автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы и алгоритмы принятия решений на основе морфологического анализа сложноструктурированных сигналов и нейросетевого моделирования

005010505

На правах рукописи

Зо Зо Тун

МЕТОДЫ И АЛГОРИТМЫ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ МОРФОЛОГИЧЕСКОГО АНАЛИЗА СЛОЖНОСТРУКТУРИРОВАННЫХ СИГНАЛОВ И НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические и медицинские системы)

9 ФЕВ т

Автореферат диссертации на соискание ученой степени кандидата технических наук

КУРСК 2012

005010505

Работа выполнена в Юго-Западном государственном университете на кафедре биомедицинской инженерии

Научный руководитель:

доктор технических наук, доцент Рыбочкин Анатолий Фёдорович

Официальные оппоненты:

доктор технических наук, профессор Маслак Анатолий Андреевич

кандидат технических наук, доцент Панищев Владимир Славиевич

Ведущая организация:

Воронежский государственный технический университет

Защита диссертации состоится «29» февраля 2012 года в 12-00 часов в конференц-зале на заседании совета по защите докторских и кандидатских диссертаций Д 212.105.03 при Юго-Западном государственном университете по адресу: 305040, г. Курск, ул. 50 лет Октября, 94.

С диссертацией можно ознакомиться в библиотеке Юго-Западного государственного университета. .

Автореферат разослан «27» января 2012 г.

Ученый секретарь совета по защите докторских и кандидатских диссертаций Д 212.105.03

Старков Ф.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В настоящее время теоретический и прикладный аппарат системного анализа широко используется практически во всех областях науки и техники, в том числе при создании проблемноориентированных комплексов, обеспечивающих интеллектуальную поддержку принятия диагностических решений. Актуальные задачи, которые должны решать интеллектуальные системы - это задачи классификации и прогнозирования состояния сложных систем, которые решаются путем анализа сложноструктурированных сигналов, связанных с жизнедеятельностью этих систем.

Для анализа сложноструктурированных сигналов (ССС) наиболее часто используются методы спектрального и морфологического анализа, а также методы авторегрессионного моделирования. Одной из задач анализа ССС является формирование признакового пространства для систем классификации или распознавания, в качестве которых используют нейросетевые модели. На входе нейронного классификатора должен быть сформирован такой вектор информативных признаков, который с одной стороны минимизирует число нейронов входного слоя, а с другой стороны — обеспечивает приемлемое качество классификации. Если ССС имеет характерные сегменты (например, электрокардиосигнал), то входной вектор целесообразно формировать посредством морфологического анализа, так как в этом случае можно использовать экспертное оценивание результатов анализа, что значительно повышает качественные характеристики нейросетевой модели.

Однако вопросы развития интеллектуальных технологий на основе морфологического анализа ССС и нейросетевого моделирования, обеспечивающие повышение качества диагностических и управленческих решений в системах медицинского назначения, не являются тривиальными и требуют развития теории и практики системного анализа, методов и средств обработки информации.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы (государственный контракт № П705 от 12 августа 2009 г., по проблеме «Прогнозирование функционального состояния сердечно-сосудистой системы человека на основе многомерного спектрального анализа данных мониторинга акустических и электрофизиологических процессов жизнедеятельности, осуществляемого посредством микроминиатюрных датчиков и мобильных средств связи» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Цель__работы. Разработка методов, алгоритмов и программного

обеспечения для анализа и классификации сложноструктурированных сигналов, основанных на морфологическом анализе и нейросетевом моделировании, обеспечивающих повышение качества диагностики анормальных состояний в сложноструктурированных сигналах.

Для достижения поставленной цели необходимо решить следующие задачи:

- проанализировать современные методы и алгоритмы поддержки принятия решений, использующие для анализа сложноструктурированных сигналов технологии нечеткой логики и нейронных сетей;

- разработать методы морфологического анализа сложноструктурированных сигналов, предназначенные для классифицирующих нейросетевых моделей;

- разработать способ формирования пространства информативных признаков, основанный на морфологической обработке отсчетов сложноструктурированного сигнала;

- создать комплекс алгоритмов для автоматизированной системы анализа и классификации сложноструктурированных сигналов на примере классификации ишемических эпизодов;

- разработать интегрированный программный пакет, реализующий применение указанных технологий, и провести апробацию предложенных методов, алгоритмов и программного обеспечения на репрезентативных контрольных выборках сложноструктурированных сигналов.

Объект исследования. Сложноструктурированные квазипериоди-ческие сигналы.

Предмет исследования. Методы и алгоритмы поддержки при принятии диагностических решений в задачах распознавания анормальных состояний в сложноструктурированных сигналах.

Содержание диссертации соответствует п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации» и п.5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации» паспорта специальности 05.13.01 - Системный анализ, управление и обработка информации.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, математической статистики, теории морфологического преобразования, теории нейронных сетей и теории нечеткого мнжества. При разработке диагностической системы в качестве инструментария использовалась среда Matlab 7.10 (R2010a) со встроенными пакетами Neural Network Toolbox и Fuzzy Logic Toolbox.

Няучняя новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

- метод подавления низкочастотных и высокочастотных помех в сложноструктурированных сигналах, отличающийся использованием комплексной морфологической обработки, позволяющий подавить помехи с минимальным искажением полезного сигнала;

- алгоритмы морфологической обработки сложноструктурированных сигналов, отличающиеся использованием методов морфологической

обработки на основе морфологических операций, позволяющие выполнять устранение дрейфа изолинии, подавление шумовой помехи и выделение характерных точек в исследуемых сигналах;

- метод выделения характерных точек в сложноструктурированном сигнале, отличающийся использованием мультимасштабного морфологического преобразования, позволяющий сформировать пространство информативных признаков для нейросетевых классифицирующих моделей;

- комплекс алгоритмов для автоматизированной системы анализа и классификации сложноструктурированных сигналов, позволяющий классифицировать их сегменты, классифицировать в них аномальные окна и определять аномальные эпизоды, отличающийся использованием технологий нейронных сетей;

- интегрированный программный пакет, реализующий применение указанных технологий, и алгоритм, осуществляющий в интерактивном режиме моделирование интеллектуальных систем на основе предложенных технических решений и нечеткого модуля принятия решений с базой решающих правил, построенных на миннесотовых кодах, позволяющий предложить врачам-специалистам решения, основанные на различных информационных моделях.

Практическая значимость и результаты. Разработанные методы, способы и алгоритмы составили основу реализации автоматизированной системы для диагностики ишемической болезни сердца по электрокардиосигналам.

Практическое значение работы определяется возможностью применения результатов исследования в системах поддержки принятия решений по диагностике ишемической болезни сердца.

Результаты работы использованы в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных») и использованы при проведении научно-исследовательской работы, выполняемой по заказу Министерства образования и науки РФ (1.187.09 гос. per. № 01200962672 от 18.11.2009).

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: XII, XIII, XIV Международных научно-технических

конференциях «Медико-экологические информационные технологии» (Курск, 2009, 2010, 2011); IX Международной научно-технической конференции «Физика и радиотехника в медицине и экологии» (Владимир-Суздаль, 2010); XVIII Международной конференции «Лазерноинформационные технологии в медицине, биологии и геоэкологии - 2010» (Новороссийск, 2010); Инновационные научно-технические разработки и направления их развития «Инновация - 2010» (Курск, 2010);

Информационно-измерительные диагностические и управляющие системы

«Диагностика - 2011» (Курск, 2011); научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2009,2010,2011 гг.).

Публикации. По теме диссертации опубликовано 13 печатных работ, из них 3 работы в рецензируемых научных журналах.

Личный вклад автора. Все выносимые на защиту результаты получены лично автором. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] соискателем предложены морфологические операторы для анализа сложноструктурированных сигналов, в [2], [5-6] и [9]

- нейросеггевые системы для классификации кардиоциклов, в [3] и [11] -способы и алгоритмы морфологического анализа в задачах распознавания характерных точек в сложноструктурированных сигналах, в [4] -специализированное программное обеспечение для анализа сложноструктурированных сигналов, в [8] и [10] - способ автоматического анализа сложноструктурированных сигналов.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 140 источников и приложений. Объем основного текста диссертационной работы - 128 страниц машинописного текста содержит 45 рисунков и 19 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность работы, сформулированы цели и задачи исследования, представляются научная новизна и практическая значимость работы. Кратко излагается содержание глав диссертации.

В первой главе рассмотрены достижения в области формализации, автоматизации обработки сложноструктурированных сигналов и системы автоматической диагностики, позволяющие выполнять автоматизированное обнаружение ишемических эпизодов в длительных электрокаридограммах. Проанализированы современные подходы поддержки принятая решений, использующие технологии нечеткой логики принятия решений и нейронных сетей.

В заключение главы определяются цель и задачи исследования.

Во второй главе разработаны методы морфологической обработки ССС в задачах распознавания характерных точек кардиоцикла электрокаридосигнала.

Для предварительной обработки ССС разработан метод морфологической фильтрации для подавления низкочастотных и высокочастотных помех на основе морфологических операторов. При этом используется два основных морфологических оператора: эрозия (0) и дилатация (©). Операторы отключения (°) и включения (•) получаются посредством операторов, определенных в терминах эрозии и дилатации.

Эрозия - «сжимающий» оператор, в котором отсчеты /&В всегда меньше чем отсчеты /, попавшие в «окно» шириной М:

О©В)(«)= шп {/(« - ~~т ~ + т)-В(т)), (1)

т~ 2

где/- входной сигнал, В - окно структурирования, п - —_____!: дг _ М + \.

2 2

Операция дилатация - операция «расширения.», в которой отсчеты (/ @В) всегда больше чем отсчеты /, попавшие в «окно» шириной М:

(/®Я)(«)= тах {/(л-^+т) + Я(т)}. (2)

2

Оператор отключения определяется как:

/°В = Ц®В)®В. (3)

Оператор включения определяется как:

/•5 = (/в 5)05. (4)

В математическом представлении процесс обнаружения сигнала дрейфа изолинии в ССС можно описать следующими уравнениями:

/а =(/„<■ В0)»В„ (5)

где /„ - исходный сигнал; /д- сигнал дрейфа изолинии;Ва- окно

структурирования отключения; Вд - окно структурирования включения.

Выделение дрейфа изолинии из ССС выполняется путем вычитания из исходного сигнала /„:

/до = /.,-/<)> (6)

где /уд - ССС после устранения дрейфа изолинии.

Последовательности В0 и Вв, имеющие значения нуля, отобраны как две последовательности с различной длиной «окна». Причины для использования различных длин «окон» в Вд и Ва следующие: построение окна структурирования для устранения дрейфа изолинии в ССС зависит от длительности (или ширины) сегмента и частоты дискретизации (Б, Гц) ССС. Если ширина сегмента ССС (например волн Р, О, Я, Б, Т в электрокардиосигнале) - IV, то число отсчетов волны - IV*!?. Чтобы выделить сегмент, ширина окна структурирования Ва должна быть больше, чем (Т¥*Р).

Следующая операция включения используется для удаления «провала», оставленного первой операцией. Длина окна структурирования Ве должна быть больше чем длина В0. Например, ширина сегментов волны Р, волны Т, и (ЗЯБ-комплекса в ЭКС не больше 0.2 с. Следовательно, длина в отсчетах Ь0 последовательности В0 определяется как Ь0 - 0.2*Р, а длина в отсчетах Ьв последовательности Вв выбирается из условия Ьв > Ь0 и определяется соотношением 1.5*Ь0.

Разработанный метод морфологической обработки сложноструктурированного сигнала позволяет повысить соотношение сигнал/помеха более чем на 35 дБ.

После устранения дрейфа изолинии в ССС осуществляется подавление шумовой помехи путем обработки данных через операции «отключения» и «включения» одновременно на основе ОКОН структурирования В„ар - [В], В}], Где В, Ф В2 (т.е. разная форма, но одинаковая длина). В данной работе

Втр определено на основе морфологии ЭКС. В1 характеризует треугольную форму, а В2 характеризует линейный сегмент. Треугольная форма использована для сохранения пика характерных волн ССС (например, СЖБ-комплекса, волны-Р и волны-Т в ЭКС). Линейный сегмент выбран для подавления помехи в ССС. Длина окна В] равна длине окна В2 с целью, минимизации искажения полезного сигнала.

Операция отключения на основе окон структурирования Втр:

/о = /удсВтр*ВПар> (7)

где /уд оВшр = (/^050©В2 , Впар -[В], В2\.

Операция включения на основе окон структурирования В :

/« = /уд,Впар°Втр, (8)

где /уд • Впар = (/уд © »,)052 .

Процесс подавления шумовой помехи в ССС иллюстрирован следующим выражением:

/ = |(/0+/«), (9)

где / - сигнал после подавления шумовой помехи. В данной работе для анализа сегмента ЭКС использовались окна структурирования В1 и В2, которые выбраны со значениями В^~ (0,1,5,1,0), В2 = (0,0,0,0,0).

Для очерчивания и сегментирования (ЗЯБ-комплексов, волны Р и волны Т из кардиоциклов ЭКС предложен метод мультимасштабного морфологического преобразования (МММП). Особая точка в одномерном сигнале определена как точка, у которой производная справа и производная слева имеют различные знаки.

Производная справа в точке (и) может быть представлена морфологической производной М^(«), которая определена как:

, (10)

где ® - масштаб, определяемый шириной «окна» В„ в отсчетах; В$- окно масштабного структурирования.

Подобным образом, производная слева может быть представлена морфологической производной (и), которая определена как:

(11)

В уравнениях (10) и (11) используются две фундаментальные операции

мультимасштабной морфологии, представленные уровнениями (1) и (2),

которые для данного случая запишутся как:

(/(и)©5*)(л) = тах {/(п-т) +В,(т)}, (12)

• т=1,..,5 ■

гдеи^-ш,т ~ {1,2,...^};

(/(л)ОВ,)(л)= min {/(п + т)-В,(т)}, (13)

где n=l,...,N-m, соответственно.

Разность между левыми и правыми производными определяется следующим образом:

М‘/(п) = л/» - л/;(л) =,(/(") ®_Д.Х")-/(") _ Л")^л»)ед,х?) =

(/(П)Ф Д,Х") + (/(»)ОД.,Хя)-2/(я) (14)

Способ Формирования простоаства информативных признаков на примере обнаружения характерных точек QRS-комплекса, волны Р и волны Т показан на рис.1. Локальным минимумам в Md/(jt) соответствуют R-пики в ЭКС. Доя казвдого найденного R-пика первый локальный максимум с его левой стороны определяет начало волны R (Юп), первый локальный максимум на его правой стороне определяет конец волны R (rOff).

! t I

L J к pOffl ttVQ \tc s m !

!

1R

им» (а) ОС i • iT I ” 11 ' b ft ■ " О Г li —' b ’наруженные характерных точек в сигнале преобразования МММП(М*' (п))

I

r!

1

д* J. 7^ р рс ЭГ rOi “ ff" “ 1 / ! /4 rOfftOn*

сое • ' 1 и и и . » . и ^ (б) Характерные точки в ЭКС ответственно обнаруженным точкам из сигнала преобразования МММП

Рис.1. Обнаружение характерных точек ОВБ-комплекса, волны Р и волны Т

Первый локальный минимум слева от положительной волны R определяется как волна р. Если минимум не может быть определен, то волна <3 отсутствует. Временной интервал для обнаружения волны (3 установлен 0.12 с. Первый локальный минимум справа от положительной волны R определяется как волна Б. Иначе, волна Б отсутствует. Для обнаружения волны Б выбран интервал 0.12 с. Два последовательных локальных максимума слева волны <3 определяются как начало волны Р и конец волны Р. Первые и вторые локальные максимумы справа волны Б определяются как начало волны Т и конец волны Т. Затем определяются характерные точки (ЗЯБ-комплекса в ЭКС соответственно обнаруженным точкам из сигнала преобразования МММП Ма/ (и).

В конце процедуры выделения характерных точек в ЭКС определяются координаты выделенных точек для вычисления и формирования пространства информативных признаков. По значениям, полученным после проведения мультимасштабного преобразования, вычисляются

морфологические признаки ЭКС, представленные в табл.1.

Таблица 1

Состав признаков для классификации кардиоциклов.............

ІІриінак Вид Об01иачсии«

Р1 (ДО Ширина (Жв-комплекса (№)

Р2 (ДО Интервал от начала волны 0 до Я-пика (1р)

РЗ (ДО Интервал от начала волны 0 до Э-пика (1п)

Р4 (ДО Площадь положительных отсчетов ОЯ8-комплекса (Ар)

Р5 (ДО Площадь отрицательных отсчетов (ДО!-комплекса (Ап)

Р6 (ДО (ДО>-наклон для интервала от начала волны-11 до Я-пика (Я!)

Р7 (ДО (ДО-наклон для интервала от Я-пика до 8-пика (52)

Р8 (ДО Разница между амплитудами Я-пика и Б-пика ((Ш®

Р9 р Амплитуда волны Р (ИР)

Р10 р Ширина волны Р (рЩ

Р11 р РЯ-интервал ОРЯ)

Р12 р РЯ-сетмент ($РЛ)

Р13 т Амплитуда волны Т (ИТ)

Р14 т Ширина волны Т (/Ж)

Р15 т ОТ-интервал (ЮТ)

Р16 т БТ-интервал (ЙГ)

Р17 т !ЗТ-сегмент (.$5Т)

Р18 8Т Амплитуда Точки Д (I)

Р19 БТ Амплитуда Точки Д80 (У50)

Р20 эт Угол сегмента вТ (;А)

Р21 ЧСС Текущее ЧСС ( НЬ,)

Р22 ЧСС ЧСС в интервале 3 минут (НЬ] )

Р23 ЧСС ЧСС в интервале 5 минут (НЬ,)

Р24-63 отсчеты Дискретные отсчеты сегмента БТ-Т

С целью сравнения эффективности обучения нейронных сетей с различными структурами признакового пространства использованы 4 разные структуры признакового пространства (ПС): 01,02,03 и 04.

Структура С1 основана на 20 признаках [Р1-Р17 и Р21-Р23], представляющих собой все морфологические признаки кроме признаков, выделенных из сегмента БТ, и признаки ЧСС. В структуре 02 сгруппированы все признаки [Р1-Р63] (т.е. морфологические признаки, ЧСС и отсчеты сегмента-БТ-Т). В структуре йЗ сгруппированы признаки [Р13, Р18, Р19, Р20], которые используются в системе нечеткого вывода для классификации кардиоциклов ИБС. В структуре 04 сгруппированы признаки [Р24-Р63], представленные отсчетами сегмента БТ-Т.

В третьей главе исследуется система поддержки принятия решений для диагностики ишемической болезни сердца (ИБС) по электрокардиосигналам.

. Для диагностики ИБС необходимо решить две задачи: классификация ишемических кардиоциклов и формулирование ишемического эпизода в

ЭКС. Первая задача имеет отношение к классификации кардиоциклов (нормальный или ишемический). Точность классификации кардиоциклов воздействует на формулирование ишемического эпизода, определяющего последовательности ишемических кардиоциклов.

Последовательность технологических операций системы поддержки принятия решений представлена схемой алгоритма для диагностики ИБС на рис. 2.

Начало

2----------------------------

Предварительная обработка

Сегментирование

Вычисление морфологических признаков

Классификация кардиоциклов

Классификация ишемических окон

Определение ишемических эпизодов

Конец

Рис. 2. Схема алгоритма последовательности технологических операций системы поддержки принятия решений для диагностики ИБС Алгоритм, реализующий эти технологические операции, включает следующие этапы: предварительная обратотка ЭКС с использованием морфологических операций «дилатации» и «эрозии», сегментирование характерных волн в ЭКС с использованием мультимасштабного морфологического преобразования, вычисление морфологических признаков, классификация кардиоциклов на основе нейронных сетей, классификация ишемичексих окон и определение ишемических эпизодов в ЭКС.

В начале построения выполняется ввод ЭКС, дискретизированный по частоте 360 Гц (блок 1). Блок ! представляет собой предварительную

обработку ЭКС, рассмотренную в главе 2. Этот этап состоит от двух частей: устранение дрейфа изолинии из ЭКС и подавление шумовой помехи с использованием морфологических операций «дилатации» и «эрозии».

В блоке 3 выполняется сегментирование ЭКС, рассмотренное в главе 2. После выделения характерных точек кардиоциклов в ЭКС вычисляются морфологические признаки, на основании которых осуществляется классификация кардиоциклов (блок 4).

В блоке 5 выполняется классификация кардиоциклов на основе морфологических признаков, вычисленных в блоке 4, с использованием нейронных сетей. На следующем этапе обнаруживаются интервалы длительностью 30 с (в соответствии с рекомендацией Европейского Общества Кардиологии (ЕОК)), в которых ишемических кардиоциклов больше 75 % (блок 6). Порог применен для того, чтобы исключить ситуации в предполагаемых ишемических интервалах, при которых помехи ухудшают достоверность выделения признаков.

В блоке 7 выполняется определение ишемического эпизода. В начале этого этапа объединяются ишемические окна, интервал между которыми меньше 30 с. После чего определяются ишемические окна как ишемические эпизоды. Конечным выходом построенной системы являются границы определенных ишемических эпизодов в обработанном ЭКС.

Классификация кардиоциклов является ключевым процессом в обнаружении миокардиальных ишемических «эпизодов» в ЭКС. Использование искусственных нейронных сетей для принятия решений при классификации кардиоциклов продемонстрировало большую согласованность в приведении к точным результатам. Для классификации кардиоциклов ЭКС разработаны две модели построения нейронной решающей системы: неблочная структура (НБС) и блочная структура (БС).

Для решающей системы в неблочной структуре построена одна нейронная сеть для классификации всех классов. Количество нейронов выходного слоя нейронной сети НБС равно количеству классов.

Структура нейронной решающей системы БС представлена на рис. 3.

Рис. 3. Структура нейронной решающей системы БС (I - количество наборов входного вектора, т - количество классов)

Для решающей системы в блочной структуре построены нейронные сети для каждого класса отдельно. Это значит, что количество нейронных сетей (количество блоков) равно количеству классов. Выходной слой каждой нейронной сети имеет один выходной нейрон. Значение выходной цели лежит от нуля до единицы. Если выход нейрона выходного слоя равен /, то это означает, что г'-й входной вектор принадлежит к данному классу, а если

О, то г'-й входной вектор не принадлежит к данному классу. Входной вектор признаков кардиоциклов ЭКС подается на каждый вход построенных нейронных сетей. Количество узлов входного слоя нейронной сети определено в зависимости от количества признаков выборок, определенных для обучения и тестирования нейронных сетей.

При создании нейронных сетей в диссертационном исследовании использованы нейронные сети с прямой передачей сигнала (НСППС) и радиальные базисные нейронные сети (РБНС). Структуры построенных нейронных сетей для классификации кардиоциклов ЭКС показаны в табл. 2. г Таблица 2

Структуры построенных нейронных сетей ~ Ститмй Неир01Ы В СКПЫIЫ’

НС1

НС2

нсз

НС4

НСППС

НСППС

НСППС

НСППС

НБС

НБС

скрьпых

НБС

НБС

П5 15]

[20 10]

[10 10]

[20 15]

|§руюура

й2

йЗ

НС5

НСППС | БС

Блок 1

Блок 2

П5 151

[15 15].

в1

НС6

НСППС

БС

Блок 1

[20 10]

Блок 2

[20 10]

в2

НС7

НСППС

БС

Блок 1

|)0Ю]

Блок 2

НС8 НСППС

БС

Блок 1

[20 15]

Клок 2

2

НС11 РБНС

НС22

НСЗЗ

НС44

НС55

НС66

НС77

НС88

РБНС

РБНС

РБНС

РБНС

РБНС

РБНС

РБНС

НБС

НБС

НБС

НБС

БС

БС

БС

БС

Блок Блок 2 Блок 1 Блок 2 Блок 1 Блок 2 Блок 1 Блок 2

Гт5]^

200

200

150

200

200

200

200

200

150

150

200

200

й!

02

03

04

в1

03

Є4

В зависимости, от различных обучающих выборок построены 16 нейронных сетей с различными структурами ■ блочной структуры {БС) и

неблочной структуры (НБС), из них 8 нейронных сетей на основе НСППС и 8 нейронных сетей на основе РБНС. Каждая нейронная сеть, построенная на основе нейронной сети с прямой передачей сигнала, имеет 4 слоя: входной, два скрытых и выходной. Нейронные сети, основанные на радиальных базисных функциях, имеют 3 слоя: входной, один скрытый слой, построенный на основе радиальных базисных нейронов, и выходной.

Алгоритм классификации ишемических окон в ЭКС показан на рис. 4.

j - номер кардиоцикла;

С1}- координаты начала кардиоциклов;

С2/- индексы кардиоциклов:

_ ишемические/неишемические.

г Окно - последовательность значений индексов кардиоциклов в интервале 30с;

V1 - число ишемических кардиоциклов в окне; ч» V] - общее число кардиоциклов в окне.

Рис. 4. Алгоритм классификации ишемических окон в электрокардиосигнале Входом системы классификации ишемических окон в ЭКС является двухмерный массив Су, определенный в системе классификации кардиоциклов, где Си - координаты начало кардиоцикла, С2] - индексы кардиоциклов ишемический/неишемический (0 - неишемический, 1 -ишемический), г = [1, 2], у - номер кардиоцикла (блок1). В блоке 2 формируется окно в инервале 30 с (в соответствии с рекомендацией Европейского Общества Кардиологии — ЕОК). Окно содержит последовательность значений индексов кардиоциклов. Количество кардиоциклов, содержащихся в окнах, может быть разным в зависимости от частоты сердечных сокращений.

Классификация ишемических окон выполняется путем вычисления порога окна У по следующей формуле:

¥ = —х 100%, (15)

^2

где V, - число ишемических кардиоциклов в окне, У2 - общее число кардиоциклов в окне.

Если значение порога окна больше чем 75%, то окно определяется как ишемическое (блок 3). Затем определяются границы окна (начало и конец) в временных шкалах Кщ„ (ш — номер определенных ишемических окон и п — номер вектора границы окна [начало, конец]). Если значение конечной границы текущего окна меньше значения конечной границы исследуемого сигнала, то процесс классификации ишемических окон повторяется из блока 2 (блок 5). Таким образом, окно двигается с шагом равным 1с до конца сигнала.

Схема алгоритма определения ишемических эпизодов показана на рис. 5.

Рис. 5. Схема алгоритма определения ишемических эпизодов После классификации ишемических окон определяются ишемические эпизоды. Входом алгоритма является набор границ ишемических окон Кт,„ (т - номер определенных ишемических окон и п — номер вектора границы окна [начало, конец]), содержащих границы (начало и конец) определенных ишемических окон. Если интервал между ишемическими окнами меньше 30 с, то объединяются границы этих окон.

Конечным выходом алгоритма являются границы определенных ишемических эпизодов 11т„ (т — номер определенных ишемических эпизодов и п - номер вектора границы окна [начало, конец]).

S—четвертой____главе рассмотрены результаты экспериментальных

исследований, позволяющие оценить качество работы разработанной диагностической системы. При разработке системы в качестве инструментария использовалась среда Matlab 7.10 (R2010a) со встроенными пакетами Neural Network Toolbox и Fuzzy Logic Toolbox.

Для реализации модели автоматизированной системы разработан программный .модуль mutodiagnos», выполняющий автоматизированную диагностику ИБС в длительных ЭКС с использованием технологий нейронных сетей в качестве классификации кардиоциклов.

Для реализации морфологического анализа ССС разработаны следующие программные функции:

- функция «blnoise» для выполнения устранения дрейфа изолинии и подавления шумовой помехи в ССС;

— функция vmorpho_opd» для выполнения морфологических операций отключения и включения;

- функция «morpho_opr» для выполнения морфологических операций эрозии и дилатации;

— функция «morpho_detecb>, выполняющая сегментирование характерных волн ССС на онове мультимасштабного морфологического преобразования и вычисления морфологических признаков.

Для выполнения автоматизированной диагностики с использованием разработанной системы, основанной на нейросетевой технологии, выбраны 14 из 90 ЭКС (еОЮЗ, е0104, е0105, е0108, е0113, е0114, е0118, е0119, е0121, е0124, е0127, е0147, е0162 и е020б) в базе данных Европейского Общества Кардиологии (ESC ST-T database). При составлении классификации кардиоциклов выбраны 2500 кардиоциклов (1250 нормальных и 1250 ишемических) для обучения нейронных сетей и 10000 кардаоциклов (5000 нормальных и 5000 ишемических) для тестирования нейронных сетей.

Обучены и тестированы 16 нейронных сетей (8 — с использованием НСППС и 8 — с использованием РБНС) на основе различных обучающих и контрольных выборок, сформированных на основе различных структур пространства информативных признаков. Анализ результатов обучения и тестирования разработанных нейронных сетей показал, что среди нейронных сетей, построенных на основе НСППС, нейронная сеть НС5 достигла самую высокую диагностическую чувствительность 90.5% и специфичность 83.2%. Среди нейронных сетей, построенных на основе РБНС, нейронная сеть НС55 достигла самую высокую диагностическую чувствительность 91.6% и специфичность 69.2%. Обе нейронные сети НС5 и HC5S построении на основе блочной структуры и обучены с использованием выборки, сформированной на основе структуры признакового пространства G1.

Для сравнения качества работы предлагаемой системы разработана система поддержки принятия решений для классификации ишемических кардиоциклов на основании миннесотовых кодов. Для реализации этой системы разработан программный модуль «ros/is», позволяющий создать систему нечеткого вывода, основанную на алгоритме Мамдани,

включающий в себя шесть окон, каждое из которых обеспечивает выполнение определенного этапа построения системы нечеткого вывода. Построенная система нечеткого вывода позволила получить чувствительность и специфичность 81.4% и 60.2%, соответственно.

В качестве расчетных показателей качества классификации кардиоциклов решающих систем используются: диагностическая

чувствительность (ДЧ), диагностическая специфичность (ДС), диагностическая эффективность решающего правила (ДЭ).

Показатели качества разработанных систем поддержки принятия решений, построенных на трех различных методах (нейронная сеть с прямой передачей сигнала, радиальная базисная нейронная сеть и система нечеткого вывода) для классификации кардиоциклов представлены на рис. 6.

Для тестирования эффективности разработанной диагностической системы при автоматизированной диагностике ИБС системы использовались 14 элекгрокардиосигналов с длительностью 2 часа, выбранные из базы данных Европейского Общества Кардиологии (ESC ST-T database).

Сравнение результатов обнаружения ишемических эпизодов в ЭКС с ипользованием трех разработанных автоматизированных диагностических систем, основанных на трех различных методах: нейронная сеть с прямой передачей сигнала, радиальная базисная нейронная сеть и система нечеткого

вывода, представлено в табл. 3.

Анализ результатов автоматизированной диагностики ИБС показывает, что при применении нейронной сети с прямой передачей сигнала для обнаружения ишемических эпизодов получены диагностическая чувствительность (ДЧ) и прогностическая значимость положительных результатов (ПЗ*) 88% и 86.4%, соответственно. Они значительно выше, чем значения, полученные при применении радиальной базисной нейронной сети

100%

90%

и системы нечеткого вывода.

Сравнение результатов обнаружения ишемических эпизодов

Таблица 3

к/п % * « 0-0

НСППС 73/83 88 73/84 86.4

РБНС 48/83 57.8 48/84 57.1

СНВ 47/83 56.6 47/94 50

ПЗ

и

• п число ишемических эпизодов, определенных вручную специалистами.

• й - число ошибок первого рода.

• /2 - число ошибок второго рода.

• к — (пч1) - число истинных ишемических эпизодов, обнаруженных на основе

разработанной автоматизированной диагностической системы.

• т = (пЧ1и2) - число ишемических эпизодов, объявленное

автоматизированной диагностической системой._______

Сравнение результатов диагностики ИБС позволяет сделать вывод о том, что использование нейронной сети с прямой передачей сигнала, обученной на основе морфологических признаков, для классификации кардиоциклов при автоматизированной диагностике ИБС в длительных ЭКС является целесообразным.

В заключении сформулированы основные результаты диссертационной работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе получены следующие основные результаты:

1. Проанализированы современные подходы поддержки принятия решений, использующие технологии нечеткой логики принятия решений и нейронных сетей.

2. Разработан метод морфологической обработки

сложноструктурированного сигнала, позволяющий повысить соотношение сигнал/помеха на 40 дБ.

3. Разработан метод выделения характерных точек сложноструктурированного сигнала, основанный на мультимасштабном морфологическом преобразовании, позволяющий сформировать пространство информативных признаков для нейросетевых классифицирующих моделей.

4. Предложен способ формирования пространства информативных признаков, получаемого посредством морфологической обработки отсчетов электрокардиосигнала, позволяющего классифицировать кардиоциклы ЭКС при диагностике ишемической болезни сердца.

5. Построен комплекс алгоритмов для автоматизированной системы анализа и классификации сложноструктурированных сигналов, включающий:

алгоритм, определяющий последовательность технологических операций над входными данными в системе поддержки принятия решений при диагностике ИБС;

— алгоритм классификации ишемических окон в кардиосигнале, позволяющий выделить ишемические окна из двухчасовых записей ЭКС с диагностической чувствительностью 90.5% и специфичностью 83.2%;

— алгоритм определения ишемических эпизодов, работающий на основе двухчасовой записи ЭКС с диагностической чувствительностью 88 /а.

6. Разработан интегрированный программный пакет, реализующий представленные технологии, алгоритмы и нечеткий модуль принятия решений, моделирующий рекомендации врачу-специалисту на основе анализа миннесотовых кодов. Сравнение результатов различных моделей принятия решений на примере диагностики ИБС показало, что лучшие диагностические показатели (ДЧ = 88%, П3+ 86.4%) получены при использовании нейронных сетей с прямой передачей сигналов, построенных по блочному принципу, и обученных на основе морфологических признаков.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК России

1. Зо Зо Тун. Программный модуль для кодирования ОБЗ-комплексов на основе морфологических признаков / Зо Зо Тун, С. А. Филист, С. А. Горбатенко // Биомедицинская радиоэлектроника. 2010. №2. С. 24-29.

2. Зо Зо Тун. Искусстевнная нейронная сеть на основе радиальных базисных функций для классификации кардиоциклов электрокардиосигналов / Зо Зо Тун, С. А. Филист // Известия ЮФУ. Технические науки. Тематический выпуск. Медицинские информационные системы. Таганрог; Изд-во ТТИ ЮФУ. 2010. № 8 (109). С. 80-85.

3. Зо Зо Тун. Способы и алгоритмы морфологического анализа в задачах распознавания ОКБ-комплексов / Зо Зо Тун, С. А. Филист, О.В. Шаталова // Научные ведомости Белгородского государственного университета. Белгород. 2011. № 7 (102). Выпуск 18/1. С. 129-136.

Статьи и материалы конференций

4. Зо Зо Тун. Программный модуль для автоматизированного анализа кодовых точек ЭКГ / Зо Зо Тун, В. В. Жилин // Медикоэкологические информационные технологии: сборник материалов XII Международной научно-технической конференции. Курск, 2009. С. 92-94.

5. Зо Зо Тун. Сравнительный анализ многослойной нейронной сети и радиальной базисной нейронной сети при классификации кардиоциклов электрокардиосигналов / Зо Зо Тун, С. А. Филист, Зар Ни Мо Вин // Медикоэкологические информационные технологии — 2010: сборник материалов ХП1 Международной научно-технической конференции. Курск, 2010. С. 8892.

6. Зо Зо Тун. Прогнозирование распространенности гипертони-ческой болезни в Курской области на основе нейронной сети / Зо Зо Тун, Н. М. Агарков, Зар Ни Мо Вин // Медико-экологические информационные технологии-2010: сборник материалов XIII Международной научнотехнической конференции. Курск, 2010. С. 57-61.

7. Зо Зо Тун. Предварительная обработка электрокардиосигналов с использованием морфологической фильтрации / Зо Зо Тун // Инновационные научно-технические разработки и направления их реализации «Инновации -2010»: сборник материалов. Курск, 2010. С. 56-60.

8. Зо Зо Тун. Автоматический анализ электрокардиограммы с использованием морфорлогического преобразования и нейронной сети на основе радиальных базисных функций / Зо Зо Тун, С. А. Филист // Лазерноинформационные технологии в медицине, биологии и геоэкологии: труды XVII Международной конференции. Новороссийск, 2010. С. 78-79.

9. Зо Зо Тун. Классификация состояний пациентов с использова-нием искусственных нейронных сетей / Зо Зо Тун, С. А. Филист, Дерхим Али Кабус. // Физика и радиоэлектроника в медицине и экологии: труды 9-ой международной научной конференции с элементами научной молодежной школы. Владимир, 2010. С. 304-307.

10. Зо Зо Тун. Автоматический анализ электрокардиограммы с использованием морфологического преобразования и нейронной сети на основе радиальных базисных функций / Зо Зо Тун, С. А. Филист, С. А. Горбатенко // Лазеры. Измерения. Информация - 2010: сборник трудов 20-й Международной конфереции. Санкт-Петербург, 2010. Том 3. С. 149-159.

11. Зо Зо Тун. Сегментация характерных точек (Р-рЯБ-Т-волны) кардиоциклов электрокардиосигналов с использованием мульти-масштабного морфологического преобразования / Зо Зо Тун, С. А. Филист, А. А. Кузьмин // Медико-экологические информационные технологии: сборник материалов XIV Международной научно-технической конференции. Курск, 2011. С. 122-133.

12. Зо Зо Тун. Нейросетевые системы для классификации кардио-

циклов электрокардиосигналов / Зо Зо Тун // Информационноизмерительные диагностические и управляющие системы «Диагностика -2011»: сборник материалов II Международной научно-технической

конференции. Курск, 2011. С. 255-259.

Подписано в печать 26 января 2012г. Формат 60x84 1/16. Печатных листов 1. Тираж 100 экз. Заказ № 2. Юго-Западный государственный университет. 305040, г. Курск, ул. 50 лет Октября, 94 Отпечатано в ЮЗГУ

Юго-Западный государственный университет

61 12-5/1780

На правах рукописи

Зо Зо Тун

МЕТОДЫ И АЛГОРИТМЫ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ МОРФОЛОГИЧЕСКОГО АНАЛИЗА СЛОЖНОСТРУКТУРИРОВАННЫХ СИГНАЛОВ И НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические и медицинские системы)

Диссертация на соискание учёной степени кандидата технических наук

Научный руководитель: доктор технических наук, доцент Рыбочкин Анатолий Фёдорович

Курск-2012

СОДЕРЖАНИЕ

ВВДЕНИЕ................................................................................................................7

ГЛАВА 1. ОБЗОР ДОСТИЖЕНИЙ В ОБЛАСТИ ФОРМАЛИЗАЦИИ, АВТОМАТИЗАЦИИ ОБРАБОТКИ СЛОЖНОСТРУКТУРИРОВАННЫХ СИГНАЛОВ, СИСТЕМЫ АВТОМАТИЧЕСКОЙ ДИАГНОСТИКИ.............15

1.1. Технологии нейронных сетей и нечеткой логики для поддержки принятия решений.....................................................................................15

1.1.1. Искусственные нейронные сети......................................................15

1.1.1.1.Нейронная сеть прямой передачи сигнала...........................17

1.1.1.2.Нейронная сеть на основе радиальных базисных функций или радиальная базисная нейронная сеть.............................19

1.1.1.3.Радиальная базисная вероятностная нейронная сеть..........23

1.1.2. Системы нечеткого вывода..............................................................24

1.1.2.1 .Создание базы знаний............................................................26

1.1.2.2.Фуззификация.........................................................................27

1.1.2.3 .Принятие решения..................................................................27

1.1.2.4. Дефаззификация......................................................................28

1.2. Методы обработки сложноструктурированных сигналов в автоматизированной диагностике ишемической болезни сердца.......28

1.2.1. Системы на основе обработки цифровых сигналов......................31

1.2.2. Системы на основе решающих правил...........................................32

1.2.3. Системы на основе нечеткой логики..............................................34

1.2.4. Искусственные нейросетевые системы..........................................35

1.3. Цели и задачи исследования....................................................................36

ГЛАВА 2. МЕТОДЫ МОРФОЛОГИЧЕСКОЙ ОБРАБОТКИ СЛОЖНОСТРУКТУРИРОВАННЫХ СИГНАЛОВ В ЗАДАЧАХ РАСПОЗНАВАНИЯ ХАРАКТЕРНЫХ ТОЧЕК КАРДИОЦИКЛА ЭЛЕКТРОКАРИДОСИГНАЛА...........................................................................39

2.1. Метод обработки сложноструктурированных сигналов с использованием морфологического преобразования............................39

2.1.1. Предварительная обработка электрокардиосигналов...................40

2.1.2. Выделение характерных точек из кардиоциклов с использованием мультимасштабного морфологического преобразования..................................................................................49

2.1.3. Вычисление морфологических признаков из кардиоциклов электрокардиосигналов....................................................................57

2.2. Синтез признакового пространства для классификации кардиоциклов .....................................................................................................................61

2.3. Выводы второй главы...............................................................................63

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМОВ И МОДЕЛЕЙ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ МОРФОЛОГИЧЕСКОГО АНАЛИЗА СЛОЖНОСТРУКТУРИРОВАННЫХ СИГНАЛОВ...................................................................................64

3.1. Построение нейронных сетей для классификации ишемических кардиоциклов.............................................................................................64

3.2. Разработка системы нечеткого вывода для классификации ишемических кардиоциклов на основании миннесотовых кодов.......68

3.3. Структура автоматизированной системы для диагностики ишемической болезни сердца..................................................................78

3.3.1. Разработка классификации кардиоциклов на основе нейронных сетей....................................................................................................81

3.3.2. Разработка классификации ишемических окон в электрокардио-сигнале................................................................................................82

3.3.3. Разработка алгоритма определения ишемических эпизодов в электрокардиосигнале......................................................................84

3.4. Выводы третьей главы..............................................................................86

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ СРЕДСТВА АВТОМАТИЧЕСКОЙ ДИАГНОСТИКИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ

СЕРДЦА.................................................................................................................87

4.1. Автоматизированная программная среда для выполнения диагностики ишемической болезни сердца..................................................................87

4.1.1. Программный модуль автоматизированной диагностики ишемической болезни сердца «аи1:о(На§по8»..................................87

4.1.2. Функция «ЫшпБе».............................................................................88

4.1.3. Функция «тофЬо орсЬ...................................................................89

4.1.4. Функция «тогрИо_орг»....................................................................90

4.1.5. Функция «тогрИос^есЬ)................................................................90

4.1.6. Программный модуль системы нечеткого вывода «гшАб»..........91

4.1.6.1 .Окно редактора системы нечеткого вывода........................91

4.1.6.2.Окно редактора функций принадлежности..........................92

4.1.6.3.Окно редактора правил нечеткого вывода...........................93

4.1.6.4.Окно решения системы нечеткого вывода...........................94

4.1.6.5.Окно просмотра поверхности системы нечеткого вывода. 95 4.1.6.6.0кно просмотра структуры системы нечеткого вывода.... 96

4.3. Сравнительный анализ эффективности работы моделей автоматизированной диагностики ишемической болезни сердца.......96

4.3.1. Построение базы знаний для классификации кардиоциклов.......97

4.3.1.1 .Обучение и тестирование нейронных сетей НС1 и НС11.. 98 4.3.1.2,Обучение и тестирование нейронных сетей НС2 и НС22..99 4.3.1.3.Обучение и тестирование нейронных сетей НСЗ и НСЗЗ 100 4.3.1.4.Обучение и тестирование нейронных сетей НС4 и НС44 101 4.3.1.5.Обучение и тестирование нейронных сетей НС5 и НС55 102 4.3.1.6.0бучение и тестирование нейронных сетей НС6 НС66... 103 4.3.1.7.0бучение и тестирование нейронных сетей НС7 и НС77 104 4.3.1.8.Обучение и тестирование нейронных сетей НС8 и НС88 105

4.3Л.9.Построение и тестирование системы нечеткого вывода для

классификации кардиоциклов.............................................107

4.3.2. Обнаружение ишемических эпизодов с использованием

спроектированных систем..............................................................108

4.4. Выводы четвертой главы........................................................................112

ЗАКЛЮЧЕНИЕ...................................................................................................113

Библиографический список................................................................................115

СПИСОК СОКРАЩЕНИЙ

ЕОК - Европейское общество кардиологии;

ИБС - Ишемическая болезнь сердца;

ИНС - Исусственная нейросетевая система;

МММП - Мультимасштабное морфологическое преобразование;

МИ - Миокардиальная ишемия;

МП - Многослойный персептрон;

МФ - Морфологическая фильтрация;

НС - Нейронная Сеть;

НСППС - Нейронная сеть с прямой передачей сигнала; ПС - Признаковое пространство;

РБВНС - Радиальная базисная вероятностная нейронная сеть;

РБНС - Радиальная базисная нейронная сеть;

СНВ - Системы нечеткого вывода;

ССС - Сложноструктурированный сигнал;

ЭКГ - Электрокардиограмма;

ЭКС - Электрокардиосигнал;

ESC - European society of cardiology.

ВВДЕНИЕ

Актуальность работы. В настоящее время теоретический и прикладный аппарат системного анализа широко используется практически во всех областях науки и техники, в том числе при создании проблемно-ориентированных комплексов, обеспечивающих интеллектуальную поддержку принятия диагностических решений. Актуальные задачи, которые должны решать интеллектуальные системы - это задачи классификации и прогнозирования состояния сложных систем, которые решаются путем анализа сложноструктурированных сигналов, связанных с жизнедеятельностью этих систем.

Для анализа сложноструктурированных сигналов (ССС) наиболее часто используются методы спектрального и морфологического анализа, а также методы авторегрессионного моделирования. Одной из задач анализа ССС является формирование признакового пространства для систем классификации или распознавания, в качестве которых используют нейросетевые модели. На входе нейронного классификатора должен быть сформирован такой вектор информативных признаков, который с одной стороны минимизирует число нейронов входного слоя, а с другой стороны -обеспечивает приемлемое качество классификации. Если ССС имеет характерные сегменты (например, электрокардиосигнал), то входной вектор целесообразно формировать посредством морфологического анализа, так как в этом случае можно использовать экспертное оценивание результатов анализа, что значительно повышает качественные характеристики нейросетевой модели.

Однако вопросы развития интеллектуальных технологий на основе морфологического анализа ССС и нейросетевого моделирования, обеспечивающие повышение качества диагностических и управленческих решений в системах медицинского назначения, не являются тривиальными и

требуют развития теории и практики системного анализа, методов и средств обработки информации.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы (государственный контракт № П705 от 12 августа 2009 г., по проблеме «Прогнозирование функционального состояния сердечно-сосудистой системы человека на основе многомерного спектрального анализа данных мониторинга акустических и электрофизиологических процессов жизнедеятельности, осуществляемого посредством микроминиатюрных датчиков и мобильных средств связи» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Цель работы. Разработка методов, алгоритмов и программного обеспечения для анализа и классификации сложноструктурированных сигналов, основанных на морфологическом анализе и нейросетевом моделировании, обеспечивающих повышение качества диагностики анормальных состояний в сложноструктурированных сигналах.

Для достижения поставленной цели необходимо решить следующие задачи:

- проанализировать современные методы и алгоритмы поддержки принятия решений, использующие для анализа сложноструктурированных сигналов технологии нечеткой логики и нейронных сетей;

- разработать методы морфологического анализа сложноструктурированных сигналов, предназначенные для классифицирующих нейросетевых моделей;

- разработать способ формирования пространства информативных признаков, основанный на морфологической обработке отсчетов сложноструктурированного сигнала;

- создать комплекс алгоритмов для автоматизированной системы анализа и классификации сложноструктурированных сигналов на примере классификации ишемических эпизодов;

- разработать интегрированный программный пакет, реализующий применение указанных технологий, и провести апробацию предложенных методов, алгоритмов и программного обеспечения на репрезентативных контрольных выборках сложноструктурированных сигналов.

Объект исследования. Сложноструктурированные квазипериодические сигналы.

Предмет исследования. Методы и алгоритмы поддержки при принятии диагностических решений в задачах распознавания анормальных состояний в сложноструктурированных сигналах.

Содержание диссертации соответствует п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации» и п.5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации» паспорта специальности 05.13.01 - Системный анализ, управление и обработка информации.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, математической статистики, теории морфологического преобразования, теории нейронных сетей и теории нечеткого мнжества. При разработке диагностической системы в качестве инструментария использовалась среда Matlab 7.10 (R2010a) со встроенными пакетами Neural Network Toolbox и Fuzzy Logic Toolbox.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

- метод подавления низкочастотных и высокочастотных помех в сложноструктурированных сигналах, отличающийся использованием комплексной морфологической обработки, позволяющий подавить помехи с минимальным искажением полезного сигнала;

- алгоритмы морфологической обработки сложноструктурированных сигналов, отличающиеся использованием методов морфологической обработки на основе морфологических операций, позволяющие выполнять устранение дрейфа изолинии, подавление шумовой помехи и выделение характерных точек в исследуемых сигналах;

- метод выделения характерных точек в сложноструктурированном сигнале, отличающийся использованием мультимасштабного морфологического преобразования, позволяющий сформировать пространство информативных признаков для нейросетевых классифицирующих моделей;

- комплекс алгоритмов для автоматизированной системы анализа и классификации сложноструктурированных сигналов, позволяющий классифицировать их сегменты, классифицировать в них аномальные окна и определять аномальные эпизоды, отличающийся использованием технологий нейронных сетей;

- интегрированный программный пакет, реализующий применение указанных технологий, и алгоритм, осуществляющий в интерактивном режиме моделирование интеллектуальных систем на основе предложенных технических решений и нечеткого модуля принятия решений с базой решающих правил, построенных на миннесотовых кодах, позволяющий предложить врачам-специалистам решения, основанные на различных информационных моделях.

Практическая значимость и результаты. Разработанные методы, способы и алгоритмы составили основу реализации автоматизированной

системы для диагностики ишемической болезни сердца по электрокардиосигналам.

Практическое значение работы определяется возможностью применения результатов исследования в системах поддержки принятия решений по диагностике ишемической болезни сердца.

Результаты работы использованы в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных») и использованы при проведении научно-исследовательской работы, выполняемой по заказу Министерства образования и науки РФ (1.187.09 гос. per. № 01200962672 от 18.11.2009).

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: XII, XIII, XIV Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2009, 2010, 2011); IX Международной научно-технической конференции «Физика и радиотехника в медицине и экологии» (Владимир-Суздаль, 2010); XVIII Международной конференции «Лазерно-информационные технологии в медицине, биологии и геоэкологии - 2010» (Новороссийск, 2010); Инновационные научно-технические разработки и направления их развития «Инновация - 2010» (Курск, 2010); Информационно-измерительные диагностические и управляющие системы «Диагностика - 2011» (Курск, 2011); научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ ( Курск, 2009, 2010, 2011 гг.).

Публикации. По теме диссертации опубликовано 13 печатных работ, из них 3 работы в рецензируемых научных журналах.

Личный вклад автора. Все выносимые на защиту результаты получены лично автором. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] соискателем предложены морфологические операторы для анализа сложноструктурированных сигналов, в [2], [5-6] и [9] - нейросетевые системы для классификации кардиоциклов, в [3] и [11] -способы и алгоритмы морфологического анализа в задачах распознавания характерных точек в сложноструктурированных сигналах, в [4] -специализированное программное обеспечение для анализа сложноструктурированных сигналов, в [8] и [10] - способ автоматического анализа сложноструктурированных сигналов.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 140 источников и приложений. Объем основного текста диссертационной работы -128 страниц машинописного текста содержит 45 рисунков и 19 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность работы, сформулированы цели и задачи исследования, представляются научная новизна и практическая значимость работы. Кратко излагается содержание глав диссертации.

В первой главе рассмотрены достижения в области формализации, автоматизации обработки сложноструктурированных сигналов и системы автоматической диагностики, позволяющие выполнять автоматизиро-ванное обнаружение ишемических эпизодов в длительных электрокаридо-граммах. Проанализированы современные подходы поддержки принятия решений, использующие технологии нечеткой логики принятия решений и нейронных сетей.

В заключение г