автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы и алгоритмы обработки электрофизиологических сигналов для автоматического распознавания стадий сна

шщр

003487051

На правах рукописи

Дорошенков Леонид Георгиевич

Методы и алгоритмы обработки электрофизиологических сигналов для автоматического распознавания стадий сна

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (приборостроение)

Автореферат диссертации на соискание ученой степени кандидата технических наук

- з ДЕК 2009

Москва-2009

Работа выполнена на кафедре биомедицинских систем Московского государственного института электронной техники (технического университета)

Научный руководитель: доктор физико-математических наук,

профессор Селищев Сергей Васильевич

Официальные оппоненты: доктор технических наук, профессор

Амербаев Вильжан Мавлютинович

Ведущая организация:

Федеральное государственное учреждение «Государственный научно-исследовательский испытательный институт военной медицины Министерства обороны Российской Федерации» (ФГУ «ГосНИИИ ВМ Минобороны России»)

Защита диссертации состоится « /2009 г. в /¿/¿^часов на заседании диссертационного совета Д 212.134.02 при Московском государственном институте электронной техники (техническом университете) в ауд. 3103 по адресу: 124498, Москва, Зеленоград, проезд 4806, д.5,МИЭТ.

С диссертацией можно ознакомиться в библиотеке МИЭТ. Автореферат разослан « /с? » ¿Уу* <^-2009 г.

Соискател!

кандидат технических наук, Прилуцкий Дмитрий Анатольевич

Ученый секретарь диссертационного совета, доктор технических наук ,

/^Ч А .В

Гуреев

Общая характеристика работы

Актуальность темы

Сон является неотъемлемой частью существования человека, занимающей более трети времени его жизни. Физиологически сон неоднороден. Он включает в себя различные функциональные состояния: фазы и стадии, чередующиеся в определенной последовательности и образующие циклы сна. Нарушение естественных циклов сна является признаком расстройств сна, которые в свою очередь могут иметь серьезные негативные последствия для организма, такие как сниженная работоспособность, утомляемость, нарушения деятельности сердечнососудистой и центральной нервной систем. Своевременное диагностирование расстройств сна может выявить и предупредить развитие многих серьезных заболеваний.

Для объективного изучения сна и его нарушений используется полисомнография (ПСГ) - метод, включающий параллельную регистрацию электрофизиологических сигналов, таких как электроэнцефалограмма (ЭЭГ), электромиограмма (ЭМГ) и электроокулограмма (ЭОГ). На основании анализа показателей электрофизиологической активности человека строится гипнограмма - график, отражающий последовательность стадий и фаз сна.

Общепринятая система классификации стадий сна была разработана Рехчаффеном и Кейлсом (Л&К) в 1968 году. Согласно данному методу, эксперт вручную анализирует записи электрофизиологических параметров, длительность которых в среднем составляет восемь часов. Для каждого тридцатисекундного отрезка записи последовательно рассчитываются характеристики, на основании которых принимается решение об отнесении рассматриваемого участка к той или иной стадии сна. Метод построения гипнограмм по правилам Ы&К является до сих пор наиболее распространенным, однако он имеет ряд существенных ограничений, а именно: фиксированная длина эпохи анализа, высокая трудоемкость, субъективность оценки. Применение автоматических методов

построения гипнограмм с возможностью последующего ручного анализа результатов позволит быстро и точно диагностировать различные расстройства сна. Поэтому в настоящее время существует необходимость в объективных автоматизированных методах распознавания стадий сна, которые в совокупности с прибором для регистрации электрофизиологических сигналов образуют систему для диагностики расстройств сна.

Большинство существующих систем предоставляют возможности по автоматизации отдельных этапов исследования, однако они не позволяют полностью автоматизировать процесс построения гипнограммы, тем самым не решая проблему высокой трудоемкости исследований. Недостатки существующих методов автоматического анализа сна, связанные с высокой вычислительной трудоемкостью, неравномерностью точности распознавания всех стадий и высокой зависимостью от набора обучающих записей не дают возможности утверждать, что существующие решения данной задачи могут быть эффективно использованы в реальном диагностическом процессе.

Таким образом, разработка методов и алгоритмов для решения задачи автоматического распознавания стадий сна и построения гипнограммы является актуальной.

Цель работы и задачи исследования

Целью данной диссертационной работы является разработка методов и алгоритмов обработки электрофизиологических сигналов для решения задачи автоматического распознавания стадий сна.

Для достижения поставленной цели в диссертационной работе были решены следующие основные задачи.

1. Проведено исследование и анализ существующих систем и методов решения задачи автоматического распознавания стадий сна.

2. Разработана функциональная структура аппаратно-программного комплекса, предназначенного для решения задачи автоматического распознавания стадий сна.

3. Разработаны методики предобработки записей

электрофизиологических сигналов, сегментации на участки относительной стационарности с учетом специфики задачи распознавания стадий сна.

4. Разработаны методы и алгоритмы параметризации электрофизиологических сигналов на основе быстрого преобразования Фурье и фрактальной размерности.

5. Разработаны методы и алгоритмы классификации параметров электрофизиологических сигналов и выявлены оптимальные параметры классификаторов позволяющие решать задачу автоматического распознавания стадий сна.

6. Выполнена практическая реализация разработанных методов и алгоритмов при создании аппаратно-программного комплекса.

7. Проведена апробация методов и алгоритмов на верифицированных базах данных записей электрофизиологических сигналов.

Научная новизна полученных результатов состоит в теоретическом обосновании, экспериментальном обеспечении и разработке эффективных алгоритмов и методов обработки и анализа электрофизиологических сигналов для решения задачи автоматического распознавания стадий сна.

В ходе выполнения диссертационной работы получены следующие научные результаты.

1. Разработан комплексный метод решения задачи автоматического распознавания стадий сна, состоящий из сегментации записей, параметризации сегментов и классификации стадий сна.

2. Предложена реализация адаптированного к задаче распознавания стадий сна метода разделения записей электрофизиологических сигналов на участки относительной стационарности, с использованием алгоритма непараметрической сегментации.

3. Предложено совместное использование спектральных показателей и фрактальных размерностей при формировании векторов характеристик сигнала. С

помощью анализа корреляционных матриц выявлены отведения и набор характеристик для классификации стадий сна.

4. Предложен набор параметров классификатора стадий сна на основе многослойного персептрона.

5. Предложенный алгоритм классификации стадий сна на основе каскада многослойных классификаторов позволяет повысить равномерность распознавания всех стадий.

Практическая значимость работы.

1. Разработанный аппаратно-программный комплекс для регистрации, обработки и анализа электрофизиологических сигналов, в совокупности с описанной в диссертационной работе методикой автоматической классификации стадий сна может быть использован для исследования физиологического состояния человека во время сна (Рис. 1).

Рис. 1. Аппаратно-программный комплекс для решения задачи автоматического распознавания стадий сна

2. Применение методов автоматического распознавания стадий сна позволяет значительно сократить время обработки записей электрофизиологических сигналов и повысить объективность проводимого анализа.

3. Предложенные методики сегментации, расчета характеристик и классификации являются универсальными и позволяют расширить возможности применения системы для распознавания различных расстройств центральной нервной системы человека.

4. Разработанный аппаратно-программный комплекс, благодаря его универсальности, может быть использован для подобных исследований в других областях медицины и техники, в практической и научной деятельности.

Достоверность полученных результатов подтверждается результатами тестирования программы на верифицированных базах данных, подтвердившими надежность разработанных методов и алгоритмов.

В результате проведенных исследований получены и выносятся на защиту следующие основные научные результаты.

1. Применение алгоритма сегментации записей электрофизиологических сигналов на относительно стационарные участки позволяет избежать попадания переходных процессов в эпохи анализа и корректно рассчитать характеристики отрезков записей, что повышает достоверность построения гипнограмм.

2. Применение спектральных характеристик и фрактальных размерностей для параметризации электрофизиологических сигналов позволяет сформировать вектора признаков, оптимизированные для автоматических методов классификации, что повышает точность распознавания стадий сна.

3. Предложенный набор характеристик электрофизиологических сигналов, оптимальный набор параметров классификаторов и метод обработки статистических весов примеров обучающей выборки обеспечивают надежное использование системы для распознавания стадий сна и построения гипнограммы.

4. Разработанный метод последовательного применения многослойных классификаторов позволяет повысить равномерность распознавания всех стадий сна.

Апробации работы.

Основные положения и результаты диссертационной работы были представлены и обсуждены:

• на Х1П, XIV, XV всероссийских межвузовских НТК студентов и аспирантов «Микроэлектроника и информатика» (Москва, 2006,2007,2008);

• на Всероссийском молодежном научно-инновационном конкурсе - конференции «Электроника - 2006» (Москва, 2006);

• на II Международной конференции «Человек и электромагнитные поля» (Саров, 2007);

• на конкурсе молодежных инновационных предпринимательских проектов «День науки Зеленоград» (Москва, 2007);

• на XX съезде Физиологического общества им. И.П. Павлова (Москва, 2007);

• the 3rd, 4th Russian-Bavarian Conference on Bio-Medical Engineering, (Erlangen, Bavaria 2007, Moscow 2008).

Внедрение результатов работы

Созданный в рамках диссертационной работы аппаратно-программный комплекс, а также предложенные алгоритмы анализа электрофизиологических сигналов были внедрены:

• в Государственном научном центре РФ - Институте медико-биологических проблем РАН для исследования особенностей физиологической адаптации, устойчивости к стрессовым ситуациям человека в условиях длительной изоляции в рамках экспериментов, проводимых по программе «Марс -105»;

• в Научно-исследовательском центре Московской медицинской академии им. И.М. Сеченова для проведения исследований ночного сна здоровых и больных неврологического профиля в отделе патологии вегетативной нервной системы;

• в ООО «Нейроботикс» при реализации коммерческого продукта «Соната»;

• в лекционном курсе по дисциплине «Медицинские аппараты, системы и комплексы» для студентов МИЭТ, обучающихся на кафедре биомедицинских систем по

специальности 200401 «Биотехнические и медицинские аппараты и системы»; • в учебно-исследовательской работе «Развитие технологической базы, методического и программного обеспечения, учебно-исследовательских работ и научно-инновационной деятельности в области разработки электронных биомедицинских изделий и аппаратуры», выполненной центром формирования компетенций «Электроника биомедицинских и экологических систем» МИЭТ в ходе Инновационной образовательной программы «Современное профессиональное образование для российской инновационной системы в области электроники» (2006-2007).

Публикации. По теме диссертации опубликовано 12 научных работ, из них 2 статьи в журналах ВАК.

Структура и объем работы.

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложения, состоящего из трех частей. Общий объем работы составляет 153 страницы, в том числе 41 рисунок, 39 таблиц, 92 библиографических источника, 14 страниц приложений и 4 акта внедрения.

Содержание работы

Во введении обоснована актуальность диссертационной работы; сформулирована цель и задачи исследования; сформулированы требования к разрабатываемой системе; приведены основные результаты и изложены научная новизна и практическая значимость работы.

В первой главе рассматривается феноменология сна и его нарушений, приводятся основные принципы методов исследования сна. Наиболее распространенным методом исследования сна является ПСГ - методика одновременной регистрации набора физиологических параметров. Процесс сна разделяется на фазы быстрого (ФБС) и медленного (ФМС) сна. ФМС в свою очередь подразделяется на четыре стадии.

Традиционно, определение стадий сна и построение

гипнограммы производят вручную, по системе 11&К. Записи электрофизиологических параметров, сделанные во время сна испытуемого, разделяются на фиксированные, двадцати или тридцати секундные эпохи анализа. Для каждой эпохи, путем визуального анализа, рассчитываются индексы и амплитуды ритмов, на основании которых эксперт принимает решение об отнесении рассматриваемого участка к одной из стадий сна. Длительность полисомнографического обследования в среднем составляет восемь часов. Обработка накопленных за это время данных является чрезвычайно трудоемкой задачей и занимает до нескольких часов. При этом основанием для классификации стадий сна является визуальный анализ записей, что способствует появлению ошибок и неточностей.

Далее в главе приводится обзор существующих ПСГ систем и их характеристик (Таблица 1). Критерием достоверности распознавания служит соотношение суммарной длины эпох, для которых результат автоматической классификации совпадает с экспертной оценкой, к длительности всей записи.

Обзор существующих систем распознавания стадий сна показал, что основные недостатки используемых методов заключаются в ограниченных возможностях по автоматизации, высокой вычислительной трудоемкости применяемых алгоритмов расчета характеристик сигналов и классификации, низкой общей точности и неравномерности точности распознавания всех стадий. Применяемые классификаторы протестированы на ограниченных базах данных малого объема, содержащих записи здоровых испытуемых, что не достаточно для применения в реальных диагностических условиях.

В заключении первой главы формулируется цель данной диссертационной работы - разработка методов и алгоритмов обработки электрофизиологических сигналов для автоматического распознавания стадий сна и построение на их основе аппаратно-программного комплекса предназначенного для анализа электрофизиологической активности человека во время сна.

Таблица 1. Обзор коммерческих ПСГ систем с возможностью __автоматической классификации стадий сна

Компания/ Продукция Назначение Недостатки

Медиком-МТД Энцефалан- ПСГ Диагностика нарушений сна, дыхания и" сердечной деятельности. Метод разработан и протестирован на ограниченной базе данных малого объема, содержащей записи здоровых испытуемых; точность 75% получена на обучающей выборке; требуется дообучение на наборе статистических данных.

Нейрософт Нейрон- Спектр-ПСГ Синхронная регистрация ПСГ, видеоизображения; анализ стадий сна. Требуется предварительная ручная разметка части записи экспертом; низкая точность (до 70 %).

Grass Technologies Adaptable Fully Automatic Sleep Staging Автоматический полный анализ стадий сна в соответствии со стандартами Я&К. Требуется вмешательство эксперта в процесс анализа для ручной подстройки параметров классификатора; высокая стоимость; точность автоматической классификации не публикуется.

БИОСС Sleep Stages Analyzer Визуальная оценка ЭЭГ, ПСГ, распознавание стадий сна. Неравномерности распознавания всех стадий сна; точность 74 % достигается при объединении стадий 3 и 4 в одну.

На основе анализа научных и практических результатов,

полученных исследователями в области разработки алгоритмов для автоматического распознавания стадий сна, были сформулированы следующие требования к разрабатываемой системе:

• высокая степень автоматизации процесса анализа длительных записей электрофизиологических сигналов, позволяющая в течение нескольких минут строить гипнограммы;

• высокая точность распознавания всех стадий сна, достаточная для применения в реальном диагностическом процессе;

• независимость метода от состава базы данных и адаптация к ее особенностям;

• возможность расширения используемого набора регистрируемых физиологических показателей и рассчитываемых по ним параметров и характеристик;

• возможность модификации алгоритма с использованием различных принципов классификации стадий сна.

Во второй главе в соответствии с поставленной задачей предлагается комплексный метод автоматического распознавания

Рис. 2 Обобщенная схема алгоритма классификации стадий сна

Классификация отрезков сигнала осуществляется на основе вторичных показателей (параметров), рассчитываемых для каждого сегмента исходной записи. Использование сегментации на участки фиксированной длительности не корректно для автоматического анализа, так как амплитудно-частотные параметры сигнала необходимо рассчитывать на отрезках, обладающих постоянными характеристиками. Кроме того, переходы между стадиями сна могу происходить внутри сегментов, что затруднит их классификацию.

Для разделения записей на эпохи анализа в диссертационной работе предложено использовать методы фиксированных интервалов, параметрической и непараметрической сегментации.

Суть метода фиксированных интервалов состоит в предварительном разбиении записи на равные короткие участки, каждый из которых получает статистическое описание. Далее элементарные участки классифицируются в соответствии со своими признаками одним из методов многомерной статистики, получая классификационные наименования. Границы между одноименными элементарными участками стираются, что превращает всю запись в последовательность сегментов, в рамках которых параметры остаются относительно постоянными. Существенным недостатком данного метода является то, что

границы определяются с точностью не менее величины интервала разбиения. Это приводит к появлению фрагментов, содержащих переходные процессы.

В общем виде процедура параметрической сегментации основывается на оценивании степени сходства начального фиксированного участка записи с фрагментом, рассматриваемом в движущемся вдоль записи временном окне. Как только окно попадает на границу сегментов, контролируемая степень сходства уменьшается, что является формальным признаком перехода к следующему сегменту. Наиболее адекватным для данной задачи является метод линейной экстраполяции, позволяющий прогнозировать очередные отсчеты сигнала по результатам оценивания ряда предыдущих. За пределами сегмента, для которого подобраны параметры модели, ошибка предсказания возрастет, сигнализируя о начале нового сегмента.

Недостатками данного метода являются эмпирическое определение порогового критерия сегментации и отсутствие адаптивности к меняющимся параметрам процесса. В основе параметрических методов лежит предварительное построение математической модели в референтном окне на начальном участке. Получить точную модель процесса можно только на его стационарном участке. Чем длиннее анализируемый отрезок записи, тем более вероятным становится, что он окажется неоднородным. Если же модель строить на коротком участке, то она окажется сильно затрубленной.

Технология непараметрической сегментации была разработана на основе теории анализа моментов резких изменений во временных рядах, имеющих четко выраженную кусочно-стационарную структуру. Задача обнаружения изменения любой вероятностной характеристики данного стохастического процесса может быть сведена к алгоритму детекции изменений математического ожидания, применяемому к различным модификациям исходного временного ряда (диагностической последовательности). При адаптации данного метода к задаче сегментации электрофизиологических сигналов

была использована статистическая процедура, основанная на обобщенном варианте статистики Колмогорова-Смирнова.

1 А

Пм М-п

к* л+1

О)

г ч»

где о<£<1, \<>п<М-\, 1**'*-' - реализация диагностической последовательности. N - количество отсчетов в этой последовательности. Метод характеризуется с помощью таких величин, как вероятность ошибки первого и второго рода, временная погрешность границы сегментов. Эти величины являются функциями, зависящим от 8 . Свойство используемой статистики заключается в том, что случай <5 = 0 обеспечивает минимум вероятности ошибки первого рода, случай <5 = 1 соответствует минимуму вероятности ошибки второго рода и случай ¿>=0,5 обеспечивает минимальную временную погрешность границ сегментов. Корректируя данную вероятность, можно фокусироваться либо на изучении макроструктуры электрофизиологических сигналов (высокий порог), либо микроструктуры (низкий порог).

Метод сегментации состоит из трех этапов.

На первом этапе задается вероятность ошибки первого рода максимальной 8 = \, т.е. выявляются все точки, в которых возможно изменение стационарности.

Формируется диагностическая последовательность, состоящая из автокорреляционных значений

электрофизиологических данных:

У,=х,хх,=х^ (2)

Вычисляется статистика для данной последовательности и

находится 11 ^ п > . На основе предельной

теоремы в зависимости от вероятности ложной тревоги рассчитывается порог С. Доказано, что для стационарных

р{шах1й,2ЛГ_1л/]у|Кп(л,0)|>с} последовательностей вероятность 1 1 у 1 >

/(С).2£(-1)мехр[-2*'(£У]

стремится к значению 4-1 V ' , где -

дисперсия последовательности.

Если , то можно считать последовательность

стационарной, в противном случае нашли точку нестационарности и получили два участка исходной последовательности, для которых вычисления продолжаются рекурсивно, пока не получится набор стационарных сегментов.

На втором этапе отбрасываются сомнительные точки. Формируется к новых отрезков.

X, :1<и<и,+ —(и,-я,), 1 1 2\ 2 и> ф

X. -nsA + -пы)йпйп,+ ~ П,),

где •г=2)...Д-19 {я,} _ набор точек нестационарностей.

Для каждого сегмента вычисляется статистика с меньшей вероятностью ошибки первого рода, порог С и проверяется, действительно ли сегмент является нестационарным. На третьем этапе рассматриваются только те сегменты Хь которые остались после второго этапа. Для них рассчитывается статистика с ¿> = 0. Taie как на втором этапе уже было выяснено, что данные сегменты нестационарны, то сейчас не нужно находить порог и сравнивать максимум статистики с ним. Находим максимум статистики для каждого сегмента и считаем эту точку окончательным вариантом точки нестационарности.

Далее, в главе описывается метод параметризации электрофизиологических сигналов. Как для всякого колебательного процесса, основными понятиями, на которые опирается параметризация электрофизиологических сигналов, являются усредненные амплитудные и частотные показатели.

В данной диссертационной работе предложено совместно со спектральными показателями использовать фрактальные размерности сигналов, преимуществом применения которых является то, что они вычисляются напрямую из временной последовательности, без перехода в частотную область.

Суть алгоритма расчета фрактальной размерности состоит в том, что из временной последовательности извлекается некоторое количество подпоследовательностей:

Х(т),Х(т + к),Х(т + 2к),...,Х\т + ^ (и = 1,2,...,*)

I I £ ] ^ , (4)

где П - целая часть от числа, а т и к - целые числа, определяющие начальный отсчет и временной интервал.

Далее определяется длина каждой кривой, соответствующей

х:

подпоследовательностям

Ш ЕИ

т + 1

к по формуле:

>

Ис)-Х(т + (1-1)к)\

N-1

N-т

N-1

(5)

где

- нормализующии множитель для длин подпоследовательностей.

Длина последовательности, для временного интервала к вычисляется как среднее значение длин подпоследовательностей:

и к . (6)

(7)

Если выполняется следующий закон:

Ь(к)~Г°

то можно сказать, что кривая фрактальна с размерностью Б.

Для параметризации ПСГ для каждой эпохи анализа рассчитываются амплитудные спектры и фрактальные размерности по каналам ЭЭГ (СЗ), ЭЭГ (С4), ЭМГ, ЭОГ (лев.), ЭОГ (прав.). После этого, рассчитываются мощности спектров по полосам частот шириной 1 Гц. Таким образом, каждый отрезок ПСГ описывается вектором размерности 140.

Далее в главе проводится анализ существующих алгоритмов классификации стадий сна, на основе которого выбираются два подхода, удовлетворяющие требованиям, сформулированным в

главе 1: на основе многослойных нейронных сетей и на основе скрытых моделей Маркова (СММ).

В данной работе использована двухслойная нейронная сеть, каждый слой которой является линейным. Данный вид классификатора выбран потому, что он позволяет обобщать результаты обучения на выборки большого объема.

Для обучения классификатора строятся две выборки. Каждая из выборок представляет собой множество пар векторов, первый из которых - паттерн электрофизиологической активности, а второй - вектор, определяющий номер стадии сна.

Обучающая выборка дает описание, по которому классификатор строит модель. Размер обучающей выборки должен быть значителен, чтобы охватывать всё пространство входных векторов. Плотность распределения обучающей выборки должна быть приближена к равномерной.

Тестовая выборка используется для оценки качества обучения классификатора и выбора модели, обладающей наилучшим соотношением степени обучения и обобщения.

Суть алгоритма обучения состоит в том, что на каждой итерации рассчитывается ошибка классификатора и веса на выходном слое, после чего ошибка переносится на скрытый слой с учетом рассчитанных весов Далее рассчитывается изменение весов скрытого слоя. Выход скрытого слоя:

Ме V ..Л/Л

у .

(8) (9)

Выход выходного слоя:

V0"' = ¿^Х"',

(10) (И)

(-1

Производная ошибки по отклику выходного слоя:

Xм —

дЬШе _

¿Е

¿У 5

с1Е ¿у°; ' йум сЬш йуы

. = 3°"' ут' (I-у0"'^"

(13)

Ошибка д распространяется по сети в обратном направлении. Сначала рассчитывается на выходном слое, а потом

Г"'. Зная 5Ш'

переносится на скрытый с учетом весов определить изменение весов скрытого слоя: йЕ с1Е фШе ймШе

можно

Шк

Лушг ^^

На рисунке 3 приведены графики изменения ошибки в процессе обучения на обучающей и тестовой выборках.

Р ч

6 О 35 1

' 0 3 ,

| 02

г с 1

-тги.-^г ух'-

......

1 ......

И""""

'IV""" б

______;....... 4/

" ~ ---- *

70

У

Рис. 3 Графики ошибки обучения на обучающей (а) и тестовой (б)

выборках.

Возможно два критерия остановки процесса обучения:

• по достижении заданного количества итераций обучения;

• по достижению минимальной ошибки обучения.

, Остановка по достижению минимальной ошибки обучения является наиболее корректной, так как в этом случае классификатор не имеет тенденцию к переобучению.

Важным этапом обучения классификатора, предложенным в данной диссертационной работе, является изменение статистических весов примеров обучающей выборки в зависимости от количества примеров каждого класса. Изменение статистических весов позволяет повысить качество обучения на выборках с неравномерным распределением примеров стадий.

Классификатор на основе СММ был выбран потому, что при распознавании стадий сна, он учитывает характеристики

текущего участка и предыдущее распознанное состояние, что позволяет адаптировать классификацию под особенности записи и снизить количество резких скачков между состояниями.

Классификация на основе СММ основывается на том, что СММ представляет собой конечный автомат, изменяющий свое состояние в каждый дискретный момент времени. Переход из состояния в состояние Sj осуществляется случайным образом с вероятностью а^. В каждый дискретный момент времени модель порождает вектор о, наблюдений с вероятностью Ь/о().

Метод распознавания стадий сна состоит из трех этапов: 1. кластеризация входного пространства на заданное количество групп (стадий сна) и инициализация модели, 2. итерационная переоценка параметров модели по алгоритму Баума-Уэлча, 3. расчет последовательности переходов по алгоритму Витерби. Обучение классификатора происходит «без учителя», то есть для инициализации и обучения классификатора не требуется обучающая выборка.

В третьей главе описывается реализация аппаратно-программного комплекса, предназначенного для анализа показателей электрофизиологической активности человека во сне и решения задачи автоматического распознавания стадий сна, на основе описанных во второй главе алгоритмов (Рис. 4).

Модуль регистрации реализован на базе портативного девятиканального усилителя электрофизиологических сигналов, позволяющего производить длительную запись физиологических параметров испытуемого.

Модуль предобработки позволяет фильтровать записи от помех и производить разбиение на эпохи анализа с использованием различных алгоритмов сегментации.

Модуль параметризации позволяет рассчитывать спектральные характеристики и фрактальные размерности участков записи, и формировать на их основе вектора характеристик для дальнейшей классификации стадий сна.

Для повышения качества классификации было проведено исследование, позволившее сформировать сокращенный набор

характеристик сигнала. Целью уменьшения размерности входного пространства являлось ускорение процессов обучения и функционирования классификатора, уменьшение его размера, а так же снижение уровня шума.

Устройство регистрации электрофизиологической .информации

БД

_1\| Модуль загрузки /1_ ПСГданных \г~

Предобработка сигнала

Шумоочистка Удаление артефактов Сегментация

Расчет векторов признаков 1

Фурье Фрактальные Энергия

спектрограмма размерности

Классификация

Многослойный Скрытые

персептрон модели Маркова

Рис. 4 Схема аппаратно-программного- комплекса

Для уменьшения размерности входных векторов были построены корреляционные матрицы характеристик сигнала (Рис. 5). Далее, был выбран порог, при превышении которого характеристики группировались.

Анализ корреляционной матрицы выявил высокую степень зависимости симметричных электродов и позволил существенно сократить размерность входных векторов без значительных потерь информации.

Модуль классификации позволяет выполнять обучение нейросетевых классификаторов различной архитектуры и использовать их для распознавания стадий сна.

Архитектура классификатора определяет его принципиальные возможности по классификации входного пространства. Разные архитектуры способны строить различные разделяющие поверхности. Для каждой задачи существует своё множество приемлемых архитектур. Проведенное в диссертационной работе тестирование семи видов классификаторов показало, что лучшие результаты для решаемой задачи показывает многослойный персептрон.

Важным свойством разработанного модуля классификации является возможность группировать классификаторы различной архитектуры, каждый из которых обучается на выделение определенных состояний. Последовательное применение нескольких классификаторов обладающих различными свойствами позволяет повысить точность распознавания, что обеспечивает надежное использование аппаратно-программного комплекса для исследования физиологического состояния человека во время сна.

Предложенная модульная структура аппаратно-программного комплекса позволяет подбирать алгоритмы сегментации записей, параметризации сегментов и

Рис. 5 Корреляционные матрицы полного (слева) и сокращенного (справа) наборов параметров сигнала.

классификации в зависимости от решаемой задачи, что позволяют расширить возможности применения системы в других областях медицины и техники.

В четвертой главе показаны основные результаты экспериментальной проверки предложенных методов.

Использованная для тестирования база данных содержит 22 полных ночных полисомнограммы взрослых испытуемых страдающих от расстройств дыхания во сне, общей длительностью 154 часа.

Разделение на обучающую и тестовую выборки производилось с условием, чтобы соотношение длительностей примеров каждой стадии было приближенно к 80:20 %. Размер обучающей выборки составил 17, а тестовой 5 записей.

Результаты тестирования метода непараметрической сегментации показали, что средняя длина стационарных сегментов не превышает 5 секунд, а количество таких сегментов составляет до 90%.

Классификатор на основе МП был протестирован на двух входных наборах параметров (из 140 и 16 характеристик) сформированных при оптимизации параметрического описания сегментов. Рассмотрены случаи остановки обучения по достижении минимальной ошибки на обучающей выборке.

Основными показателями качества распознавания являлись общая точность, рассчитанная по всей гипнограмме, средняя точность распознавания среди всех стадий и корреляция между гипнограммами.

Для повышения точности классификации было предложено использовать каскад из нескольких, последовательно применяемых классификаторов. Каждый из них обучается на разделение определенной группы состояний. Схема наиболее эффективного каскада приведена на рисунке 6. Результаты классификации приведены в таблице 2.

Максимальная общая точность на тестовой выборке (75,6%) достигается при использовании классификатора распознающего шесть состояний и векторов характеристик размерности 16.

Средняя Общая точность точность

Ср. тест.

Среднее

Среднее

Среднее | 86,89 72,23 33,79 73,90

Среднее | 83,96

Среднее | 54,91 48,34131,81 60,68 13,83

Рис. 6. Схема каскадного классификатора

Таблица 2 Результаты тестирования МП

Ср. тест.

Средняя точность распознавания всех стадий на тестовой выборке (64,5%) максимальна при использовании каскадного классификатора и входных векторов размерности 16. Таким

Корреляция

0,82

Ср. тест.

образом, показано, что применение каскадного классификатора позволяет повысить равномерность распознавания стадий.

По сравнению с существующими системами показано, что разработанный классификатор эффективен на выборке большого объема состоящей из записей, сделанных у испытуемых с расстройствами сна.

Классификатор на основе СММ показал меньшую общую точность, чем классификатор на основе МП за счет низкой точности распознавания 1 и 3 стадий, что объясняется тем, что классификатор на основе СММ менее чувствителен к переходным состояниям.

На рисунке 7 представлен пример гипнограмм, рассчитанных для записи исс!с1Ь007.

...... „! > •;<. ■¿¿илИ'^и

И < : V ■ II

: • п : I

б)

в!

'VI ! ' ,„|Цч| ,,!,', .._.„! , ЙМИ!' ' ... -!'<«Ю1ИЙ'А V

■ III:. '!., I Иг НИМ 1МВ 1(П.И I ------щ ibibbi.II . ". и . . --Ч 1 Иви^ии- Тпнвв « I п I ; Г

Г)

Рис. 7 Пример гипнограмм для записи иссШЬ007, полученных экспертным путем (а) на классификаторе 16 характеристик с остановкой обучения на минимальной ошибке (б), на каскаде 16 характеристик с остановкой на минимальной ошибке (в) на СММ 16 характеристик (г).

В заключении четвертой главы сформулированы следующие выводы:

1. точность разработанного метода автоматической классификации составляет 75,6 % на тестовой выборке;

2. наиболее хорошо распознаются состояния, имеющие наиболее выраженное описание, такие как бодрствование (82%), ФБС (85%), 2 стадия (87%) и 4 стадия (83%);

3. стадии 1 и 3 трудно поддаются разделению, что объясняется малым количеством примеров данных стадий в обучающей выборке (14,6% и 3,3% от общей длительности) и неоднозначностью в определении их признаков;

4. применение каскада классификаторов позволяет улучшить качество распознавания 1 и 3 стадий и повысить среднюю точность распознавания по всем стадиям;

5. метод распознавания на основе СММ адаптируется к особенностям анализируемой записи и учитывает при классификации не только характеристики текущего состояния, но и предыдущее распознанное состояние.

Полученные в диссертационной работе экспериментальные результаты подтвердили достоверность предложенной методики.

В заключение диссертационной работы сформулированы основные выводы и полученные результаты.

В приложении приведены подробные технические характеристики аппаратной части, результаты обучения классификаторов, ошибки и точности при обучении классификаторов, входящих в каскад, графики обучения.

Основные результаты диссертационной работы

1. Проведенный анализ существующих систем и методов автоматической классификации стадий сна показал, что их основным недостатком является недостаточная для применения в реальных диагностических условиях точность и равномерность распознавания всех стадий сна, фиксированная длина эпох анализа, а так же ограниченные возможности по расширенному применению методов на другие принципы классификации.

2. Разработан комплексный метод решения задачи автоматического распознавания стадий сна. Реализованы алгоритмы решения основных ее этапов: разделения записей на эпохи анализа, параметрического описания

записей и классификации стадий сна.

3. Предложена реализация адаптированного к задаче распознавания стадий сна метода сегментации записей электрофизиологических сигналов, использующего алгоритм непараметрической сегментации.

4. При формировании векторов характеристик сигнала совместно использованы спектральные показатели и фрактальные размерности. С помощью анализа корреляционных матриц выявлены отведения и набор характеристик для классификации стадий сна.

5. Проведено сравнение семи видов нейросетевых классификаторов, которое показало, что наиболее эффективным для решения задачи автоматического распознавания стадий сна является многослойный персептрон.

6. Предложен набор параметров классификаторов, условий их обучения и метод обработки статистических весов примеров обучающей выборки, обеспечивающий высокую точность распознавания стадий сна.

7. Разработанная схема каскада классификаторов позволила повысить равномерность распознавания всех стадий сна.

8. Разработан аппаратно-программный комплекс для автоматического распознавания стадий сна на основе предложенных методов и алгоритмов обработки и анализа электрофизиологических сигналов.

9. По сравнению с существующими системами, разработанный классификатор обеспечивает точность 76 % на выборке большого объема состоящей из записей, собранных у испытуемых с расстройствами сна, при этом не требуется предварительная ручная разметка записей.

10. Разработанный аппаратно-программный комплекс внедрен в ряде ведущих научных организаций и используется для исследования физиологического состояния человека во время сна.

Список работ, опубликованных по теме диссертации

1. Дорошенков Л.Г., Конышев В.А., Селищев C.B. Исследование фаз сна по ЭЭГ человека на основе скрытых моделей Маркова // Медицинская техника. - 2007. - №1. - с. 24-28.

2. Дорошенков Л.Г., Карловский Д.В. Система проектирования графов обработки ЭЭГ в задачах нейрокомпьютерного интерфейса // Медицинская техника. - 2009. - №3. - с. 16-19.

3. Дорошенков Л.Г. Детекция фаз сна по ЭЭГ человека на основе скрытых моделей Маркова // XIII всероссийская межвузовская НТК студентов и аспирантов: «Микроэлектроника и информатика - 2006». Тезисы докладов. -М.: МИЭТ, 2006. - с. 312.

4. Дорошенков Л.Г., Карловский Д.В. Автоматическая классификация стадий сна человека на основе анализа биоэлектрической активности мозга // Всероссийский молодежный научно-инновационный конкурс - конференция «Электроника - 2006». Тезисы докладов. - М.: МИЭТ, 2006. -с. 81.

5. Дорошенков Л.Г., Карловский Д.В. Разработка программного модуля обработки и анализа ЭЭГ в режиме реального времени. // XIV Всероссийская межвузовская НТК студентов и аспирантов «Микроэлектроника и информатика - 2007». Тезисы докладов. -М.: МИЭТ, 2007. - с. 347.

6. Карловский Д.В., Дорошенков Л.Г. Система Visual mind для анализа ЭЭГ сигналов в задаче проектирования нейрокомпьютерных интерфейсов // II Международная конференция «Человек и электромагнитные поля». Тезисы докладов. - Саров, 2007.- е. 97.

7. Дорошенков Л.Г., Карловский Д.В., Понкратова О.Н., Гендель И.Г. Разработка модуля анализа и классификации показателей биоэлектрической активности человека во сне // Тезисы докладов Конкурса молодежных инновационных предпринимательских проектов «День науки Зеленоград». -М.: МИЭТ, 2007.-е. 31.

8. Дорошенков JI.F., Понкратова О.Н. Детекция фаз сна по ЭЭГ человека на основе скрытых моделей Маркова // XX съезд Физиологического общества им. И.П. Павлова. Тезисы докладов. - М.: Издательский дом «Русский врач», 2007. - с. 216.

9. Doroshenkov L.G., Konyshev V.A.. Usage of Hidden Markov Models for automatic sleep stages classification // 3rd Russian-Bavarian Conference on Biomedical Engineering at Friedrich-Alexander-University Erlangen-Nuremberg and Fraunhofer Inctitute for Integrated Circuits IIS Erlangen. - Bavaria, 2007. -pp. 19-23.

10. Gendel I., Doroshenkov L. EEG segmentation based on Higuchi fractal dimension in automatic sleep stage classification // 4th Russian-Bavarian Conference on Biomedical Engineering at Moscow Institute of Electronic Technology (Technical University). -Zelenograd, Moscow, Russia, 2008. -pp. 313-317.

11. Карловский Д.В., Дорошенков Л.Г. Разработка программного модуля обработки и анализа ЭЭГ в режиме реального времени // II Международная конференция «Человек и электромагнитные поля». Сборник материалов докладов. -Саров: РФЯЦ-ВНИИЭФ, 2008. - с. 408-411.

12. Дорошенков Л.Г., Гендель И.Г. Сегментация ЭЭГ на стационарные участки по методу расчета фрактальной размерности Хигучи // XV Всероссийская межвузовская НТК студентов и аспирантов «Микроэлектроника и информатика -2008». Тезисы докладов. - М.: МИЭТ, 2008. - с. 259

Подписано в печать:

Заказ №/6% Тираж /¿О экз. Уч.-изд.л.^ Формат 60x84 1/16. Отпечатано в типографии МИЭТ (ТУ). 124498, Москва, МИЭТ (ТУ).

Список аббревиатур.

Введение.

Цель работы.

Научная новизна.

Практическая значимость работы.

Основные результаты работы.

Достоверность полученных результатов.

Апробации работы.

Глава 1 Исследования сна.

1.1. Феноменология сна.

1.2. Нарушения сна.

1.3. Применения электроэнцефалографии для исследования сна.

1.3.1. Система расположения электродов «10-20».

1.3.2. Ритмы и паттерны ЭЭГ.

1.3.3. Фазы сна и гипнограмма.

1.3.4. Классификация сна по правилам Рехчаффена и Кейлса.

1.4. Метод полисомнографии.

1.4.1. Регистрация данных.

1.4.2. Анализ данных.

1.4.3. Клиническое заключение.

1.5. Анализ рынка систем для проведения полисомнографических исследований.

1.6. Разработка аппаратно-программного комплекса для решения задачи автоматического распознавания стадий сна.

Глава 2 Алгоритмы для решение задачи автоматического распонаваия стадий снаЗО

2.1. Комплексное решение задачи автоматического распознавания стадий сна.

2.2. Подходы к автоматизации распознавания стадий сна.

2.3. Разработка методов сегментации записей.

2.3.1. Стационарный случайный процесс.

2.3.2. Метод фиксированных интервалов.

2.3.3. Параметрическая сегментация.

2.3.4. Непараметрическая сегментация.

2.4. Разработка методов параметризации.

2.4.1. Электроэнцефалографическая семиотика.

2.4.2. Параметризация на основе преобразования Фурье.

2.4.3. Параметризация на основе фрактальной размерности.

2.5. Разработка методов классификации.

2.5.1. Архитектура алгоритмов классификации.

2.5.2. Исследования и разработка однослойных классификаторов.

2.5.3. Исследования и разработка многослойных классификаторов.

2.5.4. Разработка линейной кластеризации.

2.5.5. Алгоритмы обучения на основе самоорганизации.

2.5.6. Алгоритм обучения на основе обратного распространения ошибки.

2.5.7. Методы обработки статистических весов примеров обучающей выборки

2.5.8. Разработка классификатора на основе скрытых моделей Маркова.

2.6. Выводы.

Глава 3 Программно-аппаратный комплекса для анализа показателей электрофизиологической активности человека во сне.

3.1. Назначение программно аппаратного комплекса.

3.1.1. Функциональные возможности аппаратной реализации.

3.1.2. Функциональные возможности программных модулей.

3.2. Состав программно-аппаратного комплекса.

3.3. Модуль предобработки ЭЭГ.

3.4. Модуль параметризации ПСГ.

3.4.1. Изменение размерности входного пространства.

3.5. Модуль классификации.

3.5.1. Выбор оптимального классификатора.

3.5.2. Алгоритм классификации стадий сна на основе многослойного персептрона.

3.5.3. Алгоритм классификации стадий сна на основе скрытых моделей Маркова.

3.6. Выводы.

Глава 4 Применение программно-аппаратного комплекса для автоматического распознавания стадий сна.

4.1. База данных.

4.1.1. Формирование обучающей и тестовой выборки.

4.2. Сегментация записей.

4.3. Параметризация записей.

4.4. Тестирование классификатора на основе многослойного персептрона.

4.4.1. Обучение классификатора.

4.4.2. Тестирование классификатора.

4.4.3. Пример применения классификатора на основе многослойного персептрона.

4.5. Тестирование каскадного классификатора на основе многослойного персептрона.

4.5.1. Обучение классификаторов.

4.5.2. Тестирование классификаторов.

4.5.3. Пример применения каскада классификаторов на основе многослойного персептрона.

4.6. Тестирование классификатора на основе скрытых моделей Маркова.

4.6.1. Пример применения классификатора на основе скрытых моделей Маркова.

4.7. Выводы.

Сон является неотъемлемой частью существования человека, занимающей более трети времени его жизни. Физиологически сон неоднороден. Он включает в себя различные функциональные состояния: фазы и стадии, чередующиеся в определенной последовательности и образующие циклы сна. Нарушение естественных циклов переходов между фазами и стадиями сна является признаком расстройств сна, которые в свою очередь могут иметь серьезные негативные последствия для организма, такие как сниженная работоспособность, утомляемость, нарушения деятельности сердечнососудистой и центральной нервной систем. Своевременное диагностирование расстройств сна может выявить и предупредить развитие многих серьезных заболеваний.

Для объективного изучения сна и его нарушений используется полисомнография - метод, включающий параллельную регистрацию электрофизиологических сигналов, таких как электроэнцефалограмма, электромиограмма и электроокулограмма. На основании анализа показателей электрофизиологической активности человека строится гипнограмма - график, отражающий последовательность стадий и фаз сна.

Общепринятая система классификации стадий сна была разработана Рехчаффеном и Кейлсом в 1968 году. Согласно данному методу, эксперт вручную анализирует записи электрофизиологических параметров, длительность которых в среднем составляет восемь часов. Для каждого тридцатисекундного отрезка записи последовательно рассчитываются характеристики, на основании которых принимается решение об отнесении рассматриваемого участка к той или иной стадии сна. Метод построения гипнограмм по правилам Рехчаффена и Кейлса является до сих пор наиболее распространенным, однако он имеет ряд существенных ограничений, а именно: фиксированная длина эпохи анализа, высокая трудоемкость, субъективность оценки. Поэтому в настоящее время существует необходимость в разработке объективных автоматизированных методах распознавания стадий сна, которые в совокупности с прибором для регистрации электрофизиологических сигналов образуют систему для диагностики расстройств сна.

На основе анализа научных и практических результатов, полученных исследователями в области разработки алгоритмов для автоматического распознавания стадий сна, были сформулированы следующие требования к разрабатываемой системе:

• высокая степень автоматизации процесса анализа длительных записей электрофизиологических сигналов, позволяющая в течение нескольких минут строить гипнограммы;

• высокая точность распознавания каждой из стадий сна, достаточная для применения в реальном диагностическом процессе;

• независимость метода от состава базы данных и адаптация к ее особенностям;

• возможность расширения используемого набора регистрируемых физиологических показателей и рассчитываемых по ним параметров и характеристик;

• возможность модификации алгоритма с использованием различных принципов классификации стадий сна.

Таким образом, разработка интегрированного аппаратно-программного комплекса для решения задачи автоматического распознавания стадий сна и построения гипнограммы является актуальной.

Цель работы

Целью данной диссертационной работы является разработка методов и алгоритмов обработки электрофизиологических сигналов для решения задачи автоматического распознавания стадий сна.

Для достижения поставленной цели в диссертационной работе были решены следующие основные задачи:

• Проведено исследование и анализ существующих систем и методов решения задачи автоматического распознавания стадий сна.

• Разработана функциональная структура аппаратно-программного комплекса, предназначенного для решения задачи автоматического распознавания стадий сна.

• Разработаны методики предобработки записей электрофизиологических сигналов, сегментации на участки относительной стационарности с учетом специфики задачи распознавания стадий сна.

• Разработаны методы и алгоритмы параметризации электрофизиологических сигналов на основе быстрого преобразования Фурье и фрактальной размерности.

• Сформированы наборы характеристик электрофизиологических сигналов и оптимальных параметров классификаторов для решения задачи автоматического распознавания стадий сна.

• Разработаны методы и алгоритмы классификации характеристик электрофизиологических сигналов, позволяющие решать задачу автоматического распознавания стадий сна.

• Выполнена практическая реализация разработанных методов и алгоритмов при создании аппаратно-программного комплекса.

• Проведена апробация методов и алгоритмов на верифицированных базах данных записей электрофизиологических сигналов.

Научная новизна

Научная новизна полученных результатов состоит в теоретическом обосновании, экспериментальном обеспечении и разработке эффективных алгоритмов и методов обработки и анализа электрофизиологических сигналов для решения задачи автоматического распознавания стадий сна.

В ходе выполнения диссертационной работы получены следующие научные результаты.

• Разработай комплексный метод решения задачи автоматического распознавания стадий сна, состоящий из сегментации записей, параметризации сегментов и классификации стадий сна.

• Предложена реализация адаптированного к задаче распознавания стадий сна метода разделения записей электрофизиологических сигналов на участки относительной стационарности, с использованием алгоритма непараметрической сегментации.

• Предложено совместное использование спектральных показателей и фрактальных размерностей при формировании векторов характеристик сигнала. С помощью анализа корреляционных матриц выявлены отведения и набор характеристик для классификации стадий сна.

• Предложен набор параметров классификатора стадий сна на основе многослойного персептрона.

• Предложен алгоритм классификации стадий сна на основе каскада многослойных классификаторов позволяющий повысить равномерность распознавания всех стадий.

Практическая значимость работы

Разработанный аппаратно-программный комплекс для регистрации, обработки и анализа электрофизиологических сигналов может быть использован для исследования физиологического состояния человека во время сна и построения гипнограммы в ручном и автоматическом режимах (рисунок 1).

Рисунок 1. Программно-аппаратный комплекс для решения задачи автоматического распознавания стадий сна

Применение методов автоматического распознавания стадий сна позволяет значительно сократить время обработки записей электрофизиологических сигналов и повысить объективность проводимого анализа.

Предложенные методики сегментации, расчета характеристик и классификации являются универсальными и позволяют расширить возможности применения системы для распознавания различных расстройств центральной нервной системы человека.

Разработанный аппаратно-программный комплекс, благодаря его универсальности, может быть использован для подобного рода исследований в других областях медицины и техники, как в практической, так и научной деятельности.

Основные результаты работы

1. Проведенный анализ существующих систем и методов для автоматической классификации стадий сна показал, что их основным недостатком является недостаточная для применения в реальных диагностических условиях точность и равномерность распознавания всех стадий сна, фиксированная длина эпох анализа, а так же ограниченные возможности по расширенному применению методов на другие принципы классификации.

2. Разработан комплексный метод решения задачи автоматического распознавания стадий сна. Реализованы алгоритмы решения основных этапов задачи: разделения записей на эпохи анализа, параметрического описания записей и классификации стадий сна.

3. Предложена реализация адаптированного к задаче распознавания стадий сна метода сегментации записей электрофизиологических сигналов, использующего алгоритм непараметрической сегментации.

4. При формировании векторов характеристик сигнала совместно использованы спектральные показатели и фрактальные размерности. С помощью анализа корреляционных матриц выявлены отведения и набор характеристик для классификации стадий сна.

5. Проведено сравнение семи видов нейросетевых классификаторов, которое показало, что наиболее эффективным для решения задачи автоматического распознавания стадий сна является многослойный персептрон с предварительным пересчетом статистических весов примеров обучающей выборки.

6. Предложен оптимальный набор параметров классификаторов, условий их обучения и метод обработки статистических весов примеров обучающей выборки обеспечивающий высокую точность распознавания стадий сна.

7. Разработанная схема каскада классификаторов позволила повысить равномерность распознавания всех стадий сна.

8. Разработан аппаратно-программный комплекс для автоматического распознавания стадий сна на основе предложенных методов и алгоритмов обработки и анализа электрофизиологических сигналов.

9. Проведено тестирование разработанных методов и алгоритмов на верифицированных базах данных. Точность распознавания на тестовой выборке составляет 15%.

10. Разработанный аппаратно-программный комплекс внедрен в ряде ведущих научных организаций и используется для исследования физиологического состояния человека во время сна.

Достоверность полученных результатов

Достоверность полученных результатов подтверждается результатами тестирования программы на верифицированных базах данных, подтвердившими надежность разработанных методов и алгоритмов.

Апробации работы

Основные положения и результаты диссертационной работы были представлены и обсуждены:

• на XIII, XIV, XV всероссийских межвузовских НТК студентов и аспирантов «Микроэлектроника и информатика» (Москва, 2006, 2007, 2008);

• на Всероссийском молодежном научно-инновационном конкурсе -конференции «Электроника - 2006» (Москва, 2006);

• на II Международной конференции «Человек и электромагнитные поля» (Саров, 2007);

• на конкурсе молодежных инновационных предпринимательских проектов «День науки Зеленоград» (Москва, 2007);

• на XX съезде Физиологического общества им. И.П. Павлова (Москва, 2007);

• The 3rd, 4th Russian-Bavarian Conference on Bio-Medical Engineering, (Erlangen, Bavaria 2007, Moscow 2008);

4.7. Выводы

Результаты сегментации показали, что средняя длина стационарных сегментов не превышает 5 секунд, а количество таких сегментов составляет более 80 %.

Точность разработанного метода автоматической классификации стадий сна составляет 76 % на тестовой выборке, при использовании единственного классификатора разделяющего на шесть стадий на основе векторов характеристик размерности 16.

Наиболее хорошо распознаются состояния бодрствование (82 %), ФБС (85 %), 2 стадия (87 %) и 4 стадия (83 %). Стадии 1 и 3 трудно поддаются разделению, что объясняется малым количеством примеров данных стадий в обучающей выборке (15 % и 3 % соответственно от общей длительности) и неоднозначностью в определении их признаков.

Применение каскадной схемы классификации позволяет повысить равномерность распознавания, о чем свидетельствует полученная средняя точность распознавания всех стадий 64 %.

Метод распознавания на основе СММ адаптируется к особенностям анализируемой записи и учитывает при классификации не только характеристики текущего состояния, но и предыдущее распознанное состояние.

ЗАКЛЮЧЕНИЕ

Проведенный анализ существующих систем и методов для автоматической классификации стадий сна показал, что их основным недостатком является недостаточная для применения в реальных диагностических условиях точность и равномерность распознавания всех стадий сна, фиксированная длина эпох анализа, а так же ограниченные возможности по расширенному применению методов для использования других принципов классификации.

В ходе выполнения диссертационной работы разработан комплексный метод решения задачи автоматического распознавания стадий сна. Реализованы алгоритмы решения основных ее этапов: разделения записей на эпохи анализа, параметрического описания записей и классификации стадий сна.

Предложена реализация адаптированного к задаче распознавания стадий сна метода сегментации записей электрофизиологических сигналов, использующего алгоритм непараметрической сегментации.

При формировании векторов характеристик сигнала совместно использованы спектральные показатели и фрактальные размерности. С помощью анализа корреляционных матриц выявлены отведения и набор характеристик для классификации стадий сна.

Проведено сравнение семи видов нейросетевых классификаторов, которое показало, что наиболее эффективным для решения задачи автоматического распознавания стадий сна является многослойный персептрон с предварительным пересчетом статистических весов примеров обучающей выборки.

Предложен оптимальный набор параметров классификаторов, условий их обучения и метод обработки статистических весов примеров обучающей выборки, обеспечивающий высокую точность распознавания стадий сна.

Разработанная схема каскада классификаторов позволила повысить равномерность распознавания всех стадий сна.

Разработан аппаратно-программный комплекс для автоматического распознавания стадий сна на основе предложенных методов и алгоритмов обработки и анализа электрофизиологических сигналов.

Итогами тестирования программы на верифицированных базах данных были подтверждены преимущества разработанных методов и алгоритмов. Показано, что при использовании двухслойной нейронной сети точность распознавания стадий сна составляет 76 % на тестовой выборке.

Разработанный аппаратно-программный комплекс внедрен в ряде ведущих научных организаций и используется для исследования физиологического состояния человека во время сна.

1. Айрапетянц М.Г., Вейн A.M. Неврозы в эксперименте и в клинике. М.: Наука, 1982.-272 с.

2. Вейн A.M. Нарушения сна и бодрствования. М.: Медицина, 1974. - 383 с.

3. Ротенберг B.C. Адаптивная функция сна: Причины и проявления ее нарушенияю. -М.: Наука, 1982. 175 с.

4. Демин Н.Н., Коган А.Б. и Моисеева Н.И. Нейрофизиология и нейрохимия спа. Л.: Наука, 1978. - 190 с.

5. А.И. Крюков, И.А. Лешкевич. Рекомендации по лечению храпа и синдрома обструктивного апноэ сна. М.: МЕДпресс-информ 2004. - 12 с.

6. Jewett D.L. An average response technique for recording potentials relative to a dislant point without EKG interference. // EEG and Clin. Neurophysiol., 1970 v.28. -pp.414-416.

7. Jewett D.L., Romano H.M., Williston J.S. Human auditory evoked potentials possible brain-stem components detected on the scalp. // Science, 1970, v.167. pp.15171518.

8. Jewett D.L., Willinston J.S. Auditory evoked far fields averaged from scalp of humans. // Brain, 1971, 94. pp.681-696.

9. Гнездицкий B.B. Обратная задача ЭЭГ и клиническая энцефалография. -Таганрог: ТРТУ, 2000. 453 с.

10. Пенфильд У, Джаспер Г. Эпилепсия и функциональная анатомия головного мозга человека. М.: ИЛ, 1958.- 130 с.

11. Зенков Л.Р., Ронкин М.А. Функциональная диагностика нервных болезней. Руководство для врачей. М.: МЕДпресс-информ, 2004. - 492 с.

12. Жирмунская Е.А. Клиническая электроэнцефалография. М.: МЭЙБИ, 1991.-77 с.

13. Saatchi M.R. and Jervis B.W. PC-based integrated systems developed to diagnose specific brain disorders. // Computing and Control Engineering J., 2(2), March 1991.-pp. 61-68.

14. Rechtschaffen A., Kales A.A. A Manual of Standardized Terminology,

15. Techniques and Scoring System for Sleep Stages of Human Subjects. Washington DC: U.S. Government Print. Office, National Institute of health Publications. No 204, 1968.

16. Вейн A.M., Хехт К. Сон человека. Физиология и патология. М: Медицина, 1989. -272 с.

17. Романов А.И. Медицина сна. М.: Слово, 1998. - 368 с.

18. Каллистов Д.Ю., Романов А.И. Инструментальная диагностика расстройств сна: показания и вопросы стандартизации. // Кремлевская медицина. (Клинический вестник) Тематический выпуск: Сомнология. — 1998. с. 42-46.

19. Белов А. М. Анализ процесса сна при полисомнографии. М.: ТГТПС, 2000.-81 с.

20. Kushida С.A., Littner M.R., Morgenthaler Т. Practice parameters for the indications for polysomnography and related procedures: an update for 2005. -Sleep 2005 Apr 1;28(4). pp. 499-521.

21. Захаров E.C., Скоморохов A.A. Современные средства и методы обработки нейрофизиологических сигналов для задачи исследования сна // Научный журнал "Современные наукоемкие технологии". 2008. №7. - с. 106-108.

22. Cvetkovic D., Cosic I. Sleep onset estimator: Evaluation of parameters. // IEEE Engineering in Medicine and Biology Society, 2008. pp. 3860-3863.

23. Schaltenbrand N., Lengelle R., Macher J.P. Neural network model: application to automatic analysis of human sleep // Computers and Biomedical Research 26. 1993. -pp. 157-171.

24. Schaltenbrand N. et.al. Sleep stage scoring using the neural network model: Comparison between visual an automatic analysis in normal subjects and patients // Sleep, 1(1) 1996.-pp. 26-35.

25. Robert C., Guilpin C., Limoge A. Review of neural network application in sleep research. // Journal of Neuroscience Methods 79, 1998. pp. 187-193.

26. Jobert M., Timer C., Oiseau E. Wavelets a new tool in sleep biosignal analysis //Journal of Sleep Research 3, 1994. - pp. 223-232.

27. Ebrahimi F., Mikaeili M., Estrada E. Automatic sleep stage classification based on EEG signals by using neural networks and wavelet packet coefficients // IEEE Engineering in Medicine and Biology Society, 2008. pp. 1151-1154.

28. Malinowska U., Durka P.J., Blinowska K.J. Micro- and macrostructure of sleep EEG // IEEE Engineering in Medicine and Biology Magazine, 2006. pp. 26-31.

29. Vetterli M., Kovacevic J. Wavelet and Subband Coding Prentice Hall Signal Processing Series, Prentice Hall. - 1995 488 p.

30. Rioul O., Vetterli M. Wavelets and Signal processing // IEEE SP Magazine. -1991, vol. 8,№.4.-pp. 14-38.

31. Oropesa E., Cycon FI.L., Jobert M. Sleep Stage Classification using Wavelet Transform and Neural Network // TR-99-008 March 30, 1999. pp. 1-7.

32. Phothisonothai M, Nakagawa M. EEG signal classification method based on fractal features and neural network // IEEE Engineering in Medicine and Biology Society, 2008. pp. 3880-3883.

33. Neal R.M. Bayesian Learning for Neural Networks // Springer, New York, 1996. 183 p.

34. Sykacek P., Roberts S., Rezekl I., Flexer A., Dorffner G. A probabilisticapproach to high-resolution sleep analysis 11 International conference in artificial neural networks, Vienna, 2001, Vol. 2130. pp. 617-624.

35. Schetinin V. Polynomial Neural Networks Learnt to Classify EEG Signals // In Proceedings of International Conference NIMIA-SC2001. Italy, October, 2001. - pp. 300-308.

36. Hassaan A.A., Morsy A.A. Adaptive hybrid system for automatic sleep staging // IEEE Engineering in Medicine and Biology Society, 2008. pp. 1631-1634.

37. Picot A., Charbonnier S., Caplier A. On-line automatic detection of driver drowsiness using a single electroencephalographic channel // IEEE Engineering in Medicine and Biology Society, 2008. pp. 3864-3867.

38. Riedmiller, M., Braun, H., A direct adaptive method for faster back propagation learning: The RPROP algorithm // Proceedings of the IEEE International Conference on Neural Networks, San Fransisco, USA, 1993, Vol. 1. pp. 586-591.

39. Heiss J.E., Held C.M., Estevez P.A., Perez, C.A., Holzmann C.A., Perez J.P. Classification of sleep stages in infants: a neuro fuzzy approach // IEEE engineering in Medicine and Biology, 2002, Vol. 21,1. 5. pp. 147 - 151.

40. Warakagoda N.D. A Hybrid ANN-HMM ASR system with NN based adaptive preprocessing// M.Sc. Thesis, Norges Tekniske Hogskole, Institutt for Teleteknikk, Transmisjonsteknikk, May 19, 1996.

41. Novak D., Al-ani Т., Hamam A., Lhotska L. Electroencephalogram processing using Hidden Markov Models. In Proceedings of the 5th EUROSIM Congres Modelling and Simulation CD-ROM. Vienna: EUROSIM-FRANCOSIM-ARGESIM, 2004, vol. II.

42. Flexer A., Sykacek P., Rezek I., Dorffner G. An automatic, continuous and probabilistic sleep stager based on a Hidden Markov Model // Applied Artificial Intelligence. 2002, Vol. 16, Num. 3. - pp.199-207.

43. Flexer A., Gruber G. and Dorffner G. Improvements on continuousunsupervised sleep staging // International conference on artificial neural networks, № 12, Madrid, 2002 , Vol. 2415. pp. 1013-1018.

44. Скоморохов А.А., Захаров E.C. Полисомнографические исследования и задача автоматизированного построения гипнограммы. // Известия ТРТУ. Тематический выпуск. «Медицинские информационные системы». Таганрог: ТРТУ, 2006. №11(66). - с. 135-138.

45. Захаров Е.С., Кравченко П.П., Скоморохов А.А. Метод автоматизированного построения гипнограммы. // Журнал «Известия ТПУ» -Томск: ТПУ, т. 311., №5/2007. с 136-139.

46. Захаров Е.С., Кравченко П.П., Скоморохов А.А. О решении задачи классификации стадий сна. // Вестник компьютерных и информационных технологий М.: Машиностроение, №5/2008 - с. 48-53.

47. Каплан А.Я. Проблема сегментного описания электроэнцефалограммы человека // Физиология человека. — 1999. том 25. - №1. - с. 125-133.

48. Kaplan A., Roschke J., Darkhovsky В., Fell J. Macrostructural EEG characterization based on nonparametric change point segmentation: application to sleep analysis. Journal of Neuroscience Methods, 2001, 106(1). - pp. 81-90.

49. Barlow J.S. Methods of analysis of nonstationary EEGs, with emphasis on segmentation techniques: a comparative review // J. Clin. Neurophysiol. 1985, V. 2, N.3. - pp. 267-304.

50. Jansen B.H., Hasman A., Lenten R. Piece-wise EEG analysis: an objective evaluation // Internet. J. Bio-Med. Comput. 1981, V. 1. - pp. 17-27.

51. Bodenstein G., Praetorius H.M. Feature extraction from theelectroencephalogram by adaptive segmentation // Proc. IEEE. 1977, V. 65. - pp. 642.

52. Penny W.D.; Roberts S.J. Dynamic Models for Nonstationary Signal Segmentation // Computers and Biomedical Research, 1999, 32 (6). - pp. 483-502.

53. Biscay R., Lavielle L., Gonzalez A., et al. Maximum a posteriori estimation of change points in the EEG // Int J of Biomed Computing. 1995, V. 38. - pp. 189-196.

54. Каплан А.Я. Нестационарность ЭЭГ: методологический и экспериментальный анализ // Успехи физиологических наук. М.: 1998, 29(3). -с. 35-55.

55. Brodskey В., Darkhovsky В., Kaplan A., Shishkin S. A nonparametric method for the segmentation of the EEG // Computer Methods and Programs in Biomedicine 60 (1999). pp. 93 - 106.

56. Бродский Б.Е., Дарховский B.C., Каплан А .Я. и др. Непараметрическая сегментация электрических сигналов мозга. // Автоматика и телемеханика. — М.: 1998, №2. с.23-32.

57. Шишкин С,Д., Бродский Б.Е., Дарховский Б.С, Каплан А.Я. ЭЭГ как нестационарный сигнал: подход к анализу на основе непараметрической статистики // Физиология человека. 1997. - Т. 23, № 4. - с. 124-126.

58. Егорова И.С. Электроэнцефалография. М.: Медицина, 1973. - 296 с.

59. Higuchi Т. Approach to an irregular time series on the basis of a fractal theory //Physica D 31. 1988. - pp. 277-283.

60. Higuchi T. Relationship between the fractal dimension and the power law index for a time series: a numerical investigation // Physica D 46, 1990. - pp. 254-264.

61. Оссовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2004. - 344 с.

62. Хайкин С. Нейронные сети полный курс. М.: Диалектика, 2009. - 1104 с.

63. Галушкин А.И. Теория нейронных сетей. М.: ИПРЖР, 2000. - 416с.

64. Kohonen Т. Self-organizing feature maps. Berlin.: 2001. - 501 p.

65. Bishop C.M. Neural networks for pattern recognition. Oxford.: 1995. - 504 p.

66. Терехов С.А. Гениальные комитеты умных машин. Нейроинформатика 2007. Лекции по нейроинформатике. Часть 2. М.: МИФИ, 2007.

67. Беспроводной усилитель ЭЭГ / ЭКГ для исследователей и клиницистов. Электронный ресурс. URL: http://www.mks.ru/news/2009/05/18/KARDi3.html (дата обращения 10.10.2009).

68. European Data Format Электронный ресурс. URL: http://www.edfplus.info/ (дата обращения 14.11.2008).

69. Open source software library for biomedical signal processing «BioSig» Электронный ресурс. URL: http://biosig.sourceforge.net/download.html (дата обращения 5.06.2009).

70. Cross-platform tool which allows the EDF files visualization and manipulation Электронный ресурс. URL: http://www.loria.fr/~kerkeni/jEDF.php (дата обращения 5.06.2009).

71. Карловский Д.В. Дорошенков Л.Г. Система Visual mind для анализа ЭЭГ сигналов в задаче проектирования нейрокомпьютерных интерфейсов. // Тезисы докладов II Международной конференции «Человек и электромагнитные поля». Саров: РФЯЦ-ВНИИЭФ 2007 г. с. 97.

72. Дорошенков Л.Г., Карловский Д.В. Система проектирования графов обработки ЭЭГ в задачах нейрокомпьютерного интерфейса // Медицинская техника. 2009. №3. - с. 16-19.

73. Brodsky В.Е., Darkhovsky B.S. Nonparametric methods in change-point problems. Kluwer Academic Publishers, 1993. - 209 p.

74. Virkkala J., Hasan J., Velin R., Himanen SL., Varri A., Van Someren EJ. Automatic sleep detection using activity and facial electrodes channel // IEEE Engineering in Medicine and Biology Society, 2008. pp. 1639-1642.

75. Virkkala J., Velin R., Himanen SL., Varri A., Muller K., Hasan J. Automatic sleep stage classification using two facial electrodes// IEEE Engineering in Medicine and Biology Society, 2008. pp. 1643-1646.

76. Карловский Д.В., Дорошенков Л.Г. Разработка программного модуля обработки и анализа ЭЭГ в режиме реального времени. // Человек и электромагнитные поля. Сборник материалов докладов II Международной конференции.: Саров: РФЯЦ-ВНИИЭФ, 2008. - с. 408.

77. Дорошенков Л.Г., Конышев В.А., Селищев С.В. Исследование фаз сна по ЭЭГ человека на основе скрытых моделей Маркова // Медицинская техника январь-февраль 2007, №1. с 24-28.

78. Дорошенков Л.Г., Понкратова О.Н. Детекция фаз сна по ЭЭГ человека на основе скрытых моделей Маркова // XX съезд Физиологического общества им. И.П. Павлова. Тезисы докладов. М.: Русский врач, 2007. - с. 216.

79. Дорошенков Л.Г. Детекция фаз сна по ЭЭГ человека на основе скрытых моделей Маркова // XIII всероссийская межвузовская НТК студентов и аспирантов: «Микроэлектроника и информатика 2006». Тезисы докладов. - М.: МИЭТ, 2006. -с. 312.

80. Дорошенков Л.Г. Определение фаз сна по ЭЭГ человека на основе скрытых моделей Маркова // Биомедицинские электронные системы: Сборник научных трудов. Под ред. д.ф.м.н. профессора С.В. Селищева. М.: МИЭТ, 2007. -с. 102-112.

81. Official site of St Vincent's University Hospital. Электронный ресурс. URL: http://www.stvincents.ie/ (дата обращения 7.08.2009).

82. Official site of Erich JAEGER company Электронный ресурс. URL: http://www.jaeger-toennies.com/ (дата обращения 14.09.2009).

83. Database. Sleep Recordings and Hypnograms in European Data Format (EDF). Электронный ресурс. URL: http://www.physionet.org/ (дата обращения 11.07.2007).