эпох, в отличие от более плавного при обычном методе.

Рисунок 7

При выделении ВП используя компьютерное моделирование сигналов, были получены следующие данные. Критерием эффективности метода было количество просуммированных эпох после соблюдения, условий пунктов 10 и. 11. При использовании стандартного метода когерентного усреднения, алгоритм завершался пооле 40 усреднений. Применение разработанной методики с элементами адаптации сокращало эту процедуру до 15.

В четвертой главе рдсрдатривааотся вопросы практической реализации ИВК для научных исследований и описывается использование данной системы для исследования воздействия волн мм-диапазона на организм человека. ■ ■'.''■'".'.''. . -

Разработан пакет прикладных программ, осуществляющий управление, периферийным оборудованием, запись регистрируемых екгаалоз н обработку полученных данных.

При экспериментальном выделении ВП получены следующие результаты. На рисунке-8 представлен ВП полученный при использовании стандартного метода когерентного усреднения. На начальном участке отчетливо видно некачественное подавление шума ЭЭГ. Применение разработанной методики с элементами адаптации позволяет заметно улучшить подавление щума (рисунок 9.)

Рисунок 8 Рисунок 9

Предлагается косвенный метод обнаружения реакций человека на подпо роговые ВВ путем оценки изменения реакций головного мозга. Например, волны КВЧ воздействуют на человека не на энергетическом уровне, ввиду, малой величины кваита энергии, а на информационном.' Поэтому определить эффективность воздействия водн КВЧ чрезвычайно трудно. Обычный метод выделения реакций головного мозга в данном случае неприменим т. к. не по--

зволяет выделить ответ на излучение столь низкой интенсивности (100 мВт). Однако по изменению характера проведения сигнала возбуждения можно судить о наличии реакции на то или иное ВВ.

Применение данной методики весьма затруднено ввиду особенности выделения сигнала головного мозга. Используемый метод когерентного усреднения предполагает длительное проведение обследования с подачей серии ВВ, поэтому все изменения вида ВП в двух разнесенных по времени экспериментах можно отнести к изменениям состояния головного мозга, а ие ВВ. Для того чтобы корректно проводить сравнение нескольких экспериментов предлагается методика сравнения воздействий нескольких возмущающих факторов основываясь на методе выделения сигнала ВП. Суть данного метода заключается в следующем: при сравнении реакции человека на различные воздействия обычно эти воздействия были разнесены во времени (рисунок 10). На рисунке значком X показаны воздействия первого рода; значком О -воздействия второго рода.

, X , X , X . X , х , X , X , X -, , О , О , О- .-'О , о . о .. о , о ' 1-г—Н-1--1-1-1-1-1 !-1—Н-1-1-1-^—1

Первая серия эксперимента Вторая серия эксперимента

Рисунок 10

Поэтому было достаточно трудно соотнести эти случаи т.к. с течением времени наблюдается изменение состояния организма. Чтобы этого избежать предлагается чередовать воздействия и усреднять полученные результаты (рисунок 11). ^ .

|Х! ° I Х 1 ° 1 Х 1 ° 1 Х I ° 1 Х 1 ° Г* I ° 1 Х I ° 1 * 1 ° I . Рисунок 11

Полученные таким образом пересекающиеся выборки оказываются в равных условиях, что дает право сравнивать эффект на то или иное воздействие.

Для проверки данной методики был проведен эксперимент с воздействием фотовспышками на органы зрения человека и выделением ответа головного мозга на это воздействие. В результате получены идентичные картины ВП (рисунок 12), что говорит об идентичности подаваемых воздействий и работоспособности метода. -

Используя предложенную схему Проведения эксперимента, и разработанный ИВК, было исследовано влияние волн КВЧ на характер проведения сигнала возбуждения.

Как уже говорилось, КВЧ, в силу своего информационного а не энергетического воздействия не может качественно проявить себя по аналогии с другими воздействиями, на которые регистрируются ответы головного мозга - ВП. Однако КВЧ способна изменить характер проведения сигналов в мозг человека. Учитывая это, предлэгается совместить два ВВ - КВЧ и световые

вспышки и по характеру изменения ВП молено судить о влиянии КВЧ на проводящие пути и в целом на организм человека. Проводя стимуляцию .вспышками света, каждая вторая из которых сочеталась с локальным периферическим КВЧ облучением, мы наблюдали разницу в структуре ВП каждой пары одного и того же отведения, выражавшуюся в противоположной направленности их первых компонентов (рисунок 13).

ВП на свет ВП на свет + КВЧ

Рисунок 12 Рисунок 13

Были выявлены также и другие особенности влияния волн мм - диапазона на изменение формы ВП отраженные в литературе.

В настоящее время вопрос влияния параметров ЭМИ на организм человека еще недостаточно изучен и поэтому практически не наблюдается индивидуального подхода к терапевтическому воздействию, либо это процесс достаточно длителен. При использовании стандартных генераторов с фиксированной частотой или генераторов шума, порой можно не достичь положительного эффекта. Поэтому разработка методов и средств позволяющих быстро и качественно проводить индивидуальный подбор параметров излучения является актуальной задачей. В ходе исследований был предложен способ локального воздействия КВЧ ЭМИ несколькими частотами одновременно. -Данный способ, позволяет расширить функциональные возможности используемых генераторов КВЧ. В настоящее время заявка на изобретение по данному способу находится в стадии рассмотрения. Созданное устройство совмещает излучение от нескольких генераторов КВЧ и совместно с устройством управления позволяет поочередно подавать на одну и ту же биологически активную точку импульсы различных частот и их суммарное воздействие. Разработанные средства и методики, внедренные в ИВК, направлены на исследование вопроса о подборе максимально эффективных параметров излучения.

Все предложенные в диссертационной работ методики были реализованы в ИВК, функциональная схема которого представлена на рисунке 14. В его состав входит полный перечень инструментов для проведения научных исследований. Он позволяет осуществлять управление внешними приборами, регистрацию электрических потенциалов, обработку в электронно-вычислительно^ устройстве и отображать результаты в форме, удобной для анализа. Установка также позволяет изучать влияние электромагнитного излучения мм - диапазона на организм человека.

В комплекс входят: элекгроэнцефалограф EEGrI6s (фирмы «Медйкор», Венгрия) необходимый для регистрации ЭЭГ и ЭКГ; стимуляторы, осуществляющие воздействие на человека световыми и звуковыми импульсами; плата ввода - вывода, устанавливаемая в порт ISA компьютера, позволяющая оцифровывать данные по 16 каналам с частотой дискретизации до 200 кГц на один канал. Преобразование осуществляется по прерываниям системного таймера компьютера. Частота может регулироваться в широких пределах. Управление излучаемой мощностью генераторов КВЧ осуществляется через параллельный порт принтера и преобразователь, включающий в себя ЦАП и усилитель мощности. Уровень мощности задается силой тока, протекающего через р- /- п диод установленный на выходе излучателя. В качестве излучателей КВЧ применяли модифицированные генераторы Явь-1-7,1мм и Явь-1-5,6 мм.

< 5 i у

| I

а s

Рисунок 14

При экспериментальных исследованиях были получены данные, представляющие большой интерес для медицинских работников в плане изучения влияния параметров ЭМИ излучения КВЧ диапазона на организм человека. На рисунок 15 представлен фрагмент программы исследований по разработанной методике.__' ■_

Фотовспышка,

I» 1 li»

Фото+КВЧ . 7,1 и*

фото+КВЧ - 5,6м»»

ФОТО+КВЧ: ; 7,1+5,6 ММ

Рисунок 15

С помощью данного ИВКбыли проверены ряд гипотез по индивидуальному подбору параметров излучения при КВЧ терапии, проведен ряд экспериментов по изучению взаимосвязи биоэлектрических сигналов организма. Более подробно об использовании разработанного ИВК и результатах работы можно узнать из опубликованных работ по этой тематике. Намеченные пути дальнейшей работы предполагают совершенствование ИВК в плане расширения функциональных возможностей.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ методов выделения сигнала из шума. Выявлено, что наиболее распространенным методом выделения сигнала головного мозга (ВП) из шума является метод когерентного приема. В то же время ему присущи такие недостатки как необходимость усреднения большого Количества реалнзаций'сигнала в результате чего результат обработки нечувствителем к редковозникающим изменениям, повышается, вероятность большего несходства конечного результата с лежащими £ его основе реальными полезными сигналами и требуется длительное время проведения обследования;

2. Анализируя инструментальную погрешность используемых приборов и динамическую погрешность от усреднения мгновенных отсчетов процесса установлено, что оптимальное количество интервалов суммирования при использовании метода когерентного усреднения для достижения максимального отношения сигнал/шум - 70;

3. Предложена методика выделения информационного сигнала из шума, отличающаяся от стандартного метода когерентного усреднения, автоматическим формированием сигнала с привязкой к фазе подавляемого сигнала. Экспериментально подтверждена эффективность разработанного метода при отработке модели воздействия волн мм диапазона. Данная методика позволяет повысить качества подавления шума и работоспособна при отношении сигнал/шум менее единицы.

4. Разработана методика прогнозирования развития сигнала основанная на статистической структуре организации его основных ритмов. Методика позволяет снизить требования к вычислительным возможностям ЭВМ и осуществить прогнозирование в реальном масштабе времени, длительностью пропорциональной полупериоду основного ритма сигнала.

5. Предложена методика косвенного определения реакции сложноорга-низованной биоэнергетической системы на различные воздействия подпоро-гового уровня, позволяющая оценить влияние на организм человека. При. экспериментальном использовании данной методики было проведено исследование влияние низкоэнергетического КВЧ излучения на изменение конфигурации компонент отклика головного мозга.

' 6. Разработан план проведения эксперимента, позволяющий проводить

корректное сравнение откликов исследуемого/объекта при использовании теории когерентного приема, основанный на сравнении вида сигнала, полученного в формировании пересекающихся выборок.

7. По результатам проведенных работ, разработан ИВК, позволяющий проводить медицинские исследования, ориентируясь на различные биоэлектрические сигналы организма человека, автоматически управляющий периферийным оборудованием и осуществляющий обработку полученных данных. Создан ряд прикладных программ, обеспечивающих работоспособность комплекса и осуществляющих выделение информации на основе предложенных алгоритмов обработки данных.

Основное.содержание диссертационной работы отражено в следующих публикациях:

1. Пресняков C.B. Адаптивный итерационный метод выделения вызванных потенциалов. И Методы и средства измерения в системах контроля и управления. Тез. докл. международной науч.-техн. конф., - Пенза, 1999.

С. 86. ' ;

2. Пресняков C.B., Алексеев К.А. Методика выделения информативного вызванного потенциала мозга из шума. // Микроэлектроника и информатика - 99. Тез. докл. Всероссийской межвуз. науч.-технич. конф., -Зеленоград, 1999.-С 45.

3. Пащенко В В., Пресняков«С.В., Пигарев A.B. Метод выделения вы-, званных потенциалов. // Радиоэлектроника в медицинской диагностике. Тез. зокл. Международной конф. -Москва, 1999. -С. 58.

4. Пресняков C.B., Ковалев A.A. Якунин В.В. Управляемый генератор <ВЧ. // Радиоэлектроника в медицинской диагностике. Тез. докл. Международной конф. -Москва, 1999. -С. 79. ' .

5. Ковалев A.A., Пресняков C.B. Механизм первичного влияния на кору оловного мозга проявлений трансформации в его организме внешнего низ-юэнергетического КВЧ-излучения. Миллиметровые водны в биологии и ме-[ицине. №2,1999. С.25-36.

6. Пащенко В.В., Пресняков C.B. Выделение сигнала ВП на основе экстраполированных данных статистичесхой структуры временной организации итмов ЭЭГ. // 'Датчики систем измерения, контроля и управления: Межвуз. б. науч. тр., - Пенза, ПГУ, -вып. 20, 2000 (в печати).

7. Пресняков C.B. Способ выделение ответов головного мозга на внеш-ее возбуждение с помощью следящего алгоритма. // Датчики систем змерения, контроля и управления; Межвуз. сб. науч. т»., - Пенза, ПГУ, -ып. 20, 2000 (в печати). • и

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ МЕТОДОВ ВЫДЕЛЕНИЯ ИНФОРМАЦИИ ИЗ

ЗАШУМЛЕННЫХ СИГНАЛОВ.

1.1 Анализ исследуемых сигналов.

1Л Л Общие свойства электроэнцефалограммы.

1Л.2 Вызванная активность.

1Л .3 Определение отношения сигнала к шуму в электроэнцефалограмме.

1.2. Характерные задачи обработки сигналов.

1.3. Применение согласованной фильтрации в задачах выделения сигналов.

1.4. Способы повышения отношения сигнал/шум.

1.5. Фоновый принцип обнаружения изменений.

1.6. Методы выделения слабых биоэлектрических ответов.

1.6.1 Вероятностное обнаружение слабых сигналов.

1.6.2 Корреляционные методы выделения информативных сигналов.

1.6.3 Методы приема с использованием когерентных накопителей.

1.6.4 Методы усреднения.

1.6.5 Метод повышения достоверности обнаружения биоэлектрических ответов.

1.7. Выводы.

ГЛАВА 2. РАЗРАБОТКА МЕТОДА ВЫДЕЛЕНИЯ

ИНФОРМАТИВНОГО СИГНАЛА НА ФОНЕ

ПРЕОБЛАДАЮЩИХ ШУМОВ.

2.1. Определение оптимального количества интервалов усреднения

2.2. Разработка методики выделения информативного сигнала.

2.3. Определение эффективности предлагаемой методики выделения сигнала из шума.

2.4. Аппаратный комплекс фазирования сигналов.

2.5. Использование линейной теории предсказания.

2.6. Прогнозирование на основе статистической структуры временной организации ритмов ЭЭГ.

2.7. Адаптивный алгоритм выделения сигнала.

2.8. Выводы.

ГЛАВА 3. ОЦЕНКА ЭФФЕКТИВНОСТИ РАЗРАБОТАННОГО МЕТОДА НА ИМИТАЦИОННЫХ МОДЕЛЯХ

РАССМАТРИВАЕМЫХ СИГНАЛОВ.

3.1. Особенности построения моделей сигналов сложных систем.

3.2. Виды моделей.

3.3. Разработка имитатора ЭЭГ.

3.4. Модели ВП.

3.5. Анализ предлагаемой методики на моделях сигналов.

ГЛАВА 4. ИСПОЛЬЗОВАНИЕ РАЗРАБОТАННОЙ МЕТОДИКИ

ПРИ ОБНАРУЖЕНИИ РЕАКЦИЙ ГОЛОВНОГО МОЗГА

4.1 Анализ технических средств реализующих разработанную методику выделения зашумленного сигнала.

4.2 Разработка способа выделения сигналов подпорогового уровня

Проблема выделения сигнала из шума является одной из глобальных технических задач. Причем иногда отношение сигнал/шум меньше единицы. В частности, при проведении медицинских исследований стоит задача выделения биоэлектрического сигнала головного мозга - вызванного потенциала (ВП). Особенностью данной задачи является то обстоятельство, что шум значительно превосходит по уровню информационный сигнал. Так, при отведении от покровов головы, амплитуда ВП составляет около 15 мкВ. Уровень шумов, на фоне которых регистрируется информационный сигнал, достигает 100 мкВ. Обычно шум складывается из нескольких составляющих. В данном случае в него входят аппаратные шумы усилителей, различные наводки, а также спонтанная электрическая активность головного мозга - электроэнцефалограмма (ЭЭГ). Уровень шумовой составляющей в основном определяется именно уровнем ЭЭГ.

При решении задач выделения сигналов широко используются технологические приемы, такие'как использование в усилительной аппаратуре малошу-мящих элементов. При регистрации слабых биоэлектрических сигналов применение лишь только данных приемов эффективно лишь до определенной степени. Например, уровень сигнала ВП, который необходимо выделить, соизмеримым с уровнем аппаратных шумов. Более того, в данном случае приходится учитывать особенности формирования информационного сигнала. ВП генерируется теми же нейронными структурами, что и спонтанная электрическая активность головного мозга. Поэтому сигнал не может существовать отдельно от шума, и их спектры лежат в одном частотном диапазоне.

Кроме данных обстоятельств, существуют определенные трудности, использования приемов, которые достаточно просто могут быть реализованы при выделении сигналов от технических объектов, но практически нереали-зуемы при решении задач выделения биоэлектрических сигналов. При выделении биоэлектрических сигналов отдельно можно определить проблему рассмотрения человека как объекта исследований. Наличие нестационарности, связанной с уходом параметров сигнала с течением времени при длительном обследовании пациента - отличительная черта большинства сигналов, с которыми приходится работать при -медицинских исследованиях. Данные обстоятельства сказываются на специфике выделения информативной составляющей биоэлектрических сигналов.

Существующие методы выделения сигналов обычно требуют шаблона выделяемого сигнала, по которому строится фильтр [60, 86, 108] и работают при условии превышения сигнала над помехой [4, 5, 98, 102]. Методы позволяющие выделять зашумленный сигнал при отношении сигнал/шум менее единицы широко используют теорию когерентного приема [3, 6] требующей длительной регистрации с целью накопления информационного сигнала. При этом повышаетег вероятность несходства конечного результата с лежащими в его основе реальными полезными сигналами. Поэтому становится актуальной задача разработки методов, позволяющих более качественно подавлять шумы. Это позволит снизить время обследования и повысит качество выделения индивидуальных признаков информационного сигнала.

Совершенствование технических средств обработки информации привело к массовому применению компьютеров в различных областях науки и техники. Быстрота обработки информации и удобство работы сделали ЭВМ непременным атрибутом любых исследований. ЭВМ обладают такими возможностями, что они позволяют реализовать очень сложные алгоритмы обработки информации. Хотя многие из методов, лежащих в основе этих алгоритмов, были известны давно, все их достоинства в полной мере реализовались лишь с появлением быстродействующих ЭВМ. Во многих случаях компьютеры являются элементом измерительно-вычислительных комплексов [64, 107] и обеспечивают возможность обработки в реальном времени, осуществляя, таким образом, совмещение процесса измерения и обработки информации.

Использование компьютера в информационно - измерительной системе позволяет повысить качества подавления шума посредством структурной организации измерительного комплекса и применением эффективных методов математической обработки регистрируемых сигналов.

Бурно развивающаяся техника обработки информации с помощью электронных вычислительных машин находит все более широкое применение в самых разнообразных областях науки, включая физиологические и медицинские исследования. Сложные медицинские комплексы, составной частью которых является компьютер, находят все более широкое применение для диагностики и лечения заболеваний [2, 45, 47, 76], помогают врачам в постановке правильного-диагноза. При медицинских исследованиях все чаще используют многопараметрическую регистрацию. Большой интерес представляет электрическая активность мозга [39, 41, 44], сердца [12, 103, 112], параметры пульсовой волны [46, 115], дыхательный процесс [17, 85], деятельность других органов для решения задач диагностики. Разработанные различные методы выделения и обработки информации, которые используются при решении технических задач, воплощаются при создании медицинских комплексов.

В последнее время в лечебных учреждениях начали широко применять электромагнитные методы лечения различных заболеваний [69, 109]. Особую роль здесь играют низкойнтенсйвные электромагнитные волны в миллиметровом диапазоне (миллиметровая или КВЧ-терапия) [32, 33, 40, 93]. При этом остаются еще множество вопросов о характере воздействия волн крайне высокой частоты на организм человека. Не изучено до конца влияние параметров излучения на способность организма реагировать на эти частоты, ведутся исследования по измерению латентного периода индикации КВЧ-поля [92] т.е. через какой промежуток времени изменятся параметры работы организма под влиянием электромагнитного излучения и т.д. Таким образом, весьма перспективными можно считать научные исследования по совершенствованию ап пар ато в м икр о в о л но в о й терапии и разработке измерительно - вычислительных комплексов для изучения характера воздействия волн мм - диапазона на организм человека.

На данном этапе развития техники, связанным с использованием ЭВМ, возникают задачи не только эффективного выделения информативных сигналов, но и совместной обработки полученных результатов. Компьютер позволяет синхронизировать управляющие внешние воздействия с регистрируемыми процессами. Это дает возможность реализовывать эффективные методики выделения сигналов и получать «овые данные при научных исследованиях.

Целью диссертационной работы является разработка методов выделения слабых сигналов на фоне превосходящих шумов и создание на их базе измерительно-вычислительного комплекса для научных медицинских исследований.

Предметом исследования в диссертационной работе являлись методы выделения зашумленных сигналов.

Технические задачи, которые решались в диссертационной работе возникли в связи со следующими задачами медицинских исследований:

1) исследование слабых "сигналов головного мозга;

2) исследование действия электромагнитного излучения низкой интенсивности мм-диапазона на пространственно-временную организацию биоэлектрических, сигналов мозга;

3) получение информации с нескольких систем организма человека для исследования их совместного влияния.

На защиту выносится:

1. Методика адаптивного выделения сигнала из шума, позволяющая повысить эффективность подавления шумовой составляющей посредством слежения за результатом обработки регистрируемого сигнала и обеспечения компенсирующих мер для коррекции результата измерения в реальном масштабе времени.

2. Методика косвенной оценки подпороговых воздействий, основанная на подмешивании к информационному сигналу дополнительного воздействия и сопоставлении серий полученных данных.

3. Автоматизированная система, обеспечивающая сбор данных, обработку полученной информации и адаптивное управление периферийным оборудованием по результатам математической обработки, осуществляемой в реальном масштабе.

По теме диссертационной работы было опубликовано 7 печатных работ, из них 1 - в центральной прессе. Основные результаты работы доложены и обсуждены на Всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика - 99» (г. Зеленоград, 1999); Международной научно-технической конференции «Методы и средства измерения в системах контроля и управления» (г. Пенза, 1999); Международной конференции «Радиоэлектроника в медицинской диагностике» (г. Москва, 1999).

В структурном отношении работа состоит из введения, четырех глав, заключения, списка использованных источников и двух приложений. Она содержит 237 страниц основного текста, 72 рисунка, 3 таблицы.

В главе 1 проводится анализ исследуемых сигналов, описываются их основные характеристики, анализируются методы обработки информации, устройства и алгоритмы выделения зашумленных сигналов. Определяется, что методика выделения информативного сигнала будет ориентирована на биоэлектрические сигналы, .формируемые головным мозгом человека.

Рассматриваются достоинства и недостатки существующих методов выделения сигнала из шума. Определяется, что решаемая проблема относится к классу задач, связанных с оценкой параметров сигнала. Отмечается, что согласно теории информации, для повышения отношения сигнал/шум требуется некоторое количество избыточной информации.

По результатам обзора литературы установлено, что основным и наиболее эффективным методом выделения сигнала головного мозга является метод когерентноголриема, исподьзующий увеличение длительности сигнала для повышения отношения сигнал/шум.

В главе 2 проводится анализ стандартного метода когерентного усреднения. Даются рекомендации по выбору оптимального количества интервалов усреднения. Разрабатывается методика, позволяющая повысить отношение сигнал/шум, посредством управления фазовым сдвигом усредняемых интервалов. Определяется эффективность предлагаемой методики (зависимость коэффициента подавления шума от точности прогнозирования развития сигнала), основываясь на корреляционной функции исследуемого сигнала. Рассматриваются различные способы реализации предложенного метода в зависимости от метода прогнозирования. Предлагается методика с использованием адаптивного способа выделения биоэлектрического сигнала головного мозга, основанная на слежении в реальном масштабе времени за накапливаемым в процессе усреднения сигналом и принятия решения о времени подачи управляющего воздействия. Предлагается способ автоматического определения минимально - достаточного количества усредняемых эпох в зависимости от степени подавления шума.

В главе 3 разрабатываются модели исследуемых сигналов. Рассматриваются различные виды моделей и этапы их формирования. Предлагаются как физические, так и виртуальные модели для проверки методов обработки информации. Анализируются особенности построения моделей биоэлектрических сигналов. Проводится анализ работоспособности предлагаемого адаптивного фазового метода на моделях сигналов.

В главе 4 рассматриваются вопросы применения быстродействующих электронных вычислительных машин и отдельных элементов автоматической вычислительной техники при физиологических исследованиях и в медицинской практике. Описывается методика проведения научных исследований по выделению информативной составляющей сигнала. Разрабатывается программа записи и обработки полученной информации. Описывается созданный измерительно-вычислительный комплекс для проведения медицинских ис

11 следований. Предлагается косвенный метод определения достоверных изменений параметров работы сложноорганизованной системы под влиянием различных подпороговых воздействий. Разрабатывается методика проведения эксперимента позволяющая корректно сравнивать различные серии экспериментов в условиях изменяющихся параметров исследуемого объекта.

Проверяется работоспособность разработанного адаптивного метода выделения зашумленного сигнала на примере определения эффекта влияния волн КВЧ на характер проведения импульсов по нервным волокнам. Описывается устройство позволяющее совместить излучение генераторов КВЧ настроенных на различные частоты и организовать новое информационное воздействие на организм человека. Описывается программное обеспечение измерительно-вычислительного комплекса и назначение органов управления.

В заключении приводятся основные результаты работы.

В приложении 1 представлены материалы, относящиеся к внедрению результатов диссертационной работы.

В приложении 2 приводится программное обеспечение разработанного измерительно - вычислительного комплекса для обработки полученной информации и.управления-периферийным оборудованием. А также программное обеспечение интерфейса программы.

Выводы

Таким образом, разработанный ИВК позволяет проводить различные исследования в области изучения работы организма человека. Удобный интерфейс и простота работы с программой делают его привлекательным для медицинских работников. Применение автоматизированного управления позволяет избавиться от необходимости проведения монотонных повторений операций. Использование разработанных методов обработки информации дает возможность более качественно, по сравнению с традиционными методами, выделять зашумленные сигналы.

Практическое использование данного комплекса подтвердило правильность теоретических обоснований адаптивного фазового метода выделения информативной составляющей сигнала. При выделении слабого биоэлектрического сигнала головного мозга - ВП, подавление шума до уровня 5 мкВ наблюдается уже при 15 усреднениях. Традиционный метод когерентного усреднения обеспечивает подобное качество подавления шума лишь при 40 усреднениях. Это говорит о качественном подавлении шума при использовании разработанного метода выделения сигналов.

При исследовании воздействия волн мм-диапазона на организм человека, была разработана методика проведения эксперимента для косвенного определения характера проявления подпороговых воздействий на организм человека. Данную методику можно распространить и на решение технических задач по выделению сигналов, уровень которых не превышает зону нечувствительности системы.

Разработанное устройство совмещения излучения генераторов КВЧ различных частот, методика проведения эксперимента и измерительно - вычислительный комплекс с программным обеспечением предоставляет возмож

169

ЗАКЛЮЧЕНИЕ В настоящее время вопросы выделения сигнала из шума достаточно хорошо проработаны. Тем не менее, проблема выделения слабого биоэлектрического сигнала ВП решается лишь применением метода когерентного усреднения, который не претерпел существенных изменений за многие годы его использования. Это объяснятся спецификой решаемой задачи. В частности, из-за значительного превышения уровня помехи над сигналом и их перекрывающимися спектрами. Использование метода когерентного усреднения приводит к тому, что результирующий сигнал имеет сильно усредненный вид. Кроме того, сложность решаемой задачи заключается в том, что в отличие от сигналов технических объектов, где для каждого повторения воздействия вид реакции системы не отличается друг от друга, характеристики биоэлектрических ответов имеют довольно сильную вариабельность из-за наличия привыкания и различных помех.

В настоящей работе предлагается методика выделения сигналов, позволяющая повысить эффективность подавления шума при использовании теории когерентного приема. Это позволяет более качественно выделять индивидуальные параметры информативной составляющей.

Кроме того, использование разработанных оригинальных методик выделения информации от биологических объектов позволило выделить реакцию сложноорганизованной системы на воздействие подпорогового уровня -электромагнитное излучение мм - диапазона.

При выполнении диссертационной работы были получены следующие результаты.

1. Проведен анализ методов выделения сигнала из шума. Выявлено, что наиболее распространенным методом выделения сигнала головного мозга - вызванного потенциала из шума является метод когерентного усреднения. В то же время ему присущи такие недостатки как необходимость подачи большого числа внешних воздействий для формирования нескольких реализаций сигнала. В результате обработки, полученный сигнал имеет сильно усредненный вид и требуется длительное время проведения обследования. Таким образом, задача разработки методик, позволяющих повысить качество подавления шума, является актуальной.

2. Анализируя инструментальную погрешность используемых приборов и динамическую погрешность от усреднения мгновенных отсчетов процесса, установлено, что оптимальное количество интервалов суммирования при использовании метода когерентного усреднения для достижения максимального отношения сигнал/шум - 70;

3. Разработана методика выделения слабых сигналов, отличающаяся от стандартного метода когерентного усреднения автоматическим формированием интервалов усреднения с привязкой к фазе подавляемого сигнала. Данная методика позволяет повысить качество подавления шума. Экспериментально подтверждена эффективность разработанной методики при отработке модели воздействия волн мм диапазона.

4. Разработана методика прогнозирования развития сигнала ЭЭГ основанная на статистической структуре организации ее основных ритмов. Методика позволяет снизить требования к вычислительным возможностям ЭВМ и осуществить прогнозирование в реальном масштабе времени.

5. Разработана методика косвенной оценки действия сигналов подпоро-говой интенсивности, основанная на подмешивании дополнительного сигнала, формировании пересекающихся выборок вместо временного разделения воздействий и анализе изменения компонент составляющих биоэлектрических сигналов, полученных в результате формирования последовательности данных на основе пересекающихся выборок. При использовании данной методики было проведено исследование влияние низкоэнергетического КВЧ излучения на изменение времени возникновения компонент биоэлектрического сигнала головного мозга.

6. На основании проведенных экспериментальных исследований биоэлектрических процессов при информационном воздействии электромагнитным излучением миллиметрового диапазона была выявлена неадекватная реакция организма человека на частотные параметры излучения. Для расширения функциональных возможностей существующих аппаратов КВЧ - терапии, предложен способ локального воздействия КВЧ ЭМИ несколькими частотами одновременно.

7. По результатам проведенных работ, разработан и изготовлен измерительно - вычислительный комплекс, осуществляющий сбор информации, постэкспериментальную обработку интересующих сигналов и адаптивное управление периферийным оборудованием ориентируясь на результаты математической обработки полученные данных, осуществляемой в реальном масштабе времени. Комплекс позволяет проводить медицинские исследования, ориентируясь на различные биоэлектрические сигналы организма человека. Создан ряд прикладных программ, обеспечивающих работоспособность комплекса и осуществляющих выделение информации на основе современных алгоритмов обработки данных.

Автор выражает благодарность научным консультантам: к.т.н., доценту кафедры «Автоматика и телемеханика», Пащенко Валентине Васильевне и к.т.н., зав. отделением «Функциональная диагностика» Пензенской областной больницы им. H.H. Бурденко, Ковалеву Анатолию Александровичу за ценные советы и замечания при проведении научных исследований и оформлении диссертационной работы.

1. Аветисов С.Р., Смогунов В.В. Новые технологии продления жизни человека. Пенза: ЦНИЛОТ, 1992. - 30 с.

2. Александров В.В., Шнейдеров B.C. Обработка медико биологической информации на ЭВМ. - М.: Медицина, 1983. - 195 с.

3. Акимов П.С., Бакут П.А. Теория обнаружения сигналов. М.: Радио и связь, 1984.-274 с.

4. А. с. 548794 Германия, МКИ3 G01S13/82. Способ обработки, обеспечивающий подавление шумов и выделение полезных сигналов / Зифлинг Г. (Германия) Изобретения стран мира. №7, 1994. - С. 43: ил.

5. А. с. 357283 Франция, МКИ3 G01S13/82. Способ измерения ВЧ фонового шума в условиях воздействия ВЧ сигналов окружающей среды / Ма-рил С.Л. (Франция) Изобретения стран мира. №2, 1994. - С. 43: ил.

6. А. с. 153786 США, МКИ3 G01S13/04. Способ и устройство для распознавания полезных сигналов на фоне шумовых сигналов / Прэтт У. (США) Изобретения стран мира. №4, 1994. С. 46: ил.

7. А. с. № 652513 Россия, МКИ GO IS 1/24 Устройство совмещения передних фронтов когерентных фазокодированных радиоимпульсов / Смирнов Н.В. (Россия). Бюл. №34, 1985. - 4 е.: ил.

8. Ануашвилли А.Н., Прангишвилли И.В. Фоновый принцип обнаружения подвижного объекта // Автоматика и телемеханика. 1997. - №5. - С. 195 - 202.

9. Аппарат микрорезонансной терапии АИСТ. Технические условия. ДАКЖ. 941526.ООЗТу.

10. Аппарат КВЧ терапии неинвазивного воздействия на БАТ АРЦАХ. Паспорт. УАТП. 941526.020 ПС.

11. Аумала О. Превращение помех в полезную информацию (точный сбор зашумленных данных) // Приборы и системы управления. 1997. - №4 -С. 52-55

12. Баевский P.M.: Корнилов О.И., Клецкин С.З. Математический анализ измерений сердечного ритма при стрессе. М.: Наука, 1984. - 125 с.

13. Беллман Р. Введение в теорию матриц. М.: Наука, 1976. - 273 с.

14. Березин И.С., Жидков Н.П. Методы вычислений т.1. М.: Гос. изд. физ. мат. литерат., 1962. - 464 с.

15. БецкийО. В. КВЧ терапия//Радио. - 1995. - №7. - С. 4 - 7

16. Бецкий О.В. Частотная зависимость биологических эффектов в области электромагнитных волн: новые биологические резонансы в миллиметровом диапазоне // Миллиметровые волны в биологии и медицине. -1998. -№2.-С. 3-5.

17. Бокша В.Г., Брудная Э.Н., Попов A.A. Автоматизированная система оценки функций дыхания. Киев: Здоров'я, 1983. - 112 с.

18. Бочкарев A.M.: Юрьев А.Н., Долгов М.Н., Щербинин A.B. Цифровая обработка радиолокационной информации при сопровождении целей // Зарубежная радиоэлектроника. 1991. - №3. - С. 3 - 22.

19. Браммер К. Зифлинг Г. Детерминированное наблюдение и стохастическая фильтрация. М.: Наука, 1982. - 283 с.

20. Брук Ю.М.: Ульянов О.М. Адаптивное подавление промышленных помех. // Радиотехника. 1988. - №7. - С. 60 - 61.

21. Ван Трис Г. Теория обнаружения, оценок и модуляции. М.: Сов. Радио, 1982. - 362 с.

22. Взятышев В.Ф. Диэлектрические волноводы. М.: Сов. радио, - 1970. -338 с.

23. Вапнэ Г.Н., Глаголев Б.С. Перспективные линии передачи КВЧ диапазона. Сер.1. Электроника СВЧ. Вып.11. -М.: Энергия, 1986. -289 с.

24. Васильев В.И., Коноваленко В.В., Горелов Ю.И. Имитационное управление неопределенными объектами. Киев: Наукова Думка, 1989. -310 с.

25. Видаль Ж.Ж. Обнаружение процессов, происходящих в головном мозге, по ЭЭГ в реальном масштабе времени. // ТИИЭР. №5. - 1977. - С. 49 -59

26. Винокуров В.И., Ваккер P.A. Вопросы обработки сложных сигналов в корреляционных системах. М.: Советское радио, 1972. - 284 с.

27. Вишняков А.Н. Выделение полезного сигнала на фоне помехи и псевдорегулярного возмущения // Автоматика и телемеханика. 1997. - №10. -С. 126-133

28. Воробьев Г.Н., Потапов Е.С., Смирнов В.В., Сюзев В.В. Имитация случайных процессов с требуемыми спектральными характеристиками в цифровых моделях информационно управляющих систем // Автоматика и телемеханика. - 1976. - №9. - С. 22 - 28.

29. Воробьев Г.Н., Сюзев В.В. Генераторы случайных процессов в базисе Уолша//Радиотехника и электроника. 1983. -№10. - С. 1914 - 1920.

30. Гарднер У.А., Трехкаскадная адаптивная компенсация шума для произвольных сигналов с использованием вводимого в источник вспомогательного сигнала. // ТИИЭР. 1981. - №7. - С. 81 - 84

31. Гнездицкий В.В. Вызванные потенциалы мозга в клинической практике. Таганрог: Медиком. - 1997. - 252 с.

32. Давыдов Б.И., Тихончук B.C., Антипов В.В. Возможности слабого нетеплового воздействия ЭМП. / Биологическое действие, нормирование и защита от электромагнитных излучений. М.: Энергоатомиздат, 1984.107 с.

33. Девятков Н.Д., Голант М.Б., Бецкий О.В. Миллиметровые волны и их роль в процессах жизнедеятельности. М.: Радио и связь, 1991.169 с.

34. Девятков Н.Д., Голант М.Б., Бецкий О.В. Особенности медикобиологи-ческого применения миллиметровых волн. М.: ИРЭ РАН, 1994.108 с.

35. Дэрбиштр А. Выделение ВП методом корреляции между ЭЭГ и шаблоном. // ТИИЭР. 1972. - №10. - С. 43 - 46.

36. Жадин М.Н. Биофизические механизмы формирования ЭЭГ. М.: Наука, 1984. - 196 с.

37. Жадин М.Н., Игнатьев Д.А. Метод анализа вызванных потенциалов, учитывающий декрементность процесса. // Биофизика. 1974. - №1. -С. 143-146.

38. Жуковский В.Д. Медицинские электронные системы. М.: Медицина, 1982. - 310 с.

39. Жирмунская Е.А. Клиническая электроэнцефалография. М.: Медицина, 1991.-354 с.

40. Завгородний C.B. и др. Исследование влияния электромагнитного излучения миллиметрового диапазона на сердечно сосудистую систему. // Миллиметровые волны в биологии и медицине. - 1997. - №9 - 10. - С.25.28.

41. Зарецкий A.A., Шестериков С.А., Оглезнев К.Я. Система регистрации стволовых ВП у человека. М.: Наука, 1982. - 82 с.

42. Зарецкий A.A., Шестериков С.А., Оглезнев К.Я. Повышение точности определения латентности слуховых стволовых вызванных потенциалов М.: Педагогика, 1982.- 120 с.

43. Заявка на изобретение № 99115246 Россия, МКИ3 Н03В25/00 ФИПС 7.07.99. Способ локального КВЧ ЭМИ двух или более частот / Ковалёв A.A., Перолайнен А.И., Якунин В.В., Пресняков C.B. (Россия).

44. Зенков J1.P., Ронкин М.А. Функциональная диагностика нервных болезней. М.: Медицина, 1991. - 386 с. .

45. Иванов Ю.И. Программная система, интерпретирующая записи длинно-латентных вызванных потенциалов. // Медицинская техника. 1996. -№4. - С. 15-16.

46. Инструментальные методы исследования сердечно-сосудистой системы. Справ, пособие / Под ред. Т.С. Виноградовой. М.: Медицина, 1986.-278 с.

47. Калядин Н.И., Кузнецов П.Г. Компьютерные медицинские мониторы: состояние и перспективы. // Медицинская техника. 1999. - №5. - С. 5 -8.

48. Кей С.М. Ядра разложения нелинейных функций // ТИИЭР. 1975. -№5.-С. 278-230.

49. Клинико-электрофизиологические показатели функционального состояния головного мозга человека. Л.: ЛИЭТИН, 1971. - 387 с.

50. Коваленко В.И., Трушин В.И. Широкодиапазонные генераторы КВЧ // 10 Рос. симп. мм волны в медицине и биологии: Сб. докл. М., 1995.

51. Ковалёв A.A., Пресняков C.B. Механизм первичного влияния на кору головного мозга человека проявлений трансформации в его организме внешнего низкоэнергетического КВЧ-излучения. // Миллиметровые волны в биологии и медицине. 1999. - №2. - С. 25-36.

52. Ковалёв A.A., Пресняков C.B., Якунин В.В. Взаимодействие разных КВЧ нетепловой интенсивности в организме человека. // Миллиметровые волны в биологии и медицине. 1999. - №2. - С. 25-36.

53. Кожевников В.А., Мещерский K.M. Современные методы анализа электроэнцефалограммы. М.: Государственное издательство медицинской литературы, 1963. - 386 с.

54. Кожевников В.А., Радионова Е.А. Вероятностный метод оценки реакций угнетения альфа ритма ЭЭГ, возникающих в ответ на звуковые раздражения минимальной интенсивности // Проблемы физиологической акустики. - 1959. - №4. - С. 68-79.

55. Коротаев А.Г. Системы анализа и синтеза речевого сигнала с линейным предсказанием // Зарубежная радиоэлектроника. 1976. - №10. - С. 314.

56. Коротаев А.Г. Методы линейного предсказания // Зарубежная радиоэлектроника. 1976. - №10. - С. 49 - 65.

57. Красненкер В.М. Стабильные методы обнаружения сигналов на фоне помех // Автоматика и телемеханика. 1980. - №5. - С. 65 - 88.

58. Кулаичев А.П. Компьютерная электрофизиология в клинической и исследовательской практике. М.: Информатика и компьютеры, 1998. -283 с.

59. Кулаичев А.П., Каплан А.Я. Компьютерные системы анализа биосигналов//Мир ПК. 1994. - №8. - С. 11-19.

60. Ланцош К. Практические методы прикладного анализа. М.: Наука,1984. 256 с.

61. Лебедева H.H. Реакции центральной нервной системы человека на электромагнитные поля с различными биотропными параметрами // Биомедицинская радиоэлектроника. 1998. - №1. - С. 24 - 35.

62. Леховицкий Д.Х., Табачников М.И., Шипицын С.И. Выбор порядка линейного фильтра предсказания для стационарных случайных процессов с гауссовской корреляционной функцией // Радиотехника. 1990. - №4. -С. 44 -48.

63. Макс Ж. Методы и техника обработки сигналов при физических измерениях. М.: Мир, 1983. - 311 с.

64. Малиновский В.Н. Электрические измерения. М.: Энергоатомиздат,1985.-416 с.

65. Мельников П.Н., Сюзев В.В. Автоматизация анализа и синтеза структур ЭВМ и вычислительных алгоритмов. Новосибирск: Инженерно-строительный институт, 1991. - 267 с.

66. Миллиметровые волны в медицине и биологии / Под рук. Девяткова Н.Д., М.: ИРЭ АН СССР, 1989. - 308 с.

67. Мишле А.Х. Повышение отношения сигнал/шум для затухающих экспонент методом фильтрации при обратном направлении времени. // ТИИЭР. -№10. 1975. - С. 108 -112.

68. Мосунов В.Б. Алгоритмы адаптивного линейного усиления // Зарубежная радиоэлектроника 1985. - №5 - С. 3 - 24.

69. Никольский В.И., Смогунов В.В. Электронная терапия. Новая концепция лечения. Пенза: Изд. ППИ, 1991. - 40 с.

70. Новиков Ю.В., Калашников O.A., Гуляев С.Э. Разработка устройств сопряжения. М.: ЭКОМ, 1997. - 222 с.

71. Новицкий П.В., Зограф И.А., Лабунец B.C. Динамика погрешностей средств измерений. Л.: Энергоатомиздат, 1990. - 344 с.

72. Новицкий П.В., Зограф И.А. Оценка погрешности результатов измерений Л.: Энергоатомиздат, 1991. - 356 с.

73. Оглезнев К.Я., С.А. Шестериков, A.A. Зарецкий Слуховые стволовые ВП в диагностике заболеваний центральной нервной системы. М.: Центральный ордена Ленина институт усовершенствования врачей, 1982. - 104 с.

74. Отнес Р., Эноксон Л. Прикладной анализ временных рядов. М.: Мир, 1982.-389 с.

75. Петров Б.Н., Г.М. Уланов Теория моделей в процессах управления. М.: Наука, 1978.-437 с.

76. Пащенко В.В., Пресняков C.B., Пигарев A.B. Метод выделения вызванных потенциалов. // Радиоэлектроника в медицинской диагностике: Тез. докл. Международной конф. М: МИЭТ, 1999. - С. 58.

77. Пащенко В.В., Пресняков C.B. Выделение сигнала ВП на основе экстраполированных данных статистической структуры временной организации ритмов ЭЭГ. // Датчики систем измерения, контроля и управления: Межвуз. сб. науч. тр. Пенза: ПТУ, 2000 (в печати).

78. Полляк Ю. Г. Вероятностное моделирование на электронных вычислительных машинах. М.: Советское радио, 1971. - 283 с.

79. Потапов В.И. Фильтрация в системах случайной структуры. // Автоматика и телемеханика. 1990. - №8. - С. 32 - 36.

80. Пресняков C.B. Способ выделение ответов головного мозга на внешнее возбуждение с помощью следящего алгоритма. // Датчики систем измерения, контроля и управления: Межвуз. сб. науч. тр. Пенза: ПГУ, 2000 (в печати).

81. Пресняков C.B., Ковалев А.А., Якунин В.В. Управляемый генератор КВЧ. // Радиоэлектроника в медицинской диагностике: Тез. докл. международной конф. М, 1999. - С. 79.

82. Пресняков C.B. Адаптивный итерационный метод выделения вызванных потенциалов. // Методы и средства измерения в системах контроля и управления: Тез. докл. международной науч. техн. конф. - Пенза, 1999. С. 86.

83. Пресняков C.B., Алексеев К.А. Методика выделения информативного вызванного потенциала мозга из шума. // Микроэлектроника и информатика 99: Тез. докл. Всероссийской межвуз. науч. - технич. конф. - Зеленоград, 1999.-С. 45.

84. Пунц С., Джаковити Дж., Скарано Дж. О свойстве коэффициентов частичной корреляции стационарных процессов с гауссовской атокорреля-ционной функцией. //ТИИЭР. -1987. №7. - С. 106 - 107.

85. Пупышев В.Н. Тибетская медицина: язык, теория, практика. Новосибирск: НГУ, 1988.- 153 с.

86. Рабинер Гоулд Теория и применение цифровой обработки сигналов. -М.: Мир, 1978.- 376 с.

87. Райниш К. Кибернетические основы и описание непрерывных систем. -М.: Энергия, 1978.-289 с.

88. Рандалл Р.Б. Частотный анализ. М.: Энергия, 1989. - 426 с.

89. Рудаков П.И., Финогенов К.Г. Программируем на языке ассемблера IBM PC. Обнинск: Принтер, 1997. - 584 с.

90. Снапелев Ю. М., В.А. Старосельский, Моделирование и управление в сложных системах. М.: Советское радио, 1974. - с. 4

91. Справочник по теоретическим основам радиоэлектроники. / т. 2 под ред.

92. Кривицкого Б.Х. -М.: Энергия, 1977. 117 с.

93. Современные проблемы физиологии высшей нервной деятельности. / Под редакцией Бехтеревой Н.П. М.: Медицина, 1979. - 278 с.

94. Сидоренко A.B. Влияние низкоинтенсивного электромагнитного излучения миллиметрового диапазона на физиологические показатели организма. // Зарубежная радиоэлектроника. 1996. - №12. - С. 32 - 35.

95. Склабси Р. Дж., Риск Х.А., Хинмен 4.JI. Соматосенсорные ВП при стимуляции сложной временной структуры в исследовании рассеянного склероза. // ТИИЭР. №5 - 1977. - С. 41- 49.

96. Сороко С.И. Нейрофизиологические механизмы индивидуальной адаптации человека в Антарктиде. Д.: Наука, 1984. - 137 с.

97. Стогов Г.В. Влияние КВЧ на характеристики ВП // Вопросы культурологии физиотерапии и лечебной физической культуры 1994. - №2. - С. 23 - 26.

98. Сухоедов И.В. Шумы электрических цепей. М.: Связь, 1975. - 350 с.

99. Тартаковский А.Г. О совместном последовательном обнаружении сигналов и оценивании параметров при априорной неопределенности. // Автоматика и телемеханика. 1980. - №3. - С. 113 - 122.

100. Трахтман A.M. Введение в обобщенную теорию сигналов. М.: Сов. Радио, 1972.-268 с.

101. Трокссел Д.Э., Шрайбер У.Ф., Керплендер П., и др. Системы улучшения изображений с использованием псевдослучайного шума // ТИИЭР. -1979. -№6. -С.107 109.

102. Турбо Паскаль 7.0. К.: Торгово-издательское бюро BHV, 1996. - 448 с.

103. Уидроу JI. Адаптивная обработка сигналов. М.: Сов. Радио, 1981. -375 с.

104. Фатенков В.Н. Биомеханика сердца в эксперименте и клинике. М.: Медицина, 1990. - 158 с.

105. Федоров А.Г. Delphi 3.0 для всех. М.: Компьютер пресс, 1998. - 543 с.

106. Фельдбаум A.A. Методы теории автоматического управления. М.:1. Энергия, 1982.-476 с.

107. Фридландер Б. Решетчатые фильтры для адаптивной обработки данных. //ТИИЭР. 1982. - №8. - С. 54 - 98.

108. Фурунжиев Р.И. Вычислительная техника и ее применение. Минск: Вышейшая школа, 1984. - 462 с.

109. Хелстром К. Статистическая теория обнаружения сигналов. М.: Наука, 1963.- 372 с.

110. Чайлдерс Д.Г., Вызванные потенциалы. Электрогенез, модели, методика исследований, восстановление и отслеживание фронта волны. // ТИИЭР.- 1977. №5. - С. 29-30.

111. Шагас Ч. Вызванные потенциалы в норме и патологии. М.: Мир, 1975.- 236 с.

112. Шакин В.В. Вычислительная электрокардиография. М.: Наука, 1981. -196 с.

113. Шварце X. Использование компьютеров в регулировании и управлении. -М.: Связь, 1988.-256 с.

114. Ширман Я.Д. Манжос В.Н. Теория и техника обработки радиолокационной информации на фоне помех. М.: Радио и связь, 1987. - 237 с.

115. Юхтин В.И., Иванов А.И Диагностика и лечение облитерирующих заболеваний артерий нижних конечностей. Иркутск: Изд - во Иркутского университета, 1980. - 140 с.

116. Во Hjorth The physical significance of time domain description in EEG analysis // Electroencefalography and clinical neurophysiology. 1973. - vol. 34. -pp. 321 - 325.

117. Calvet J., Cathala H.P., Contamin F., Hirsch J., Scherrer J. Potencial evoques corticaux chez l'homme. // Rev. Neurol. 1956. - vol. 95. - pp. 445 - 454.

118. Cameron R.H., Martin W.T. The orthogonal development of nonlinear functional in series of Fourier-Hermite functionals. // Ann. Math. 1977. -vol.48, - pp. 385 - 392.

119. Dolse and H. Kunkel Computirized EEG Analisis. Stuttgart: Fischer. -1985.-279 pp.

120. Fenwick P., Michie P., Dollimore J. Mathematical simulation of the electro-encefalogram using an autoregressive series. // Int. J. Bio. Comp. 1981. -vol. 2.-pp. 281 - 307.

121. Frechet N. Sur les functionnelles continues. // Aim. De 1' Ecole Normale, Sup., 3rd series. 1970. - vol. 27. - pp. 78 - 83.

122. Gersch W. Spectral analysis of EEG's by autoregressive decomposition of time series. // Math. Biosciences 1980. - vol. 7. - pp. 205 - 222.

123. Krausz H. Identification of nonlinear systems using random impulse train inputs // Biol Cybernetics 1975. - vol. 19. - pp. 217 - 230.

124. Lee Y.W., Schetzen M. Measurement of the Wiener kernels of a nonlinear system by cross-correlation // Int. J. Control. 1975. - vol. 2. - pp. 237 -254.

125. Lopes da Silva F. H., Dijk A. Detection of nonstationarities in EEG's of epileptics // Math. Biosciences 1987. - vol. 3. - pp. 146 - 154.

126. Ogura H. Orthogonalfunctionalsof the poisson process // IEEE Trans. Inform. Theory. 1972. - vol. 18. - pp. 473 -481.

127. Shipton H.W. An electronic trigger circuit as an aid to neurophysiological research. // Brit. Inst. Rad. Eng. 1949. - №9. - pp. 374 - 383.

128. Volterra V. Theory of Functional and of Integral and Integrodifferential Equations. New York: Dover, 1969. - pp. 1 - 39

129. УТВЕРЖДАЮ ^ главный инженер НИИФИ,ка.2000 г.1. Зеленцов Ю.А.1. АКТвнедрения результатов диссертационной работы Преснякова C.B.

130. Измерительно вычислительный комплекс выделения слабых сигналов».

131. По договору 249 93 в НИИФИ проводилась разработка системы для «ОКБ Сухого», г. Москва для измерения статико - динамического давления на воздухозаборниках и лопатках турбин двигателей самолетов семейства «Су».

132. Эффективность предлагаемой методики подтверждена результатами испытаний разработанной системы в НИИФИ.

133. Работа представляют научный интерес в плане выделения сигналов на фоне превосходящих помех.

134. Согласовано;- Согласовано:

135. Начальник лаборатории Научный руководитель

136. НИИФИ к.т.н. зав. каф. «АиТ», д.т.н., профессор,1. Осадчий Е.П.16 » <ма 2000 г.

137. УТВЕРЖДАЮ главный врач областной больницы им. Н.И. Бурденко ж5^0р'Тиед наук В.И. Никольскийе.1. АКТ

138. Использования результатов диссертационной работы Преснякова C.B.

139. Информационно измерительная система выделения слабых сигналов»

140. ЕРИБом областной больницы ш«Н.Н. Бурденко инаименование предприятия,

141. БНЗом областной болышщ ш.К.Н.В'рценко-——(навменованйе предприятия,и Пензенского института усовершенствования врачей.организация, когда)к использованиюпод наименованием: "Ш^ой дыдежшдя видовых правда лов"врач обл.б-хщ ШЯо----впач РФ.к.м.н. 19 9"

142. Руко»од«д^л предприятия газации)1. П.Шадабш

143. Тшг ОАО «Маяк» Тнр. 200 3. 21161. УДОСТОВЕРЕНИЕна рационализаторское предложение2а.октя0ря 1238г.дата подачи)

144. БРИЗом областной болышцы Бурденко инаименование предприятия.

145. Пензенского института усовершенствования лрачей.организации, когда)к использованиюпод "Метод определения биологическойз на чим о с тл поди о р о г сешс электромагнитных излучениичеловека".пы1. Т.П.Шаддыбин

146. Тип. ОАО «Маяк» Тнр. 200 3. 21161. УДОСТОВЕРЕНИЕна рационализаторе ко« предложение54 29 октября 1998тдата подачи)

147. О б Л . б-ЦЫ 1Ш . БУР ЦЭ НК^ЫЬель предпршггжярач РФ, К.;л.я. (адгакимцт)19 П.Ша ядабжн998Г. (¿/^^ТшГоАО «Маяк» Тир. 200 3. 2116

148. ОПИСАНИЕ ИНТЕРФЕЙСНОЙ ЧАСТИ ПРОГРАММЫ {$М,16384,0,200000} {Х+}uses арр,objects,menus,drivers,dialogs,views,MsgBox,stdDlg,dos,crt,graph; label 1;

149. Работа с вызванным потенциалом}1. Прием данных}

150. ЬЫате = 10; ЬРатП = 10; Ь01сЬ = 10; ЬУогг Шпе = ЬКате+ЬРатИ+Ь01с11+ЬУо2г+ЬВо1

151. Максимальная длинна массива}3; ЬВо1 = 5;1. Длинна строки}1. Туре

152. Ба1аТуре =тесогс1 Каше: stringLLine.; РатИ: зЫг^ЫЛпе]; 01сЬ: string[LLine];1. Var

153. DataFile: file of DataType; NLines: Word;1.nes: arrayL.MaxLine. of String[LLine]; {Массив строк} Type

154. PInterior=ATInterior; TInterior=obj ect(TScroller) Constructor Init(var Bounds: TRect; HS,Vs: PScrollBar); Procedure Draw; Virtual; Procedure ReadFile; end;1. Type

155. TNotebook = object(TApplication) Procedure InitStatusLine; Virtual; Procedure InitMenuBar; Virtual; Procedure HandleEvent(var Event:TEvent); Virtual; Procedure GetDialog; Procedure About; Procedure Work; end;

156. PMyDialog =ATDialog; TMyDialog = object(TDialog)

157. Procedure HandleEvent(var Event: TEvent); Virtual; end; Type

158. PWorkWin =ATWorkWin; T Work Win = object(T Window) Constructor Init(Bounds: TRect);end;}

159. Procedure TNotebook.InitStatusLine; Var R: TRect; Begin GetExtent(R); R.A.Y := pred(R.B.Y);

160. StatusLine:=New(PStatusLine,Init(R,NewStatusDef(0,$FFFF,

161. NewStatusKey('~Alt-X~ Выход', kbAltX,cmQuit, NewStatusKey('~F 10~ MeHio',kbF 10,cmMenu, NewStatusKey('~Alt-C~ Закрыть окно',kbAltC,cmClose,NIL))), NIL)));end;

162. Procedure TNotebook.InitMenuBar; var

163. R: TRect; begin GetExtent(R); R.B.Y :=succ(R.A.Y);

164. MenuBar:= New(PMenuBar,Init(R,NewMenu( NcwSubMenu('~N~ Настройка',hcNoContext, NewMenu(

165. Newltem('~l~- Опции',",kbAltQ,cmNastr,hcNoContext, Newltem('~2— About',M,kbAltF,cmAbout,hcNoContext, NIL))),

166. NewSubMenu('~W~- Работа',hcNoContext, NewMenu(

167. Newltem('~6~ Чтение в EMS',",kbAltY,cmReadEMS,hcNoContext, Newltem('~7~ - Чтение блоками',",kbAltU,cmReadFile,hcNoContext, Newltem('~8~ - Запись no SM Sv+KVCh',",kbAltK,cmWriteSupSvKVCh,hcNoContext,

168. Newltem('~9~ Запись Фаза',",kbAltJ,cmWriteFaza,hcNoContext, Newltem('~10~ - Adaptive ',",kbAltZ,cmAdapt,hcNoContext, NIL))))))))))),

169. NewSubMenu('~V— Вызванный потенциал',hcNoContext, NewMenu(

170. Newltem('~7~ Свет+КВЧ (EMS)',",kbAltH,cmPotencSvetKVChS,hcNoContext,

171. Newltem('~8~ BnSuper ',",kbAltL,cmPotencNew,hcNoContext, NIL))))))))),

172. NewSubMenu('~S~- Спектр',hcNoContext, NewMenu(

173. Newltem('~l~ 33r,'',kbAltD,cmSpectr,hcNoContext, Newltem('~2~ - ЭКГ',",kbAltJ,cmSpectrEKG,hcNoContext, NIL))),

174. NewSubMenu('~B— База данных',hcNoContext, NewMenu(

175. Newltem('~ 1 — Открыть' ,",kbAltF,cmBaza,hcNoContext, NIL)), NIL)))))))); end;

176. Procedure FileOpen; Label 1; var r:trect; s: string; var

177. PF: PFileDialog; Control: Word; qwe:longint; Beginif(d=5) or (d=10) then

178. New(PF, Init(Disk+'*.vp','Выберите нужный файл:','Имя файла',fdOpenButton,0)); if d= 15 then

179. New(PF, Init(Disk+'*.dbf,'Выберите нужный файл:','Имя файла',fdOpenButton,0)) else

180. New(PF, Init('*.dta','Выберите нужный файл:','Имя файла',fdOpenButton,())); Control:= DeskTopA.ExecView(PF); case Control of StdDlg.cmFileOpen,cmOk: begin {$V-}

181. Vint.Init(namefil,stOpenRead,2048); EMS.CopyFrom(Vint,Vint.GetSize); if ems.getsize<100 then beginwrite('error EMS',' ',s,' ',Vint.GetSize); ems.done; halt(l); end; end; end; end;

182. StdDlg.cmFileOpen,cmCancel: halt(0); end;1: write(s); Dispose(PF,Done); end;

183. Procedure TNotebook.HandleEvent(var Event:TEvent); Begin

184. CloseGraph; ReDraw; ShowMouse; end; cmReadEMS: begin d:=13; FileOpen; chtenieEMS;CloseGraph;

185. ReDraw; ShowMouse; end; cmPotencSvetKVChS: begin d:=24; FileOpen;EMS.Seek(0); nuvel:=l; SvetKVCh;

186. CloseGraph; ReDraw; ShowMouse; end; cmAdapt: begin d:=25; FileOpen; nuvel:=l; AdaptFM;

187. CloseGraph; ReDraw; ShowMouse; end; cmHand: begin d:=14; FileOpen; Hand; ReDraw; ShowMouse; end; cmPotencNew: begin d:=21; FileOpen; EncefNew; ReDraw; ShowMouse; end; cmBaza: begin d:=l5; {FileOpen;}exec('h:\bp\bin\tvis\plasma.exe',")?

188. ReDraw; ShowMouse;end; cmReadVP: begin d:=5; FileOpen; blockread(kan,dat,FDis* 16);initialGraph; nuvel:=l; chtenieencef; ReDraw;

189. ShowMouse; end; cmNastr: GetDialog; cm Work: Work;cmAbout: About;cmSpectr: begin d:=20; FileOpen;SwapVectors;clrscr;CloseGraph;exec('h:\tp\bin\dta\spectr.exe', namefil);

190. Swap Vectors; ReDraw; ShowMouse; end; cmSpectrEKG: begin d:=24; FileOpen; SpectrRR; CloseGraph;1. ReDraw; ShowMouse; end;else ReDraw; ShowMouse; end;1. ClearEvent(Event) end;-

191. Procedure TNotebook. GetDialog; Var q: word; R: TRect; D: PMyDialog; I: PlnputLine; RB: PRadioButtons;

192. ОПИСАНИЕ ЧАСТИ ПРОГРАММЫ, ОБЕСПЕЧИВАЮЩЕЙ РЕГИСТРАЦИЮ, ОБРАБОТКУ ПОЛУЧЕННОЙ ИНФОРМАЦИИ И УПРАВЛЕНИЕ ВНЕШНЕМИ УСТРОЙСТВАМИ

193. Procedure InitialGraph; var i, GraphDriver: integer; Begin

194. Var ntact,bufl,bu£2: integer; { f dis = 3.2 кГц } beginntact:=round(1193180.0/(FDis*16)); { 200 частота дискретизации * 16 - числоканалов}

195. Port IntU. := 1; { Запрет прерываний } if ntact < 256 { Программирование таймера } then begin

196. Port timerU.:= $14; Port [timerA]:=ntact; Port [timerU]:=$04; end else beginbufl :=ntact mod 256; buf2:=ntact div 256; Port timerU.:=$34; Port [timerA]:=bufl; Port [timerA]:=buf2;1. Port timerU.:=$04; end;end;

197. Procedure filtr; var b:word;qw:real; Begin

198. For nkan:=0 to 15 do For nzap:=l to FDis do beginif datnkan,nzap.>dat[nkan,nzap-l] then qw:=dat[nkan,nzap]-dat[nkan,nzap-1 ] else qw:=dat[nkan,nzap-l]-dat[nkan,nzap]; If qw>50 then dat[nkan,nzap]:= dat[nkan,nzap+l]; end; end;

199. OutTextXY(round(i)+10+dx 1 ,round(nkan*20+sdvig+datnlcan,nzap-1 ./k-3),s); setColor( white); end; end; i:=i+dx; end;str(diapazon,s);

200. OutTextXY(dx 1 +240,10,'Amp -'); OutTextXY(dxl+290,10,s);str(nris,s);

201. OutTextXY(dx 1+240,50,'nusr '+s); nris:=nris+l; End;1. F+}

202. Procedure massiv; { Формирование блока данных (1сек х 16каналов)} Begin If nkan<16 then begin datnkan,nzap. :=a; nkan:=nkan+l; end else beginnkan:=0; nzap:=nzap+l; end;end;1. F-}

203. Procedure Priem 1; var st,ml:byte; Begin PortWnumber. :=1; delay(l); PortW[start]:=l; delay(l); st:=PortW[start]; ml:=PortW[number]; a:=(st shl 8)+ml; end;

204. Procedure stranisa ;forward;

205. Procedure PriemFaza; var al,a2:word;qwe:longint;uv,uv 1 ,MaxExtr,ExitProc:boolean; Begin

206. Moveto(round(i-dx),nkanl *21 +rouncl(datPrnkan 1 ./20)-100); Lineto(round(i),nkanl *21 +round(res/20)-100); i :=i+dx;datPr[nkan 1 ] :=res; end;

207. SetIntVec(irq0,S aveOFInt); Port Vecmask.:=Mask01d; Port [timerU]:= $14; Port [timerA]:=0; Port [timerU] :=$04;closeGraph;

208. Write('^eT запись на диск .'); EMS.Seek(O);

209. Vint.Init(namefil,stCreate,2048); Vint.CopyFrom(EMS,EMS.GetSize); EMS.Done; Vint.Done;end;1.}

210. Procedure stranisa; Label 1;var q:char;st:string; beginwhile nris<2 do beginif keypressed then goto 1; str(nusr,st);

211. Procedure zapisEMS; var pozition:longint; begin1.itialEMS;} initialgraph; priem; closeGraph;

212. Write('HfleT запись на диск .');1. EMS.Seek(O);pozition: =ems .getsize;

213. Vint.Init(namefil,stCreate,2048);

214. Vint. CopyFrom(EMS ,EMS. GetS ize);1. EMS .Done; Vint.Done;end;

215. While not keypressed do begin1. nzap>640 then begini:=0; nzap:=0; ClearDevice; end;if nkan=16 then beginnkan:=0; i:=i+dx;nzap:=nzap+l; end;

216. For nzap:=0 to FDis do For nkan:=0 to 15 dodatl nlcan^zapj^datl [nkan,nzap.+dat[nkan,nzap]

217. For nzap:=0 to FDis do For пкап:=0 to 15 dodatnlcan,nzap. :=round((datl [nkan,nzap])/nread) {if nread= 1 then} sentr; ris(260/FDis,FDis);ch:=readkey;if ch=#27 then goto 1; cleardevice;end; ClrScr;

218. Writeln('Bbi хотите записать ВП ?'); Writeln(TIocne просмотра нажмите Yes or No'); write('A пока нажмите "Any key'"); {flltr;}

219. Procedure Ri sEMS (S eeknkan: word); Var i:real;b,qwe:word;s:string; Label 1; Beginif (ch='-') or (ch-+!) then Seeknkan:=d else d:=Seeknkan;

220. EMS.Read(b,2); Line(nris*300+20,nkan*200+round(round(b/k))+sdvig,nris*300+round(3*dx)+20,nkan*200+round(round(b/lc)+sdvig)); i:=i+dx;setColor(lO);

221. OutTextXY(320,80+nkan*200,s);setColor(white);1. EMS.Read(b,2);}

222. For nzap:=3 to {FDis}temp do begin1. EMS.Read(a,2);

223. Procedure Pereris(right:boolean; dl:word; Seeknkan:byte); var s: string;yl,b:word; {right=true смещение линии вправо}

224. Begin {dl координата линии}if right then {Seeknkan номер канала выводимого на экран}begin

225. PutIimge(round((dl-l)*280/FDis+20),0,pA,0); PutImage(round((dl-l)*280/FDis+320),0,plA,0); GetImage(round(dl*28O/FDis+20), 0,round(dl*280/FDis+20), 480,рЛ); GetImage(round(dl*280/FDis+320),0,round(dl*280/FDis+320),480,plA); end else begin

226. PutImage(round((dl+l)*280/FDis+20),0,pA,0); PutImage(round((dl+1 )*280/FDis+320),0,p 1 A,0); GetImage(round(dl*280/FDis+20),0,round(dl*280/FDis+20),480,pA); GetImage(round(dl*280/FDis+320),0,round(dl*280/FDis+320),480,plA); end;

227. Setviewport(500,5,600,20,ciip0n);1. ClearViewPort;setcolor(l 1);str(round(dl/FDis* 1000),s); OutTextXY(0,0,s+' мСек'); SetViewPort(0,0,GetMaxX,GetMaxY,True); setcolor( white); end;1. Procedure Getlm; Begin

228. Getlmage(20,0,20,480,рл); Getlmage(320,0,320,480,p 1л); end;

229. Procedure UprRis; Label 2,3;

230. EMS.Read(datnkan,nzap.,2);qwe:=ems.getpos; end;if nris=0 then begin ClearDevice; dxl:=20 end else dxl :=320; sentr; ris(160*2/FDis,FDis); if nris=l then goto 3; goto 2; end; end;end;1.}

231. For nzap:=0 to FDis do beginif (nread*FDis*32+nzap*2)> EMS.GetSize-50 then goto 4; EMS. S eek(nread* FDis * 3 2+nzap * 2); For nkan:=0 to 15 do begin

232. EMS.Read(datnkan,nzap.,2); if (EMS.GetPos+FDis*2)> EMS.GetSize-FDis*3 then goto 4 EMS.Seek(EMS.GetPos+FDis*2); end;end;inc(nread);if (nread*FDis*32+nzap*2)> EMS.GetSize-50 then goto 4; EMS.Seek(nread*FDis*32);

233. For nzap:=0 to FDis do For nkan:=0 to 15 do datl nkan,nzap.:=datl [nkan,nzap]+dat[nkan,nzap]; end; {filtr;}4: For nzap:=0 to FDis do For nkan:=0 to 15 dodatnlcan,nzap.:=round((datl[nkan,nzap])/nread);if nris=0 then InitialGraph; { begin ClrScr;

234. Writeln('Bbi хотите записать ВП ?');

235. Writeln(,Пocлe просмотра нажмите Yes or No');

236. Write('A пока нажмите "Ввод"');sentr;readln;end;}if d= 19 then begin

237. EndFile:=EMS.GetSize-FDis*32; while EMS.GetPos<EndFile do begin

238. For nzap:=0 to FDis do For nkan:=0 to 15 do begin1. EMS.Read(a,2);datnkan,nzap.:=dat[nkan,nzap]+a; end;inc(nread); end;

239. For nzap:=0 to FDis do For nkan:=0 to 15 dodatnkan,nzap.:=round((dat[nlcan,nzap])/nread); sentr;initialgraph; dxl:=170;ris(160*2/FDis,FDis);cleardevice;q:=readkey;closegraph; EMS.Done;dxl:=0;end;1+} {F+}

240. Procedure encefnac; var npriem:byte; begin1.itialGraph;nuvel:=l ; For nkan:=0 to 15 do

241. For nzap:=0 to FDis do datl nkan,nzap.:=0; npriem:=0;while not keypressed dobeginpriem;npriem:=npriem+l ; For nkan:=0 to 15 do For nzap:=0 to FDis do datl nkan,nzap.:=datl [nkan,nzap]+dat[nkan,nzap] ifnpriem=l then begin npriemiK); dxl:=200;

242. For nkan:=0 to 15 do For nzap:=0 to FDis do datnkan,nzap. :=round(dat 1 [nkan,nzap]); sentr;cleardevice; ris(160*2/FDis,FDis); end;end; dxl:=0; end;begin

243. Moveto(dx 1 +round(i-dx),round(dy 1 +datnkan,nzap-1 ./k* 10)); Lineto(dx 1+round(i),round(dy 1+dat[nkan,nzap]/k:f! 10)); i:=i+dx; end; i:=0;

244. SetViewPort(0,0,getmaxx,getmaxy,clipOn); chtenieencef; end;if ch=#0 then beginch:=readkey; case ch of

245. H1: begin dy2:=dy2-round(80/k); goto l;end; 'P': begin dy2:=dy2+round(80/k); goto l;end; 'K': begin dx3:=dx3-10; goto l;end; 'M': begin dx3:=dx3+10; goto l;end;

246. CloseGraph; nuvel:=nuvel*2;sentr; InitialGraph;chtenieencef; end;if ch='n' then begin

247. CloseGraph; nuvel:=nuvel/2;sentr; InitialGraph;chtenieencef; end;if ch='i' then begin

248. CloseGraph; sdvig:=sdvig-50; InitialGraph;chtenieencef; end;if ch-m' then begin

249. CloseGraph; sdvig:=sdvig+50; InitialGraph;chtenieencef; end;if ch=#0 then begin ch:=readkey; case ch of

250. H': begin dy:=dy-21; if dy>65000 then dy:=dy 65536;end 'P': dy:=dy+21;help; end; end;if ch=#27 then goto 1;if ch=#13 then begin videlenie; goto 1; end;1. ClearViewPort;

251. Putlmage(0,dy+15 ,pA,CopyPut); upravlenie; 1: end;1. Procedure chtenieencef;var i:real;begindxl:=60;dx:=2;i:=l;sentr; For nzap:=l to FDis-30 do begin For nkan:=0 to 15 do Begin

252. Procedure filtrrecur; label 1;var i,j,pozition:longint;rec:byte;sum,el:word;beginrec:=2;clrScr;write('.THxo!!! Идет фильтрация!1);pozition:=round((EMS.GetSize/64)-5); {кол-во слов в канале кардиограммы 5}

253. For i:=rec to pozition do begin

254. EMS. S eelc((i-rec) * 3 2+2); sum :=0; For j :=i-rec to i+rec dobegin

255. EMS.Read(a,32); if j=rec then el:=a; ifa<1450 then goto 1; sumi^sum+a; end;a: =round(sum/(2 * rec)); a:=el-a;

256. EMS.Seek(i*32+2); EMS.Write(a,2); 1: end; EMS.Seek(O); end;

257. Procedure mix; {вычитание ЭКГ из ЭЭГ} begin

258. For nzap:=l to FDis do datl nkan,nzap. :=0; dxl:=200;del:=0;j:=0; {обработка}

259. For nz:=l to chislorr-2 do beginif d=ll then begin1. EMS.Seek(rrnz.);b:=round((rrnz+1 .-rr[nz])/32); {b- кол-во записей между RR зубцами} {if b>srb then prov:=b-srb else prov:=srb-b; if (prov>50) or (b>Fdis) thencloseGraph; clrScr;

260. Writeln(lKoличecтвo усреднений ',nz,'. Из них ',del-l,' сбойных'); write('press у'); z:=false; ch:=readkey; if ch='y' then begin d:= 10;initfile;blockwrite(kan,dat,FDis* 16);1. Close(kan);end;1 :EMS.Done;Vint.Done; end;

261. ClearDevice; For nz:=l to ntoch do Begin

262. Size:=ImageSize(0,0,2,480);right:=true;coordxold:=0;1. GetMem(p,size);l:dx:=0.5;

263. Setviewport(400,5,600,20,ciip0n);1. ClearViewPort;setcolor(3);

264. OutTextXY(0,0,'количество усреднений: '+s);

265. SetViewPort(0,0,GetMaxX,GetMaxY,True);setcolor(green);

266. EMS.Seek(ems.getpos+(round((2/dx*nmas*32-ems.getpos)/32)*32)); setcolor(yellow);

267. EMS.Read(aa,2); Str(aa,s);OutTextXY(dx2-10,200,s);goto 5; end; end;

268. For nz:=nusr-j to nusr-2 do begin1. EMS.Seek(nnz.);b:=roimd((nnz+l.-n[nz])/32); {b- кол-во записей между отметками}

269. For nzap:=0 to fdis do For nkan:=0 to 15 do begindatnkan,nzap. :=2000; end;

270. For nzap:=0 to b do For nkan:=0 to 15 do begin EMS.Read(x,2); datnkan,nzap.:=x; end; nuvel:=l; sentr; setcolor(ncolor); inc(ncolor);if ncolor=16 then ncolor:=0;ris( 160/FDis,FDis); EMS.Seek(nnz.); readln;

271. For nzap:=0 to b do For nkan:=0 to 15 do begin1. EMS.Read(x,2);datl nkan,nzap.:=datl [nkan,nzap]+x; end; end;

272. For nzap:=b to FDis do For nkan:=0 to 15 do