автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.09, диссертация на тему:Моделирование и структурный анализ сигналов с повторяющимися признаками формы в медико-биологическом эксперименте

Введение: Задачи математической обработки результатов медикобиологического эксперимента.

1. Аналитический обзор методов структурного анализа экспериментальных сигналов.

1.1. Модели и методы структурного анализа экспериментальных сигналов.

1.2. Математические модели структурных случайных процессов, задающие закон чередования элементарных фрагментов.

1.3. Методы выбора стпутт/дат \;^дели. нИгЦелл и задачи исследования рГОсновные модели формирования структурных сигналов и задачи их обработки.

2.1. Модель сигнала как многоуровневый случайный процесс.

2.2. Модель смены состояний источника сигнала.

2.2.1. Модель сигнала с участками фиксированной дайны.

2.2.2. Модель сигнала с участками случайной длины

2.2.3. Модель сигнала с обрывающимися участками.

2.2.4. Модель сигнала с двусторонне обрывающимися участками.

2.3. Модели формирования наблюдаемого процесса.

2.3.1. Сигналы с повторением средней формы фрагментов

2.3.2. Сигналы с наложением соседних фрагментов

2.3.3. Сигналы с многоэталонным заданием формы фрагментов

2.3.4. Сигналы с заданием формы фрагментов линейной комбинацией эталонных форм.

2.3.5. Описание "шумоподобных" участков сигнала.

2.4. Основные модели двухуровневого процесса.

2.5. Иерархические многоуровневые модели.

2.6. Задачи обработки экспериментальных сигналов.

2.6.1. Задача сегментации сигнала.

2.6.2. Виды функций потерь.

2.6.3. Оптимальные решающие правила

2.6.4. Задачи восстановления параметров моделей.

3. Методы оптимальной сегментации сигналов.

3.1. Сегментация сигналов с эталонами фиксированной длины и повторением средней формы фрагментов.

3.1.1. Вычисление апостериорных вероятностей

3.1.2. Алгоритмы сегментации для аддитивной фазочувствительной функции потерь.

3.1.3. Алгоритмы сегментации для аддитивной фазонечувствительной функции потерь.

3.2. Сегментация сигналов с эталонами переменной длины.

3.2.1. Вычисление апостериорных вероятностей.

3.2.2. Алгоритмы сегментации.

3.3. Сегментация сигналов с двусторонне обрывающимися фрагментами

3.4. Сегментация сигналов с перекрывающимися фрагментами

3.5. Сегментация сигналов с многоэталонным заданием формы фрагментов.

3.6. Сегментация сигналов с заданием формы фрагментов линейной комбинацией эталонных форм.

3.7. Оптимальная сегментация структурных сигналов для глобальной функции потерь.

3.7.1. Сегментация сигналов с фрагментами фиксированной длины

3.7.2. Сегментация сигналов с фрагментами переменной длины

4. Ускоренные методы обработки структурных сигналов.

4.1. Детерминированные методы сегментации.

4.2. Смешанные методы сегментации.

4.2.1. Метод "фиксированной окрестности".

4.2.2. Метод "окрестности переменной ширины".

4.3. Методы сегментации для модели с заданием формы фрагментов линейной комбинацией эталонных форм.

5. Методы оценивания параметров модели.

5.1. Методы для полностью зарегистрированного сигнала.

5.1.1. Оценивание параметров модели с участками фиксированной длины

5.1.2. Оценивание параметров модели с участками переменной длины

5.1.3. Оценивание параметров модели сигнала с перекрывающимися фрагментами.

5.1.4. Оценивание параметров модели сигнала с двусторонне обрывающимися фрагментами.

5.1.5. Оценивание параметров модели сигнала с многоэталонным заданием формы.

5.2. Метод обратной связи.

5.2.1. Оценивание параметров модели с участками фиксированной длины.

5.2.2. Оценивание параметров модели с участками переменной длины.

5.2.3. Оценивание параметров модели с перекрывающимися фрагментами.

5.2.4. Оценивание параметров модели сигнала с многоэталонным заданием формы.

5.3. Оценивание параметров в режиме "с учителем".

5.4. Оценивание параметров в темпе регистрации сигнала.

5.4.1. Оценивание параметров модели с участками фиксированной длины.

5.4.2. Оценивание параметров модели с участками переменной длины.

5.4.3. Оценивание параметров модели сигнала с перекрывающимися фрагментами.

5.4.4. Оценивание параметров модели сигнала с двусторонне обрывающимися фрагментами.

5.5. Метод обратной связи для работы в "реальном времени"

5.6. Метод оценивания параметров в режиме "с учителем".

6. Методы оценивания неизвестной структуры модели.

6.1. Оценивание размерности ненаблюдаемого процесса с использованием критерия Акаике

6.1.1. Оценивание размерности модели сигнала с повторением средней формы фрагментов

6.1.2. Оценивание размерности модели сигнала с многоэталонным заданием формы фрагментов.

6.1.3. Оценивание размерностей и параметров классов при фиксированном числе классов.

6.1.4. Оценивание числа классов при известных размерностях классов.

6.1.5. Алгоритм с обратной связью оценивания размерностей классов при фиксированном числе классов.

6.1.6. Алгоритм с обратной связью последовательного оценивания размерностей классов при фиксированном числе классов

6.2. Оценивание числа классов и их размерностей в составе структурного случайного процесса методом проверки статистических гипотез.

6.2.1. Определение числа классов.

6.2.2. Проверка гипотезы о совпадении эталонных форм для двух независимых выборок.

6.2.3. Оценивание числа уровней иерархической модели.

6.3. Оценивание параметров модели сигнала с заданием формы фрагментов линейной комбинацией эталонных форм.

6.4. Оценивание типа используемой модели.

7. Практическое использование разработанных алгоритмов в медицине, биологии и смежных отраслях.

7.1. Исследование разработанных алгоритмов на модельном материале.

7.1.1. Постановка задачи эксперимента.

7.1.2. Исследование алгоритмов сегментации.

7.1.3. Исследование алгоритмов оценивания параметров модели

7.1.4. Исследование алгоритмов оценивания структуры модели

7.1.5. Экспертная оценка предложенного комплекса моделей и методов.

7.1.6. Рекомендации по практическому применению алгоритмов на основании результатов исследования.

7.2. Применение предложенных алгоритмов для решения практических задач обработки экспериментальных сигналов.

7.2.1. Обработка данных сканирующих микрокалориметров

7.2.2. Программное обеспечение приборов для исследования гемодинамики.

7.2.3. Анализ клеточного состава крови крыс при низкоинтенсивном крайневысокочастотном электромагнитном облучении

7.2.4. Создание комплексов обработки изображений и средств отображения информации.

7.2.5. Разработка программно-технических средств для системы ввода-вывода бинарной информации.

7.2.6. Разработка алгоритмического обеспечения для системы контроля качества непрерывно-литых заготовок.

7.2.7. Другие области применения разработанных методов.

Основные результаты работы.

Актуальность темы диссертации. В последнее десятилетие наблюдается ощутимый подъем биомедидинской науки. Происходит качественный скачок как результат накопленных в различных отраслях науки знаний о природе, функциях и назначении живого на Земле. Интегрируются знания, накопленные в биологии, генетике, физиологии, экологии и многих других, иногда весьма далеких друг от друга областях знаний на фоне возрастающего использования математики и других точных наук. Широкое распространение и доступность вычислительной техники с одновременным ростом ее возможностей и развитием сетевых технологий дало возможность накапливания существенно больших массивов данных об исследуемых процессах, что позволяет получать на основании их обработки качественно новые результаты.

Начиная с работ A.JI. Чижевского доказана периодичность био- и нейрофизиологических колебаний, также как и тот факт, что архитектоника биоритмов является уникальной характеристикой индивида. Известно, что отклонения от периодичности являются достаточно четкими признаками нарушений нормального функционирования (школа акад. П.К. Анохина).

Проблемная ситуация заключается в том, что доступные в настоящее время массивы информации позволяют на более высоком уровне ставить задачу оценки совместного влияния на исследуемый объект очень многих периодических процессов, различающихся как природой, так и временными диапазонами, с одновременным оцениванием иерархической структуры взаимодействия исследуемых факторов. Анализ многочисленных отечественных и зарубежных исследований, особенно на протяжении последних 10 лет, показал, что значительной информационной ценностью обладают скрытые составляющие электрофизиологических процессов, которые в современном биотехнических и медицинских системах практически не выделяются и не обрабатываются, что значительно снижает потенциальные возможности перспективных диагностических систем (Н.Д. Девятов, С.П. Ситько, A.A. Яшин и др.).

Разрешение противоречия между потребностями биологии и медицины, высокими требованиями, предъявляемыми к современным методам и средствам анализа биомедицинских данных, и существующим аналитическим аппаратом обработки подобных данных возможно на путях создания качественно новых моделей и алгоритмов, основанных на повышении полноты отображения и получении качественно новых признаков биологических объектов.

Все перечисленное приводит к необходимости решения проблемы разработки соответствующих моделей для описания и методов обработки данных. Большое количество работ, посвященных данной тематике, свидетельствует, с одной стороны, о практической необходимости таких методов, а с другой - об отсутствии в настоящее время достаточно общих и универсальных методов обработки больших массивов биомедицинских данных (H.A. Агаджанян, J.C. Aschoff, JI. Гласс, Л.Я. Дорфман, В.П. Казначеев, H.A. Кореневский, М. Мэки, И.Б. Мучник, A.A. Путилов, А.Д. Слоним, К В. Судаков, A.A. Яшин и др.). Ранее известные методы, разработанные и успешно применявшиеся для решения технических задач, часто совершенно непригодны для задач управления в медицине и биологии в силу существенно большей сложности исследуемого объекта и граничных условий либо требуют слишком больших затрат вычислительных ресурсов, не соответствующих получаемому результату.

Цель исследования заключается в повышении оперативности, достоверности и полноты анализа структурных биомедицинских сигналов на основе создания комплекса моделей и методов структурного анализа сигналов с повторяющимися признаками формы.

Проведённый анализ показал, что одной из проблем исследования периодических процессов применительно к биологии и медицине является явление, получившее название десинхроноз (дизритмия), некоторыми исследователями используются также термин "квазипериодические сигналы" и другие, сходные по смыслу, и получение на основе этих процессов ряда новых признаков, характеризующих состояние биологических объектов. Данное явление редко проявляется в полном отсутствии ритмической составляющей в процессах, обычно являющихся периодическими - чаще оно заключается в варьировании длительностей следующих друг за другом повторяющихся участков. Как показано в известных работах, эти явления создают существенные трудности для известных методов обработки таких сигналов, вызывают появление в спектре сигнала набора высокочастотных составляющих. К сходным искажениям спектра приводят и искажения форм повторяющихся участков. Кроме того, для задач диагностики в биологии и медицине дополнительные трудности связаны с принятием решения практически всегда по косвенным данным, искаженным различного рода помехами, и при возможной неполноте данных (В.И. Баринов, Т.И Субботина и др.).

Проведённые исследования показали, что предпосылки для преодоления указанных недостатков известных методов могут быть созданы в рамках качественно нового комплекса моделей и методов структурного анализа сигналов с повторяющимися признаками формы в медико-биологическом эксперименте.

Математические модели и алгоритмы, используемые при анализе структурных сигналов, разнообразны и подчас весьма непросты, что обусловлено разнообразием их источников и обширными объемами данных, получаемых в эксперименте. Более того, сам термин "структурные сигналы" различными научными школами понимается по-разному. Наиболее распространены методы анализа сигнала путем выделения локальных признаков отдельных его участков. Менее распространен подход, связывающий понятие "структуры" в первую очередь с разделением описания исследуемого объекта на источник сигнала ("ненаблюдаемый" процесс, поток событий, объект и т.п.) и собственно наблюдаемый сигнал (случайный процесс). Здесь одним из важных признаков являются закономерности взаимодействия выделяемых участков сигнала между собой и вариации длительностей этих участков. В ряде работ вводится термин "структурные случайные процессы" и "двухуровневые случайные процессы" (И.Б. Мучник). Использование структурных методов обработки определяется в первую очередь задачами исследования. Их основное преимущество - возможность получения информации о структуре исследуемого объекта, которую невозможно получить другими методами.

В связи со всем вышеизложенным актуальной проблемой является разработка отсутствующих в современной практике моделей и алгоритмов выбора статистических моделей структурных сигналов и оценивания их параметров. Выбор модели включает задачи концептуального выбора общего класса моделей и оценивания целочисленных параметров, характеризующих структуру модели в пределах выбранного класса. Эти параметры будем называть первичными, в отличие от вторичных, окончательно определяющих конкретную модель.

В настоящей работе предлагаются методы структурного анализа для обработки экспериментальных сигналов, отдельные участки которых характеризуются повторяющимися на них признаками формы. Рассматриваются задачи разбиения реализации на однородные участки, задачи оценивания вторичных (численных) и первичных (структурных) параметров модели и задача выбора класса модели и ее конкретного вида. Особенность всех используемых в настоящей работе моделей сигналов - то, что они порождающие, то есть дающие возможность интерполяции и экстраполяции, что необходимо при обработке биомедицинских данных, которые, как правило, имеют ограничения по выборке и пропуски.

Цель диссертации: Разработка теоретических основ и моделей для описания биологических и медицинских объектов и процессов со сложной структурой поведения и для принятия диагностических решений по косвенным данным посредством анализа признаков повторяющейся формы и закономерностей их появления на реализации регистрируемого сигнала.

Для достижения поставленной цели и решения поставленной проблемы в работе сформулированы и решены следующие задачи:

О разработка концепции формирования наблюдаемого сигнала как реализации многоуровневого структурного процесса и задачи определения ненаблюдаемых состояний объектов по реализации формируемого ими сигнала с повторяющимися признаками формы;

О формирование комплекса моделей, пригодных для описания процессов формирования достаточно широкого класса структурных экспериментальных биомедицинских сигналов с повторяющимися на однотипных участках признаками формы с различными способами их задания;

О разработка методов оценивания ненаблюдаемых состояний источника сигнала при различной организации процесса поступления информации - для полностью зарегистрированной реализации или в режиме реального времени для всех предложенных моделей;

О разработка методов идентификации неизвестных числовых параметров моделей для различных режимов поступления информации;

О разработка методов выбора типа модели для описания исследуемого процесса из множества предложенных и ранее известных моделей, и методов оценивания неизвестных структурных параметров этих моделей;

О проведение экспериментальной проверки предложенных алгоритмов на эдр-дельном материале и сравнение их с существующими аналогами в тех случаях, когда таковые имеются;

О применение разработанных методов и алгоритмов для решения конкретных научных и прикладных задач прогнозирования и управления биологическими и медицинскими объектами.

Научная новизна. В диссертации предложена концепция математического описания процессов, являющихся источниками структурных сигналов с повторяющимися признаками формы, включающая: *

1. способ задания наблюдаемого биомедицинского сигнала как реализации двухуровневого случайного процесса, отличающийся раздельными механизмами чередования типов однородных участков и вариации их длительности;

2. способ описания исследуемого объекта, являющегося источником сигнала, с помощью иерархической модели многоуровневого случайного процесса, отражающей внутреннюю структуру объекта;

3. три принципиально разных способа задания признаков формы и возможность описания сигналов "смешанного" типа, содержащих как участки повторяющейся формы, так и описываемые другими моделями;

4. предложен комплекс методов:

4.1. идентификации ненаблюдаемых состояний источника сигнала при различной организации процесса поступления информации и известных параметрах модели (для всех предложенных в работе моделей), включающий принципиально новый класс методов, сочетающих свойства вероятностного и детерминированного подхода;

4.2. оценивания неизвестных параметров для всех предложенных моделей при различной организации процесса поступления информации и известных структурных параметрах;

4.3. выбора вида модели сигнала из множества всех предложенных в настоящей работе моделей и, кроме того, моделей сигналов, описываемых случайным процессом авторегрессии со скачкообразно изменяющимися параметрами модели, и методов оценивания неизвестных структурных параметров этих моделей;

5. обеспечена совместимость разработанных методов с рядом известных методов обработки структурных сигналов.

Основные положения, выносимые на защиту диссертации

1. Концепция моделирования экспериментальных сигналов в виде реализации одной из компонент двухуровневых структурных случайных процессов с раздельными механизмами чередования типов событий и вариаций их длительностей;

2. Концепция моделирования поведения исследуемого объекта - источника экспериментальных сигналов в виде иерархической многоуровневой модели структурного случайного процесса;

3. Три различных способа задания признака повторяющейся формы сигнала для событий данного класса: посредством одной, нескольких эталонных форм или их линейной комбинацией;

4. Методы идентификации ненаблюдаемых состояний объекта для различных режимов регистрации сигнала, включая: методы оптимальной поточечной классификации; методы динамического программирования, в том числе пригодные для работы в реальном масштабе времени с автоматически определяемой задержкой; ускоренные методы, сочетающие свойства детерминированных и вероятностных методов распознавания;

5. Методы восстановления неизвестных параметров моделей, включая: методы оценивания параметров для полностью зарегистрированной реализации; методы пересчёта параметров в ходе регистрации сигнала; точные и ускоренные методы "с обратной связью", а также оценивания параметров "с учителем";

6. Методы оценивания неизвестной структуры моделей с использованием метода сравнения статистических гипотез и информационного критерия Акаике;

7. Методы выбора типа модели из множества предложенных и модели авторегрессии со скачкообразно изменяющимися параметрами, учитывающие возможность построения "гибридных" моделей.

Публикации. Основные результаты исследований по теме диссертации опубликованы в 65 печатных работах, из них 1 монография. Апробация работы. Результаты работы были представлены на Результаты работы были представлены на: XIX Всесоюзной НТК "Студент и научно-технический прогресс" (Новосибирск, 1981); II Всесоюзной конференции по стохастическому и дискретному анализу нечисловой информации и экспертным оценкам (Москва-Таллин, 1984); Конференциях молодых ученых Института проблем управления (Москва, 1984, 1985, 1986); II симпозиуме IFAC по стохастическому управлению (Вильнюс, 1986); Всесоюзной НТК "Разработка энергосберегающих и малоотходных технологий в металлургии цветных металлов" (Москва, 1986); Всесоюзном семинаре по обнаружению изменения свойств случайных процессов (Воронеж, 1990); Всесоюзных конференциях "Распознавание образов и анализ изображений: новые информационные технологии" РОАИ-2-95 (Ульяновск, 1995) и РОАИ-3-97 (Нижний Новгород, 1997); Всероссийских НТК "Микроэлектроника и информатика-97 и 98" (Звенигород, 1997 и 1998); Международной НТК "Нечеткая логика, интеллектуальные системы и технологии" (Владимир, 1997); II и III Всероссийских НТК "Методы и средства измерений физических величин" (Нижний Новгород, 1997 и 1998); 3-ей международной конференции "Теория и техника передачи, приема и обработки информации" (Харьков, 1997); II Международной НТК "Управление в технических системах" (Ковров, 1998); II Международном симпозиуме "Биофизика полей и излучений и биоинформатика" (Тула, 1998); I и II Всероссийских НТК "Компьютерные технологии в науке, проектировании и производстве" (Нижний Новгород, 1999 и 2000); Международной конференции "Перспективные технологии автоматизации" ПТА-99 (Вологда, 1999); VII Международной НТК "Электродинамика и техника СВЧ и КВЧ" (Самара, 1999); Международной НТК "Автоматизация и информатизация в машиностроении" (Тула, 2000); Межвузовской НТК "Управляющие и вычислительные системы. Новые технологии" (Вологда, 2000); Всероссийской НПК " Системы управления электротехническими объектами" (Тула, 2000); Всероссийской научной конференции "Современные проблемы математики, механики, информатики" (Тула, 2000) и на ежегодных научно-технических конференциях в Тульском Государственном университете, а также на научных семинарах, проводимых в 1995-2000 гг. в НИИ новых медицинских технологий.

Структура и объем работы. Диссертация состоит из введения, семи глав, заключения, списка литературы (385 наименований) и приложений. Объём основного текста диссертации - 250 машинописных страниц, 21 страница рисунков, приложение на 58 страницах включает доказательства теорем и тексты некоторых алгоритмов, а также акты о практическом использовании результатов диссертации.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе сформулированы и обоснованы научные положения и результаты, которые в своей совокупности представляют теоретическое обобщение и решение серьезной научной проблемы разработки теоретических основ и моделей для описания биологических и медицинских объектов со сложной структурой поведения и для принятия диагностических решений по косвенным данным посредством анализа признаков повторяющейся формы и закономерностей их появления на реализации генерируемого объектом сигнала. Решение указанной проблемы позволяет развить перспективное научное направление разработки методов диагностики в биологии и медицине.

1. Предложена концепция моделирования для описания поведения объектов со сложной структурой поведения как реализации многоуровневого структурного случайного процесса, отличающегося раздельными механизмами чередования типов событий и вариаций их длительностей, что позволяет описывать процессы с любыми дискретными законами распределения, включая полимодальные.

2. Предложен метод описания исследуемого объекта, являющегося источником сигнала, с помощью иерархической модели многоуровневого случайного процесса, что позволяет описать совместное влияние многих факторов на исследуемый объект.

3. В рамках общего подхода разработаны три различных способа задания признака повторяющейся формы, пригодных для описания экспериментальных данных биомедицинского происхождения, а также способ формирования наблюдаемого сигнала путем сложения форм соседних участков, пригодный для всех способов задания признака формы.

4. Предложено четыре модели для описания ненаблюдаемого процесса второго уровня (чередования однородных участков), которые могут применяться в различных сочетаниях друг с другом, основанные на однородном Марковском процессе переключений. Дана общая модель для описания ненаблюдаемого процесса третьего и более высоких уровней. Все модели предусматривают возможность совместного использования с известной моделью авторегрессии со скачкообразно изменяющимися параметрами для описания сигналов со сложным характером поведения.

5. Модели разных уровней могут использоваться в любых сочетаниях. Получен набор порождающих моделей, обеспечивающих описание широкого класса объектов и позволяющих проводить интерполяцию и экстраполяцию данных в случае их неполноты, что достаточно вероятно при обработке медицинских данных.

6. Применительно к предложенным моделям сформулированы основные группы задач обработки структурных сигналов: задачи сегментации или определения ненаблюдаемых состояний источника сигнала при известных параметрах модели (аналог собственно распознавания образов), задачи восстановления неизвестных параметров модели "с учителем" и "без учителя" (аналог обучения и самообучения распознаванию образов) и задачи оценивания неизвестной структуры модели (аналог выбора модели и метода распознавания). Каждая задача имеет несколько подзадач в зависимости от объёма априорной информации, организации процесса обработки и потоков информации, целей и задач исследования.

7. Исследованы различные постановки задачи сегментации и различные виды функций потерь. Предложен ряд алгоритмов сегментации - на основе всей реализации, только её предшествующей части, с постоянной и переменной задержкой. Построен алгоритм, использующий общую схему метода динамического программирования, модификация этого алгоритма пригодна для работы в реальном времени.

8. Предложен новый метод построения алгоритмов сегментации, являющийся комбинацией вероятностных и детерминированных методов. Построенные по этому методу алгоритмы обеспечивают существенный выигрыш в быстродействии без заметного снижения качества сегментации. Сигнал сегментируется с помощью быстрых детерминированных методов на участках с низким отношением шум/сигнал, затем более медленными вероятностными методами обрабатывают участки, с которыми не справились детерминированные методы, что позволяет существенно увеличить быстродействие без заметного снижения точности работы алгоритмов.

9. Задача восстановления неизвестных параметров модели исследована в двух схемах организации потока информации. Для случая полностью зарегистрированной и доступной для обработки реализации предложен подход, основанный на методе максимального правдоподобия, предложена итерационная процедура пересчета оценок параметров, доказана теорема о сходимости этой процедуры и получены формулы пересчёта для параметров, позволяющие не вычислять на каждом шагу значение функции условного правдоподобия.

10. Для оценивания параметров в режиме реального времени использован метод стохастической аппроксимации. Задача оценивания параметров сведена к задаче поиска корня уравнения регрессии, предложена итерационная процедура пересчета оценок параметров, использующая общую схему метода Роббинса и Монро. Применен специальный способ формирования последовательности коэффициентов стохастической аппроксимации^ существенно ускоряющий схОт димость процесса, доказана теорема о выполнении необходимых условий сходимости процесса при таком выборе коэффициентов.

11. Для восстановления неизвестных параметров модели в обеих схемах организации потока информации предложены алгоритмы, построенные по схеме с обратной связью. Они отличаются большим быстродействием по сравнению с "точными" алгоритмами, а полученные в результате их работы оценки параметров пригодны для использования в ряде практических задач.

12. Для обеих схем организации потока информации даны алгоритмы идентификации неизвестных параметров модели в режиме "с учителем". Они используются для получения начальных приближений оценок параметров, которые затем уточняются другими алгоритмами в режиме "без учителя".

13. Исследованы задачи оценивания неизвестной структуры модели, под которой понимается вид используемой модели и её размерность. Для оценивания неизвестной размерности использованы метод сравнения статистических гипотез и метод, основанный на информационном критерии Акаике (А1С).

14. Предложены методы выбора вида модели (моделей), используемой для описания данного процесса, также основанные на информационном критерии Акаике, дающие возможность построения "гибридных" моделей, и методы оценивания числа уровней иерархических многоуровневых моделей.

15. Предложен итерационный метод, подбирающий за конечное число шагов тип модели для каждого класса ненаблюдаемой последовательности событий, позволяющий одновременно оценивать тип и размерность моделей.

16. Разработанные алгоритмы использованы для решения ряда прикладных задач обработки результатов эксперимента в биомедицинских системах. Методы сегментации сигналов при известных параметрах модели применены при разработке программного обеспечения сканирующих микрокалориметров для предварительной обработки данных и выделения на экспериментальных сигналах по заданным признакам информативных участков, соответствующих интересующим исследователя процессам. Работа была выполнена в СКБ Биологического приборостроения АН СССР (г. Пущино, 1985-1990 гг.) - в настоящее время Институт Биологического приборостроения РАН. Методы сегментации сигнала при известных параметрах модели и методы оценивания неизвестных параметров модели применены при разработке программного обеспечения приборов для исследования гемодинамики для предварительной обработки данных для быстрого получения некоторых основных показателей процесса в ходе проведения эксперимента и выделения на реализациях сигнала интересующих исследователя информативных участков. Работа также была выполнена в СКБ Биологического приборостроения. Предложенные методы структурной обработки данных были использованы при анализе клеточного состава крови у крыс при низкоинтенсивном крайневысокочастотном электромагнитном облучении. Работа выполнена на Медицинском факультете Тульского государственного университета. Разработанные методы структурного анализа были использованы в рамках Комплексной инновационной научно-технической программы 13.22 "Создание комплексов обработки изображений и средств отображения информации" - работа выполнена в Тульском Государственном университете. Алгоритмы обработки больших массивов информации использованы при выполнении хоздоговорных работ "Разработка алгоритмического обеспечения для системы контроля качества непрерывно-литых заготовок" и "Разработка программно-технических средств для системы ввода-вывода бинарной информации на микрофильм", выполненных на кафедре ЭВМ ТулГУ. Основные теоретические результаты работы включены в конспект лекций по курсам "Основы искусственного интеллекта" и "Основы теории управления". Предложенные методы используются для обработки биомедицинской информации сотрудниками НИИ НМТ и Медицинского факультета ТулГУ.

1. Автоматический анализ сложных изображений. Под ред. Э.М. Бравермана. - М.: Мир, 1969. - 309с.

2. Агапова О., Ефимов А. Использование нечеткой априорной информации в процедурах обнаружения изменений временного ряда // Статист. Пробл. Упр./ ИМК АН Литвы. Вильнюс, 1990. - Вып. 89,- С. 108-111.

3. Агаян Г Ц. Изучение системных механизмов сомато вегетативного обеспечения целенаправленной деятельности человека . Докторская диссертация. —Москва, 1981.-410 с.

4. Агаян Г.Ц. Квантовая модель системной организации целенаправленной деятельности человека. Айастан.: -Ереван ,1991.-224с.

5. Агаян Г.Ц. Системные механизмы стадии эфферентного синтеза в целенаправленных поведенческих актах человека// Вестник АМН СССР, 1985. №2. -С. 53-60

6. Агаян Г.Ц., Иванова Т.О., Мотгль В.В., Мучник И.Б. Алгоритмы анализа данных физиологических экспериментов // Биол. журнал Армении, 1988. — № 3. — С. 179-191,-№7.-С. 547-556.

7. Агаян Г.Ц., Иванова Т.О., Моттль В.В., Мучник И.Б. Исследование элементарных программ действия в составе процесса длительного поддержания позы человеком // Биол. журнал Армении, 1989. № 4. - С.353-363.

8. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения мапшн.-М.: Наука, 1970. 384 с.

9. Акаике X. Развитие статистических методов // Современные методы идентификации систем. Под ред. П. Эйкхоффа.-М.: Мир, 1983. С. 148-176. Ю.Алгоригмы обучения распознаванию образов. Под ред. В.Н. Вапника-М.: Советское радио, 1973. - 384 с.

10. З.Алякринский Б.С. Биологические ритмы и организация жизни человека в кос

11. Баевский P.M., Кириллов О.И., Клецкин С.З. Математический анализ изменений сердечного ритма при стрессе. М.: Наука, 1984. - 154 с.

12. Батаршин Р. Об обнаружении "разладки" динамических систем // Статист, пробл. управл. ИМК АН Лиг. ССР.-Вилылос, 1984. Вып. 65. - С. 21-31.

13. Башилов Г., Левкович-Маслюк Л. Мелковолновый анализ // Компьютерра, 1998.-№8(236).-С. 28-30.

14. Бекбосынова М.С. Спектральный анализ частоты сердечных сокращений у больных с наджелудочными и желудочными нарушениями ритма сердца до и на фоне применения пропанарола и хинидина . Дисс. к.м.н.-М.: , 1996. 219 с.

15. Белонков Ю.Н. Неинвазивные методы диагностики ишемической болезни сердца // Кардиология, 1996. №1. - С. 4-11.

16. Бердышев В.И. Вейвлет-анализ как средство обработки эксперементальных данных // Немецко-российский симпозиум "применение технических средств и математики в физиологии и медицине"./ИМиМ УрО РАН. Екатеринбург, 1998. - С. 55-56.

17. Боденштайн Г., Преториус Х.М. Выделение признаков из электроэнцефалограммы методом адаптивной сегментации//ТИИЭР, -1975. -т. 63, №10. -с.5-27

18. Бодрянский Е.В., Руднева И.А. Об одном адаптивном алгоритме обнаружения разладок в случайных последовательностях // Автоматика и телемеханика, 1995. — № 10.-С. 101-106.

19. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974.-Вып. 1, 2

20. Болыпаков И.А. Статистические проблемы выделения потока сигналов из шу-ма.-М. : Советское радио, 1969. 464 с.

21. Борисов C.B., Воробьёв С.А. Методы разбиения структурных экспериментальных кривых с фрагментами повторяющейся формы // Изв. Тул. гос. ун-та. Математика Механика. Информатика./ТулГУ. Тула, 1996. -Т.2. Вып. 3. -С. 41-44.

22. Борсутский З.А., Каневский Н.Б. Непараметрический алгоритм разнолокацион-ного обнаружения бликов на морской поверхности // Изв. вузов, Радиофизика, 1983. T. XXVI.-№ 4. - С. 502-504.

23. Браверман Э.М., Мучник И.Б. Структура и методы обработки эмпирическихданных. М.: Наука, 1983. - 464 с.

24. Бримкулов У.Н. Обобщенный метод наименьших квадратов в задачах планирования и анализа экспериментов при исследовании марковских случайных процессов . Дисс. . докт. техн. наук. М.: МЭИ, 1991. - 338 с.

25. Бродский Б. Непараметрический алгоритм последовательного обнаружения "разладки" случайной последовательности с улучшенными вычислительными свойствами П Статист, пробл. управл./ ИМК АН Лит. ССР. Вильнюс: 1984. -Вып. 65. - С. 32-40.

26. Бродский Б., Дарховский Б. Подход к сравнительному анализу алгоритмов обнаружения "разладки" // Статист, пробл. управл./ ИМК Литовской АН. Вильнюс, 1990. - Вып. 89. - С. 118-119.

27. Бродский Б.Е., Дарховский Б.С. Алгоритм апостериорного обнаружения момента "разладки" случайной последовательности И Автоматика и телемеханика, 1983. -№10,-С. 101-108.

28. Бродский Б.Е., Дарховский Б.С. О задаче скорейшего обнаружения многократных разладок случайной последовательности // Автоматика и телемеханика, 1993. -№ 1. С. 62-67.

29. Бродский Б.Е., Дарховский Б.С., Каплан А.Я., Шишкин С.Л. Непараметрическая сегментация электрических сигналов мозга // Автоматика и телемеханика, 1998. — № 2. С. 23-32.

30. Булычев Ю.Г., Елисеев A.B. Проблемы жесткости уравнений приближенной нелинейной фильтрации // Автоматика и телемеханика, 1999. — № 1. —С.35-45.

31. Буробин Н.В., Воробьёв С.А. Метода динамического программирования в задаче распознавания потока событий в реальном масштабе времени // Материалы конф. молодых ученых Ин-та проблем управления./ ИПУ. М., 1985. - С. 14-21.

32. Буробин Н., Моттль В., Мучник И. Алгоритмы определения моментов многократного изменения свойств случайного процесса на основе метода динамического программирования // Статист, пробл. управл.! ИМК АН Лит. ССР. Вильнюс. -Вып. 65. - 1984. - С. 48-57.

33. Бывайков М.Е. Алгоритм обнаружения изменения вида модели при текущем оценивании // Автоматика и телемеханика, 1993. № 5. - С. 82-93.

34. Быстров В.П., Ванюков A.B., Васкевич А.Д. и др. Исследование состава штейно- шлаковой эмульсии при плавке в жидкой ванне // Цветные металлы, 1980. — № 10,- С. 56-59.

35. Бюннинг Э. Биологические часы. /Кн.: Биологические часы. М.: Мир, 1964. -С. 11-26.

36. Вайнберг Я.М. Статистические методы расчленения неоднородных объектов с использованием марковских условных вероятностей // Геология и геофизика, 1982. -№ 7.-С. 112-120.

37. Вазан М. Стохастическая аппроксимация. М.: Мир, 1972. - 296 с.

38. Валужис А., Лосинскене Л., Рапгамас А. и др. Идентификация комплексов и измерение признаков электрокардиосигнала // Статист, пробл. управл./ ИФМ АН Лит. ССР. Вильнюс, 1974. - Вып. 9,- С. 99-127.

39. Валужис К.К., Корсакас С.Л., Рашиляс А.Г., Цитварс Р.И. Адаптивная дискретизация электробиологических сигналов // Материалы XXII республиканской научно-технической конференции Лит. ССР. Вычислительная техника, Каунас, 1972. -С. 597-611.

40. Валужис К.К., Рашимас А.П. Статистический алгоритм анализа электрокардиосигнала// Кибернетика, 1979. №3. - С. 91-95.

41. Валужис К.К., Рашимас А.П. Элементы структурного описания ЭКС // Материалы XXII научно-технической конференции "Техническая кибернетика". Наука. -Москва-Каунас, 1972. С. 233-237.

42. Валужис К.К., Рашимас А.П., Цитварс Р.И. О точности кусочно-линейной аппроксимации ЭКС // Техническая кибернетика./ Каунасский политехнический институт. Каунас, 1972. - Т. 4. - С. 237-240.

43. Вальтерите Р. Идентификация нелинейных процессов авторегрессии в классе непараметрических моделей 1. Квадратическая метрика 2. Робастное оценивание// Статист, пробл. управл./ ИМК АН Литвы. Вильнюс, 1989. - Вып. 87. - С. 95115, 116-137.

44. Ванюков A.B. Плавка в жидкой ванне перспективный процесс в металлургии цветных металлов // Цветные металлы, 1980. - № 10. - С. 53-56.

45. Ванюков A.B., Васкевич А.Д. Физико-химические основы плавки в жидкой ванне // Изв. вузов. Цветная металлургия, 1982. № 6. - С. 20-28.

46. Ванюков A.B., Васкевич А.Д., Сорокин М.Л., Шварцер Л.В. Математическаямодель динамики работы надфурменной зоны печи ПЖВ // Изв. вузов. Цветная металлургия, 1985. № 3. - С. 63-69.

47. Вапник B.H., Червоненкис А.Я. Теория распознавания образов. М.: Наука, 1974.-415 с.

48. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М., Наука, 1976.-512 с.

49. Веклич O.K., Манохин В.А. Сезонные и суточные ритмы цветоощущающей функции зрительного анализатора здорового человека. //Физиология человека, 1977,3, №2. С. 362-367.

50. Верхаген К., Дейн Р., Грун Ф., Йостен Й., Вербен П. Распознавание образов. Состояние и перспективы. М.: Радио и связь, 1985. - 103 с.

51. Винцюк Т.К. Анализ, распознавание и интерпретация речевых сигналов. Киев: Наукова думка, 1987. 262 с.

52. Волков В., Костяев В. Обнаружение скачкообразных изменений интенсивности оптического излучения // Статист, пробл. управл.! ИМК Литовской АН. Вильнюс, 1990. - Вып. 89. - С. 36-39.

53. Воробейчиков С., Конев В. Обнаружение разладок случайных процессов рекуррентного типа // Статист, пробл. управл. Вильнюс: ИМК АН Лит. ССР. - 1984. Вып. 65. - С. 58-66.

54. Воробейчиков С., Конев В. Характеристики процедуры обнаружения разладки процесса авторегрессии с неизвестным распределением помехи // Автоматика и телемеханика, 1992. № 2. - С. 68-75.

55. Воробейчиков С.Э. Об обнаружении изменения среднего в последовательности случайных величин/¡Автоматика и телемеханика, 1998. — №3. — С. 50-56.

56. Воробьёв С.А. Оптимальные алгоритмы сегментации структурных случайных процессов // XIX Всесоюзная НТК "Студент и научно-технический прогресс" / НГУ. Новосибирск, 1981. С. 9.

57. Воробьёв С.А., Иванова Т.О. Анализ трехуровневого структурного случайного процесса // Конференция молодых ученых Института проблем управления./ ИПУ. -М., 1986. -С. 17.

58. Воробьёв С.А. Алгоритм максимального правдоподобия восстановления параметров модели структурных случайных процессов с фрагментами повторяющейся формы // Алгоритмы и структуры систем обработки информации / ТулГУ. Тула. 1995.-С. 103-109.

59. Воробьёв С.А. Алгоритмы выделения и классификации фрагментов повторяющейся формы на экспериментальных кривых //Автоматика и телемеханика, 1985. № 8, - С. 89-93.

60. Воробьёв С.А. Алгоритмы динамического программирования в задаче распознавания потока событий в реальном масштабе времени // Системы автоматического управления и их элементы / ТулГТУ. Тула, 1994. - С. 128-135.

61. Воробьёв С.А. Алгоритмы обработки экспериментальных кривых с фрагментами повторяющейся формы нестабильной длины // Статист, пробл. управл./ ИМК АН Литвы. Вильнюс, 1990. - № 89. - С. 144-149.

62. Воробьёв С.А. Алгоритмы сегментации структурных экспериментальных кривых с многоэталонным заданием классов // Изв. Туп. гос. ун-та. Сер. Математика Механика. Информатика / ТулГУ. Тула, 1996. - Т. 2. Вып. 3. - С. 45-49.

63. Воробьёв С.А. Анализ экспериментальных кривых с фрагментами повторяющейся формы переменной длины при неизвестной размерности модели // Системы автоматического управления и га элементы/ ТулГУ. Тула, 1996. - С. 157-161.

64. Воробьёв С.А. Базисное задание формы структурных экспериментальных кривых на повторяющихся участках // Изв. Тул. гос. ун-та. Сер. Математика. Механика. Информатика / ТулГУ. Тула, 1997. - Т. 3. Вып. 3. - С. 10-13.

65. Воробьёв С.А. Задача оценивания размерности модели в алгоритме восстановления параметров модели структурных кривых с фрагментами повторяющейся формы // Электротермические процессы и установки ! ТулГТУ. — Тула, 1994. — С. 63-67.

66. Воробьёв С.А. Методы структурного анализа экспериментальных кривых с участками повторяющейся формы // Автоматизация и современные технологии, 1997. -№7.-С. 22-25.

67. Воробьёв С.А. Методы структурного анализа экспериментальных кривых с участками повторяющейся формы при неизвестных параметрах модели // Автоматизация и современные технологии, 1997. — № 9. — С. 26-29.

68. Воробьёв С.А. Полувероятностные методы обработки структурных кривых с участками повторяющейся формы // Материалы Международной НТК "Нечеткая логика, интеллектуальные системы и технологии" / ВГУ Владимир, 1998. - С. 164-166.

69. Воробьёв С.А. Структурный анализ экспериментальных кривых при параллельном оценивании неизвестных параметров модели // Автоматизация и современные технологии, 1997. № 11. - С. 13-16.

70. Воробьёв С.А., Абузова И.В. Способы описания признака повторяющейся формы в задаче структурного анализа экспериментальных кривых // Научно-технический сборник ТулВАИУ. Тула, 1997. - № 14 - С. 42 - 51.

71. Воробьёв С.А., Иванова Т.О. Анализ трехуровневого структурного случайного процесса (модель и методы) // Методы и алгоритмы анализа эмпирических данных. М.: ИПУ, 1988. - С.49-57.

72. Воробьёв С.А. Оптимальные алгоритмы выделения непрерывных линий на полутоновых изображениях // Автоматические системы оптимального управления технологическими процессами. / ТПИ. Тула, 1982. С. 83-90.

73. Воробьёв С.А., Яшин A.A. Методы обработки структурных кривых с повторяющимися признаками формы при обработке результатов медико-биологического эксперимента // Вестник новых мед. технологий, 1998. T.V, № 3-4. - С. 17-19.

74. Воробьёв С.А. Структурный анализ результатов медико-биологического эксперимента при неизвестных параметрах модели // Вестник новых мед. технологий, 1999. Т. VI, № 1.-С. 113-115.

75. Воскобойников Ю.Е. Методы, алгоритмы и программное обеспечение обработки данных физического эксперимента . Дисс. докт. техн. наук. Новосибирск, 1989.-307 с.

76. Воскресенский А.Д., Вентцель М.Д. Статистический анализ сердечного ритма и показателей гемодинамики в физиологических исследованиях // Пробл. косм. Биол, 1974.-Т. 26. С. 222-228.

77. Вотицкий Е.А., Прянишников Е.А Методы и системы для статистического анализа ЭЭГ. М.: Наука, 1968. - 80 с.

78. Вуд Л., Трейтел С. Обработка сейсмических сигналов // ТИИЭР, 1975. Т. 63, -№4.-С. 125-140.

79. Галягин Д.К., Балиунас СЛ., Фрик П.Г., Соколов Д.Д., Суун В.Ч. Вейвлет-анализ хромосферной активности звезд // XI Зимняя Школа по механике сплошных сред/ Тезисы докладов, Пермь, 1997. - С. 19.

80. ЮО.Галягин Д.К., Захаров В.Г., Фрик П.Г. Вейвлет-анализ системы Лоренца // X Зимняя Школа по механике сплошных сред. Пермь, 1995. - С.68-69.

81. Галягин Д.К., Фрик П.Г. Адаптивные вейвлеты (Алгоритм спектрального анализа сигналов) // Мат. моделирование систем и процессов / ПГТУ. Пермь, 1998. -Вып.8. - С. 28-42.

82. Гапоненко И.В., Мучник И.Б. Построение решающих правил в задаче распознавания образов при использовании экспертной информации // Автоматика и телемеханика, 1992. № 8. - С. 118-126.

83. ЮЗ.Гласс Л., Мэки М. От часов к хаосу: Ритмы жизни. М.: Мир, 1991. - 248 с.

84. Голиков А.П., Голиков П.П. Сезонные биоритмы в физиологии и патологии. -М.: Медицина, 1973. 166 с.

85. Горелик АЛ., Гуревич И.Б., Скрипник В.А. Современное состояние проблемы распознавания. М.: Радио и связь, 1985. - 161 с.

86. Юб.Гринявичус К., Лесене В., Липейка А. Автоматическое определение стадий сна // Статист, пробл. упр / ИФМ АН Лит. ССР. Вильнюс, 1981. - Вып. 51. - С. 8399.

87. Гришин М.В. Оптимальное нелинейное оценивание на плоскости // Автоматика и телемеханика, 1985. № 3. — С. 45-52.

88. Губерман Ш.А. Неформальный анализ данных в геологии и геофизике. М.: Недра, 1987. -257 с.

89. Гублер Е.В., Генкин А.А. Распознавание угрожающих состояний по изменению частоты и ритмичности сердечных сокращений // Математические методы анализа сердечного ритма. М.:, 1968. - 104 с.

90. ПО.Гуревич И.Б., Журавлев Ю.И. Минимизация Булевых функций и эффективные алгоритмы распознавания // Кибернетика, 1974. № 3. - С. 16-20.

91. Гурфинкель B.C., Коц Я.М., Шик M.JI. Регуляция позы человека. М.: Наука, 1965.- 116 с.

92. Гусаров Г.В., Морошкин B.C. Гемодинамические, электро- и эхокардиографи-ческие параллели при гипертрофической кардиомиопатии и гипертонической болезни // Тер. Арх, 1990. №4. - С. 157-161.

93. ПЗ.Гусаров Г.В., Морошкин B.C. Исследование низкоамплшудных компонентов ЭКГ при большом усилении // Тер. Арх, 1983. №4. - С. 52-57.

94. Гутман С.Р. Матрицы оценочных функций электроэнцефалограмм // Доклады АН СССР, 1969. Т. 187. - № 2. - С. 449-452.

95. Данилкин Ф.А., Воробьёв С.А. Использование теории нечетких множеств для описания сегментации изображений// Изв. Ту л. гос. ун-та. Сер. Математика Механика. Информатика / ТулГУ. Тула, 1997. - Т. 3. Вып. 3. - С. 21-23.

96. Дарховский Б. Общий метод оценивания момента изменения вероятностных характеристик случайной последовательности // Статист, пробл. управл. / ИМК АН Лит. ССР. Вильнюс, 1984. - Вып. 65. - С. 76-83.

97. Дарховский Б.С. Метод ретроспективного оценивания моментов изменения коэффициентов линейной регрессии // Автоматика и телемеханика, 1998. № 8. — С. 185-189.

98. Дарховский Б.С. Непараметрический метод апостериорного обнаружения момента "разладки" последовательности независимых случайных величин // Теория вероятностей и ее применение, 1971. XX, № 1. - С. 180-184.

99. Дарховский Б.С. Ретроспективное обнаружение "разладок" в некоторых моделях регрессионного типа // Теория вероятностей и ее применения, 1995. — Т. 40, Вып. 4. С. 898-903.

100. Двоенко С.Д. Обучение распознаванию на оси времени с минимизацией грубости распознавания//Автоматика и телемеханика, 1995.-№8.-0.142-150

101. Двоенко С.Д. Распознавание последовательности событий в режиме реального времени // Автоматика и телемеханика, 1996. № 1. - С. 149-157.

102. Дедус Ф.Ф., Махортых С.А., Устинин М.Н., Дедус А.Ф. Обобщенный спектрально-аналитический метод. Задачи анализа изображений и распознавания образов. М.: Машиностроение, 1999. - 420 с.

103. Джайн А.К. Успехи в области математических моделей для обработки изображений // ТИИЭР, 1981. Т. 69. - № 5. - С. 9-39.

104. Джервис Л., Педжер И., Даймонд С., Спир Ж., Джевис Э., Цетлин Д. Автоматический анализ электрической активности мозга человека (электроэнцефалограмма). Последние достижения // ТИИЭР, 1975. Т. 63. - №10. -С. 5-27.

105. Дмитриев А.Г. Методы кусочной аппроксимации многомерных кривых и их практическое использование . Дисс.канд. техн. наук. -М.: ИПУ,1985-204 с

106. Дмитриенко А.А. Гарантированная идентификация стохастических динамических систем с мешающими параметрами . Автореф. дисс. канд. физ—мат. наук/ ТомГУ. Томск, 1995. - 19 с.

107. Жаринов О.И. Современные методы математического анализа ритма сердца // Кардиология, 1992. №3. - С. 50-52.

108. Жданов М.С., Шрайбман В.И. Корреляционный метод разделения геофизических аномалий. М.: Недра, 1973.

109. Жемайтите Д. Связь реакций сердечного ритма на пробу активного ортостаза с характеристиками центральной гемодинамики // Физиол. человека, 1989. №2. - С. 30-35.

110. Жиляков Е, Габриэлян И. Алгоритм последовательного обнаружения разладок процессов авторегрессии с использованием автокорреляций остатков // Статист, пробл. управл / ИМК. Вильнюс, 1989. - Вып. 85. - С. 29-48.

111. Жирмунская Е.В. Клиническая электроэнцефалография (обзор литературы и перспективы использования метода). М.: МЭИБИ, 1991. - 128 с.

112. Журавлев Ю.И. Корректные алгебры над множествами некорректныхэвристических) алгоритмов 1,11,III // Кибернетика, 1977. № 4. - С. 14-21. — № 6. — С. 21-27, и 1978. -№ 2. - С. 35-43.

113. Иванова Т.О. Определение числа классов в составе случайного процесса авторегрессии со скачкообразно изменяющимися свойствами методом проверки статистических гипотез // Статист, пробл. управл. / ИМК Литовской АН. Вильнюс, 1990. - Вып. 89. - С. 168-174.

114. Иванова Т.О. Разработка и практическое использование алгоритмов выбора статистической модели структурной кривой . Автореф. дисс. . канд. техн. наук. -М.: ИПУ, 1991.-25 с.

115. Игнатьев В.М., Воробьёв С.А. Оценивание параметров модели структурных экспериментальных кривых с многоэталонным заданием классов // Научно-технический сборник № 4 Михайловской артиллерийской академии. СПб., 1997. -С. 63-71.

116. Илюшин В.Б. О применении вероятностного критерия в задачах стабилизации // Автоматика и телемеханика, 1999. № 1. - С.46-51.

117. Каминскас В. Идентификация динамических систем по дискретным наблюдениям. Часть 1. Вильнюс: Москлас, 1982. - 244 с.

118. Каминскас В., Шидлаускас К. Последовательное определение изменения свойств авторегрессионного временного ряда // Статист, пробл. управл. / ИМК АН Лит. ССР. Вильнюс, 1984. - Вып. 61. - С. 84-89.

119. Каминскене Я, Клекис Э. Рекуррентный алгоритм идентификации линейных динамических систем со скачкообразно меняющимися параметрами // Статист, пробл. управл. / ИМК АН Литвы. Вильнюс, 1989. -Вып. 85. - С. 18-28.

120. Каплан А.Я., Дарховский Б.С., Фингелькурц Ал.А., Фингелькурц Ан.А. Топографическое картирование процесса синхронизации резких перестроек в мульти-канальной ЭЭГ у человека //Журн. высшей нервн. деят, 1998. № 2. - С. 23-32.

121. Кардиомониторы. Аппаратура непрерывного контроля ЭКГ / Под ред. А.Л. Барановского и А.П. Немирко. М.: Радио и связь, 1993. - 298,с.

122. Кашьяп Р.Л., Pao А.Р. Построение динамических стохастических моделей по экспериментальным данным. М.: Наука, 1983. - 786 с.

123. Кемени Д., Снелл Д. Конечные цепи Маркова М.: Наука. - 1970. - 196 с.

124. Кендалл М., Стьюарт А. Статистические выводы и связи. М., Наука, 1973

125. Кирейчиков В., Магнушев В., Никифоров И. Исследование алгоритмов кумулятивных сумм и их применение для контроля датчиков // Статист, пробл. управл. / ИМК АН Литвы. Вильнюс, 1990. - Вып. 89. - С. 124-130.

126. Клигене Н. Выводы правдоподобия о точке изменения в модели авторегрессии с переключением И Статист, пробл. управл. / ИМК Литовской АН. — Вильнюс, 1990.-Вып. 89.-С. 41-46.

127. Клигене Н. Об асимптотическом поведении процедуры обнаружения изменения временного ряда // Статист, пробл. управл. / ИМК АН Лит. ССР. Вильнюс, 1982. - Вып. 59. - С. 35-49.

128. Клигене Н. Последовательная классификация процесса авторегрессии // Статист. пробл. управл. / ИМК АН Лит. ССР. Вильнюс, 1981. - Вып. 51. - С. 73-82.

129. Клигене Н. Точное распределение оценки максимального правдоподобия момента изменения параметров уравнения авторегрессии // Статист, пробл. управл. / ИФМ АН Лит. ССР. Вильнюс, 1978. - Вып. 31. - С. 9-30.

130. Клигене Н. Явные выражения оценок момента изменения параметров распределений и их статистические свойства // Статист, пробл. управл. / ИМК АН Лит. ССР. Вильнюс, 1984. - Вып. 65. - С. 90-100.

131. Клигене Н., КЛигис В. Исследование локально стационарной модели авторегрессии при помощи информационного критерия AIC // Статист, пробл. управл. / ИМК АН Литвы. Вильнюс, 1979. - Вып.39. - С.25-44.

132. Клигене Н,, Телькснис Л. Методы обнаружения моментов изменения свойств случайных процессов (обзор) // Автоматика и телемеханика, 1983. -№10. -С.5-56

133. Кожевников В.А, Мещерский P.M. Современные методы анализа ЭЭГ. М.: ГИМЛ, 1963. - 97 с.

134. Г59.Козинец Б.Н. Об одном алгоритме обучения линейного персептрона // Вычислительная техника и вопросы программирования. Л.:, 1964. Вып. 3. С. 80-83.

135. Козинец Б.Н. Рекуррентный алгоритм разделения двух множеств // Алгоритмы обучения распознаванию образов. М.:, 1973. - С. 43-49.

136. Колесников Н.Д. Распознавание сейсмособытий на рудниках на основе лингвистического подхода . Автореф. дисс. к.т.н. СПб: СПбГТУ, 1994. - 16 с.

137. КОнев В.В., Пергаменщиков С.М. Математическая статистика и ее приложение / Томск, ун-т. Томск, 1983. Вып. 9. - С. 117-129.

138. Кореневский H.A. Метод анализа сигналов произвольной формы путем разложения по точкам переключений // Изв. ВУЗов. Приборостроение. 1986, т. 30. - № 12.-с. 130-132.

139. Кореневский H.A., Попечителев Е.П., Филист С.А. Проектирование электронной медицинской аппаратуры для диагностики и лечебных воздействий: монография/Курск-СПб. 1999. 537 с.

140. Кореневский H.A. Оценка параметров на основе ранжирующей процедуры по точкам переключения и оценка степени синхронности//Методы и микроэлектронные ср-ва цифр, преобраз. и обраб. сигналов. -Рига, 1989. -с. 130-132

141. Костров Б.В. Механика очага тектонического землетрясения. М.: Наука, 1978. - 83 с.

142. Коуэлмен Г.Б., Эндрюс Х.С. Сегментация изображений при помощи автоматической классификации // ТИИЭР, 1979. Т. 67. - № 5. - С. 82-98.

143. Кравченко В. Ф., Рвачев В. А., Пустовойт В. И. Ортонормированные системы типа wavelet на основе атомарных функций // Доклады РАН, 1996. V. 351. - №1.1. С. 16-18.

144. Красулина Т.П. О вероятности непревышения искомого порога алгоритмом стохастической аппроксимации // Автоматика и телемеханика, 1998. — № 10. — С. 90-94.

145. Красулина Т.П. О сходимости снизу модифицированного процесса Роббинса и Монро // Автоматика и телемеханика, 1992. № 4. - С. 73-76.

146. Куленкович А.Е., Сохранов H.H., Чуринова И.М. Отбивка границ пластов и выделение песчаников по данным электрического каротажа с помощью цифровых вычислительных машин // Прикладная геофизика. М., 1964. Вып. 39.

147. Куликов Е.И., Трифонов А.П. Оценка параметров сигналов на фоне помех. -М.: Сов. Радио, 1978. 296 с.

148. Ламброу Т., Линней А., Спеллер Р. Применение вейвлет-преобразования к обработке медицинских сигналов и изображений // Компьютерра, 1998. — №8(236). — С. 50-51.

149. Левашов С.Ю. Исследование методов поциклового сжатия электрокардиосиг-нала . Автореф. дисс. канд. техн. наук. СПб: СПбГЭУ, 1995. - 16 с. 175Левкович-Маслюк Л. Дайджест вейвлет-анализа // Компьютерра, 1998. -№8(236).-С. 31-37.

150. Липейка А. Об определение моментов изменения свойств многомерных авторегрессионных последовательностей с неизвестными параметрами // Статист.пробл. управл. / ИМК АН Лит. ССР. Вильнюс, 1982. - Вып. 59. -С. 24-34.

151. Липейка А. Определение момента изменения свойств многомерной авторегрессионной последовательности // Статист, пробл. управл. / ИМК АН Лит. ССР. -Вильнюс, 1981. Вып. 51. - С. 9-32.

152. Липейка А. Определение моментов изменения свойств многомерных авторегрессионных последовательностей с неизвестными параметрами // Статист, пробл. управл. / ИМК АН Лит. ССР. Вильнюс, 1982. - Вып. 59. - С. 24 - 33.

153. Липейка А. Оценка моментов изменения свойств многомерных авторегрессионных последовательностей при не полностью известных параметрах // Статист, пробл. управл. / ИМК. Вильнюс, 1990. - Вып. 89. - С. 150-155.

154. Липейкене И.М. Оценка момента изменения свойств авторегрессионных последовательностей // Статист, пробл. управл. / ИМК АН Лит. ССР. Вильнюс, 1984.-Вып. 65.-С. 110-120.

155. Лумельский В.Я. Один алгоритм обнаружения момента времени изменения свойств случайного процесса! /Автоматика и телем., 1972. №2. —С.48-58.

156. Макаров В.И. Три ритма. //Наука и жизнь. 1986, №1. - С. 96-102.

157. Макарычева О.В., Васильева Е.Ю., Радзевич А.Э., Шпектор A.B. Динамика дисперсии интервала Q-T при остром инфаркте миокарда и ее прогностическое значение // Кардиология, 1998. №7. - С. 43-46.

158. МакКуиллин Р., Бекон М., Барклай У. Введение в сейсмическую интерпретацию. М.: Недра, 1985. - 309 с.

159. Малинаускас В., Линейка А. Определение моментов времени изменения свойств многомерных авторегрессионных случайных последовательностей при длинных реализациях // Статист, пробл. управл. / ИМК АН Лит. ССР. Вильнюс, 1984. - Вып. 65. - С. 121-127.

160. Мансуров М.С. Сейсмология и сейсмометрия. М.: Знание, 1982. - 48 с.

161. Маркова Е.В. и др. Дисперсионный анализ и синтез планов на ЭВМ. М.: Наука, 1982. - 195 с.

162. Математические методы современной биомедицины и экологии / В.И. Афро-меев, A.A. Протопопов, В.П. Фильчакова, A.A. Яшин; под общ. ред. Е.И. Нефедова. A.A. Хадарцева и A.A. Яшина. // Тула: Изд-во ТулГУ, 1997. 223 с.

163. Матюхин В.А., Кривощеков С.Г. Сезонная динамика циркадных ритмов показателей физической работоспособности человека в процессе акклиматизации. /Кн.: Циркадные ритмы человека и животных. -Фрунзе: Илим, 1975. С. 181-184.

164. Медведев Г., Казаченок В. Оценивание разрывной функции регрессии // Статист. пробл. управл. / ИМК. Вильнюс, 1984. - Вып. 65. - С. 128-133.

165. Меницкий Д.Н. Моделирование структуры и функции центральной нервной системы / Механизмы деятельности центрального нейрона. -М., Л.: Наука, 1969. -С. 203-241.

166. Методика применения экспертных методов для оценки качества продукции. — М.: Стандарт, 1975. 31 с.

167. Методы автоматического распознавания речи. Под ред. У. Ли. В 2 томах. М.: Мир, 1983.-716 с.

168. Миленький A.B. Классификация сигналов в условиях неопределенности. Статистические методы самообучения в распознавании образов. М.: Сов. радио, 1975.-237 с.

169. Мирюсупов 3.3. Исследование и разработка системы автоматизированной конвергентной обработки экспериментальных кривых, удовлетворяющих условиям "гладкости" и финитности . Дисс. канд. техн. наук. Ташкент, 1991. - 143 с.

170. Мисюкас Р. Байесовская вероятность ошибки для Гауссовских стационарных процессов (обзор и предположения) // Статист, пробл. управл. / ИМК АН Лит. ССР. Вильнюс, 1987. - Вып. 80. - С. 9-23.

171. Моисеева Н.И. Структура биоритмов как один из критериев возможностей физиологической адаптации организма. //Физиол. журн. СССР, 1978, т. 64, №11. С. 1632-1640.

172. Моисеева Н.И., Сысуев В.И. Временная среда и биологические ритмы. -Л.: Наука, 1981,- 128 с.

173. Мотгль В.В., Мучник И.Б. Лингвистический анализ экспериментальных кривых // ТИИЭР, Т. 67. С. 12-38.

174. Мотгль В.В., Мучник И.Б. Скрытые марковские модели в структурном анализе сигналов. М. Физматлит, 1999. - 352 с.

175. Моттль В.В., Мучник И.Б., Яковлев В.Г. Оптимальная сегментация экспериментальных кривых // Автоматика и телемеханика, 1983. -№ 8. -С. 84-95

176. Мравян С.Р., Конвар С., Гелухова Е.З. Клинико-инструментальные показатели в оценке прогноза миокардита и дилатационной кардиомиопатии (обзор) // Кардиология, 1997. Т. 37. - №7. - С. 67-72.

177. Мучник И.Б. Алгоритм формирования языка сжатого описания экспериментальных кривых . Автореф. дисс. канд. техн. наук. М.: ИПУ, 1974. -18 с

178. Мучник И.Б., Мучник Р.Б. Алгоритмы формирования языка для описания экспериментальных кривых//Автоматика и телемеханика, 1973. №3. -С.86-96

179. Назаров Н.В., Пономарев Е.П. Непараметрическое обнаружение и оценивание момента появления статистической неоднородности в реализации случайного процесса // Радиофизика и электроника, 1978. №10. - С.2230-2233.

180. Нейман Д. Приливные и лунные ритмы. / Биологические ритмы. Т.2. /Под ред. Ю. Ашоффа. М.: Мир, - 1984. - С. 5-43.

181. Немирко А.П. Цифровая обработка биологических сигналов. М.: Наука, 1984. - 145 с.

182. Немирко А.П., Манило Л.А. Алгоритм оперативного распознавания опасных аритмий // Вопросы автоматизации съема и обработки биомедицинской информации. Л.: ЛЭТИ, 1981. - Вып. 283. - С. 71-74.

183. Никитин Ю.П., Кузнецов А.А. Дисперсия интервала 0-Т (обзор) // Кардиология, 1998, -№5.-С. 58-63.

184. Никифоров И. Последовательное обнаружение изменения свойств временных рядов на основе модифицированного алгоритма кумулятивных сумм // Статист, пробл. управл. Вильнюс, 1984. - Вып. 65. - С. 146-154.

185. Никифоров И., Тихонов И., Михайлова Т. Алгоритмы обнаружения изменения свойств временных рядов в практике первичной обработки сейсмологической информации // Статист, пробл. управл. ИМК АН Лит. ССР. - Вильнюс, 1984. -Вып. 65.-С. 155-165.

186. Никифоров И.В. Модификация и исследование процедуры кумулятивных сумм П Автоматика и телемеханика, 1980. № 9. - С. 74-80.

187. Никифоров И.В. Последовательное обнаружение изменения свойств временных рядов. М.: Наука, 1983. - 199 с.

188. Никифоров И.В. Применение кумулятивных сумм для обнаружения изменения характеристик случайного процесса // Автоматика и телемеханика, 1979. № 2. -С. 48-58.

189. Никольский М.Н. Организация систем регистрации и обработки сейсмических данных с применением алгоритмов автоматического выделения событий . Дисс.канд. техн. наук, Петропавловск-Камчатский: Институт вулканологии ДВНЦ АН СССР, 1986. -207 с

190. Павлов В.И. Оптимальное обнаружение изменения свойств случайных последовательностей по информации измерителя и индикатора // Автоматика и телемеханика, 1998. № 1. - С. 54-59.

191. Палеев Н.Р., Ковалева Л.И. Экстра-парасистолия, "выскальзывающие" сокращения и их сочетания с синдромом Вольфа-Паркинсона-Уайта // Кардиология, 1992.-№9-10.-С. 103-107.

192. Патрик Э. Основы теории распознавания образов. -М.: Сов.радио, 1980. -404 с

193. Патрикеев И.А., Фрик П.Г. Реконструкция ядра лимфоцита с использованием вейвлет-преобразования // XI Зимняя Школа по механике сплошных сред: Тезисы докладов. Пермь, 1997. - С. 226.

194. Пинекер И.Ш., Малиновский Л.Г., Цукерман Б.М. Математический метод описания ЭКГ //Медицинская техника, 1968. № 5. - С. 3-7.

195. Прет У.К., Фожара О.Д., Гагшалович А. Применение моделей стохастических текстур для обработки изображений // ТИИЭР, 1981. -Т. 69. №5. -С. 54-64

196. Пэрна H.A. Ритм, жизнь и творчество. -Л.; М.: Петроград, 1925. 141 с.

197. Распознавание образов и медицинская диагностика М.: Наука, 1972.-172с

198. Ревишвили А.Ш. Электрофизиологическая диагностика и хирургическое лечение наджелудочковых тахиаритмий . Автореф. дис. д-ра мед. наук. М.:, 1989. -387 с.

199. Розанов Ю.А. Случайные процессы. М.: Наука, 1979. - 184 с.

200. Розенфельд А. Распознавание и обработка изображений. -М.: Мир, 1972. -230 с

201. Розенфельд А., Дейвис Л.С. Сегментация и модели изображений // ТИИЭР, 1979. Т. 67. - № 5. - С. 99-108.

202. Рутгенбург С.О., Слоним А.Д. Циркадный ритм физиологических процессов и трудовая деятельность человека. -Фрунзе: Илим, 1976. С. 188.

203. Рябыкина Г.В., Соболев A.B. Анализ вариабельности ритма сердца // Кардиология, 1996. №10. - С. 87-97.

204. Сенин А.Г. Распознавание случайных сигналов. Новосибирск: Наука, Сибирское отд, 1974. - 76 с.

205. Сметнев A.C., Жаринов О.И., Чубучный В.Н. Вариабельность ритма сердца, желудочковые аритмии и риск внезапной смерти // Кардиология, 1995. — №4. С. 49-52.

206. Современные методы идентификации систем. Под ред. П. Эйкхоффа. М.: Мир, 1983.

207. Соколов А.Н., Щебланова Е.И. Изменения в суммарной энергии ритмов ЭЭГ при некоторых видах умственной деятельности // Новые исследования в психологии. М.: Педагогика, №3, 1974. - С. 37- 40.

208. Соколов П.Я. Ритм космический и ритм психосоматический. //Журнал теоретической и практической медицины и биологии. Киев: Здоровья, 1969, вып. 3. -С. 68-75.

209. Сосулин Ю.Г., Фишман М.М. Оптимальное обнаружение сигналов со случайным моментом появления // Известия АН СССР. Техническая кибернетика, 1977. -№3,-С. 149-155

210. Степанова С.И. Длительность суточного цикла с точки зрения гипотезы его информационно-энергетической стоимости. // Косм, биология и авиакосм, медицина, 1971, 5, №5. С. 44-51.

211. Стратонович Р.Л. Условные марковские процессы и их применение к теории оптимального управления. М.: МГУ, 1966. - 319 с.

212. Судаков К.В. Общая теория функциональных систем. -М.: Наука, 1984. -264 с

213. Судаков К.В. Функциональные системы организма как объект физиологического анализа // Вестник АМН СССР, 1985. № 2. - С. 3-11.

214. Тартаковский А. Оптимальное последовательное обнаружение сигнала со случайным моментом появления // Статист, пробл. управл. / ИМК АН Лит. ССР. -Вильнюс, 1984. Вып. 65. - С. 166-178.

215. Телькснис Л. Достоверность и разрешающая способность обнаружения изменения свойств случайных последовательностей // Статист, пробл. управл. / ИМК АН Лит. ССР. Вильнюс, 1984, - Вып. 65. - С. 179-187.

216. Телькснис Л. Обнаружение медленно меняющихся свойств случайных процессов !/Статист, пробл. управл./ИМК Лит. АН. -Вильнюс, 1990. -Вып. 89. -С. 86-93

217. Телькснис Л. Обнаружение медленно меняющихся свойств случайных процессов //Статист, пробл. упраёл./ИМК Лит. АН. -Вильнюс, 1990. -Вып. 89. -С. 86-93

218. Телькснис Л. Определение изменений свойств случайных последовательностей при неполных априорных данных последовательностей // Статист, пробл. управл. / ИМК АН Лиг.ССР. Вильнюс, 1975. - Вып. 12. - С. 12-26.

219. Телькснис Л.А. Измерение параметров распределений случайных процессов методом Байеса // Теория и практика измерений статистических (вероятностных) характеристик: Материалы I Всес. конф. Л.:, 1973. - С. 87-96

220. Терайен C.B., Куатьерри Т.Е., Даджеон Д.Е. Алгоритмы анализа изображений, основанные на статистических моделях // ТИИЭР, 1986. -Т. 74. -№ 4. -С.532-551

221. Тихоненко В.М., Гусанов Г.В., Чирейкин Л.В. Динамическая электрокардиография в оценке ишемии миокарда. Методические рекомендации. СПб., 1994. -37 с.

222. Тихонов А.Н. Математическое моделирование технологических процессов и метод обратных задач в машиностроении. -М. Машиностроение, 1990. -262с.

223. Тихонов И.Н. Оценка момента вступления продольной волны по трехмерной записи с помощью ЭВМ // Алгоритмы интерпретации геофизических данных. Владивосток: ДВНЦ АН СССР, СахКНИИ, 1976. С. 105-111.

224. Ткалич Т.А. Обнаружение ограниченной во времени разладки пуассоновского процесса . Автореф. дисс. к. ф.-м. наук. Минск: БелГУ, 1994. - 21 с.

225. Торгвицкий И.Ш. Методы определения момента изменения вероятностных характеристик случайных величин // Зарубежная радиоэлектроника, 1976. №1, - С. 3-52.

226. Трифонов А., Бутейко В. Эффективность алгоритмов обнаружения и оценки изменения свойств винеровского процесса // Статист, пробл. управл. / ИМК АН Лит.ССР. Вильнюс, 1984. - Вып. 65. - С. 188-198.

227. Ту Дж., Гонсалес Р. Принципы распознавания образов. -М.: Мир, 1978. -416 с

228. Уилкс С. Математическая статистика. М.: Наука, 1967. - 464 с.

229. Феллер В. Введение в теорию вероятностей и ее приложения. Т. 1, 2. — М.: Мир. 1984.

230. Фирсова Г.С. Исследование алгоритмов и машинных методов диагностики сердечных ритмов по ЭКГ . Автореф. дисс. канд. техн. наук. — Л.:, 1967. — 20 с

231. Фишман М. Байесовская среднеквадратичная оценка момента ступенчатого смещения среднего уровня белого гауссовского шума//Статист, пробл. управл. / ИМК АН Литвы. Вильнюс, 1984. - Вып.65. - С.221-224.

232. Фомин В.Н. Математическая теория обучаемых опознающих систем. Л.: ЛГУ, 1976. - 235 с.

233. Фомин В.Н. Стохастические аналоги конечно-сходящихся алгоритмов обучения опознающих систем // Вычислительная техника и вопросы программирования. Л.:, 1971. - Вып. 6. - С. 68-87.

234. Фрик П.Г. Вейвлет-анализ и иерархические модели турбулентности // Препринт / ИМСС УрО РАН. Пермь, 1992.

235. Фрик П.Г., Соколов Д.Д., Вейвлеты в астрофизике и геофизике // Компьютерра, 1998. №8(236). - С. 46-49.

236. Фу К.С. Структурные методы в распознавании образов. М.: Мир, 1977.

237. Функциональные системы организма. Под ред. К.В. Судакова. М.: Медицина, 1987.-432 с.

238. Функциональный анализ. Под ред. С.Г. Крейна. М.: Наука, 1972. - 544с.

239. Халберг Ф. Временная координация физиологических функций. /Кн.: Биологические часы. М.: Мир, 1964. - С. 475 - 509.

240. Халфен Э.Ш., Темкин Б.М. Клиническое значение исследования энтропии сердечного ритма у больных инфарктом миокарда//Кардиология, 1983. -№9. -С. 37-41

241. Харалик P.M. Статистический и структурный подходы к описанию текстур // ТИИЭР, 1979. Т. 67. - № 5. - С. 211-217.

242. Харин Ю. Обнаружение "разладок" марковского типа в случайной последовательности многомерных наблюдений // Статист, пробл. управл. / ИМК АН Лит.ССР. Вильнюс, 1984. - Вып. 65. - С. 225-232.

243. Харин Ю., Мельникова Е. Использование статистических оценок межклассовых расстояний для анализа временных рядов с многократными разладками // Статист, пробл. управл. / ИМК Лит.АН. Вильнюс, 1990. Вып. 89. -С. 188-194.

244. Хаютин Б.М., Бекбосынова М.С., Лукошкова Е.В., Голицын С.П. Изменения Мощности колебаний частоты сокращений сердца, вызываемые пропанаролом у больных с нарушениями ритма // Кардиология, 1997. №7. - С. 4-16.

245. Хромушин В.А., Яшин A.A. Конструктивный алгоритм восстановления зависимости на фоне шумов в медико-биологических исследованиях // Электродинамика и техника СВЧи КВЧ, 1993. №3. - С. 24-29.

246. Цейтлин М.Л. и др. Прибор для регистрации и диагностики нарушений ритмической деятельности сердца // Изв. вузов. Радиофизика, 1961. -Т.4, №1. -С. 165-172

247. Цемель Г.И. Опознавание речевых сигналов. — М.: Наука, 1971. 148 С.

248. Чижевский А.Л. Эпидемические катастрофы и периодическая деятельность солнца. -М.: Госиздат, 1930. -176 с.

249. Чижевский А.Л., Шишина Ю.Т. В ритме солнца. -М.: Наука, 1969. 112 с.

250. Шеффе Г. Дисперсионный анализ. М.: Наука, 1980. - 512 с.

251. Шиллер Н., Осипов М.А. Клиническая эхокардиография. М.: Мир, 1993. — 347 с.

252. Ширяев А.Н. К обнаружению разладки производственного процесса // Теор. вер. и ее прим, 1963. Т. 8, Вып. 3. - С. 264-281. - Вып.4. - С. 431-443.

253. Ширяев А.Н. Некоторые точные формулы в задачах о разладке // Теория вероятностей и ее применения, 1965. Т. 10, Вып. 2. - С. 380-385.

254. Шлезингер М.И. Взаимосвязь обучения и самообучения в распознавании образов // Кибернетика, 1968. № 2. - С. 81-88.

255. Шпилевский Э.К. Динамическая классификация стохастических процессов и систем. 1,11 // Автоматика и телемеханика, 1980, -№11. -С. 45-52, №12. -С.45-54

256. Юргутис М. Вероятность отклонения оценки среднего правдоподобия от истинного момента изменения параметров уравнения авторегрессии // Статист, пробл. управл. / ИМК АН Литвы. Вильнюс, 1984. Вып. 61. - С. 89-98.

257. Юргутис М. Вероятность точной оценки момента изменения параметров уравнения авторегрессии // Статист, пробл. управл. / ИМК АН Лит.ССР. Вильнюс, 1982.-Вып. 59.-С. 50-59.

258. Юргутис М. Сравнение статистических свойств оценок момента изменения параметров авторегрессионных последовательностей // Статист, пробл. управл. / ИМК АН Литвы. Вильнюс, 1984. Вып.65. - С.234-243.

259. Явелов И.С., Грацианский H.A., Зуйков Ю.А. Вариабельность ритма сердца при острых коронарных синдромах: Значение для оценки прогноза заболеванияобзор) И Кардиология, 1997. №2. - С. 61-69.

260. Яковлев В.Г. Алгоритмы выделения всплесков на физиологических кривых // Автоматика и телемеханика, 1977. № 12. - С. 94-105.

261. ЗЮ.Яковлев В.Г. О выборе порогов в разладочном алгоритме сегментации // Автоматика и телемеханика, 1983. № 9. - С. 95-101.

262. Яковлев В.Г. Разработка и исследование алгоритмов лингвистического анализа структурных шумоподобных экспериментальных кривых . Дисс. канд. техн. наук. -М.:ИПУ, 1981.- 228 с.

263. Якушев Д.И. Разработка алгоритма идентификации стационарных случайных процессов на основании коэффициентов формы спектра . Дисс. . канд. техн. наук. СПб., 1996. - 176 с.

264. Янушкевичус 3., Витенштейнас Г., Валужис А., Корсакас С. Структура и принципы построения автоматизированного архива ЭКС // Статист, пробл. управл. / ИФМ АН Литвы. Вильнюс, 1974. - № 9. - С. 175-213.

265. Янушкевичу с З.И., Бродискис Ю.Ю., Лукошявичуте А.И., Забела В.П. Нарушение ритма и проводимости. М.:, 1984. - 288 с.

266. Янушкевичус З.И., Чирейкин Л.В., Пранявичус А.А. Предварительно усиленная электрокардиограмма. Л.: Медицина, 1990. - 192 с.

267. Akay М. Wavelet Applications in Medicine // IEEE Spectrum, 1997. V. 34. - №5. -P. 50-56.

268. Andre-Obrecht R. A New Statistical Approach for the Automatic Segmentation of Continuos Speech Signals // IEEE Transact. Acoust. Speech Signals Process, 1988. -ASSP-36. P. 29-40.

269. Antonini M., Barlaud M., Mathieu P., Daubechies I. Image Coding Using Wavelet Transform // IEEE Trans, on Image Processing, 1992. V. 1. - №2. - P. 205 220.

270. Aschoff J.C. Desynchronization and resynchronization of human circadian rhythms //Aerospace med.,1969, Vol. 40, №1/2. P. 22-26.

271. Aschoff J.C., Pohl H. Rhythmic variations in energy metabolism. //Fed. Proc., 1970, 29,N4.-P. 1541-1552.

272. Barr C.S., Naad A., Freeman M. et al, QT dispersion and sudden unexpected dealth in chronic heart failure // Lancet, 1994. V. 347. - P. 327-329.

273. Basseville M. Detection changes in signals and systems a survey // Automático,1988. V. 24.-№ 3. - P. 309-326.

274. Basseville M., Benveniste A. Sequential detection of abrupt changes in spectral .characteristics of digital signals // IEEE Trans, on Inf. Theory, 1983. V. 20, № 5. - P. 709-723.

275. Basseville M., Benveniste A. Sequential segmentation of nonstationary digital signals using spectral analysis // IEEE Trans, on Inf. Theory, 1983. -V. 20, № 1. -P.57-73

276. Basseville M., Esriau B. Edge detection using sequential methods for change in level. Parts I,IIII IEEE Trans. onASSP, 1981, V. ASSP-29. № 1.

277. Blanco S., Kochen S., Rosso O.A., Saldado P. Applying Tome-Frequency Analysis to Seizure EEG Activity!/IEEE Eng. inMed. and Biol, 1997. -V. 16. -№1. p. 64-71

278. Bodenstein G., Praetorius H.M. Feature extraction from the electroencephalogram by adaptive segmentation II Proa IEEE, 1977. V. 65. № 5. - P. 642-652.

279. Buja G., Miorelli M. et al. Comparsion of QT dispersion in hypertrophic cardiomyopathy between patients with and without ventricular arrhythmias and sudden death // Am. J. Cardiol1993. V. 72. - P. 973-976.

280. Bosme H. Herz- und Gefabschall in Bild und Ton // Leipzig: Johann Ambrosius Barth.- 1972,- 116 p.

281. Cox J.R., Nolle F.M., Arthur R.M. Digital analysis of the electroencephalogram, the blood pressure wave, and the electrocardiogram // Proc. IEEE, 1972. -V.60, №10. P. 1137-1164.

282. Davey P.P., Baterman J., Milligan I.P. et al. QT interval dispersion in chronic heart failure and left ventricular hupertrophy: relation to autonomic nervous system and holter tape abnormalities // Br. Heart. J., 1994. V. 71. - P. 268-273.

283. Davis R., Austin H., Caribom I. The Dipmeter Advisor: Interpretation of geologic signals // Proceeding of the 7th IJCAT, 1981.

284. Dedus A.F., F.F. Dedus, S.A. Makhortykh and M.N. Ustinin, Analytical description of multidimensional signals for solving problems of pattern recognition and image analysis // Pattern Recognition and Image Analysis, 1993, V. 3, pp. 459-469.

285. Dedus F.F., Dedus A.F., Ustinin M.N. A new data processing technology for pattern recognition and image analysis problems // Pattern Recognition and Image Analysis. 1992. Vol.2. P. 195-207.

286. Farge M. Wavelet transforms and their applications to turbulence // Ann. Rev. Fluid

287. Mech, 1992. V. 24. - P. 395.

288. Frick P., Baliunas S., Galyagin D., Sokoloff D., Soon W. Wavelet analysis of observational data with gaps: an application to the study of stellar chromospheric activity variations. H Astrophysical Journal, 1996. V. 17. - P. 928-937.

289. Frick P., Galyagin D., Hoyt D„ Nesme-Ribes E„ Schatten K.H., Sokoloff D., Zak-harov V. Wavelet analysis of solar activity recorded by sunspot groups // Astronomy and Astrophysics, 1996. V. 32. - P. 117-125.

290. Goldman L. Quantitative aspects of clinical reasoning // Harrison's Principles of Internal Medicine. 13th Ed., 1994. - P. 43-48

291. Grauper D., Magnussen I., Beex A. A microprocessor system for multifunctional control of upper limb prostheses via EMG signal identification // Proc. the 4th International Joint Conf. on Pattern Recognition. Kyoto, Japan: IAPP, 1978. - P. 1113-1117.

292. Grossmann A., Morlet J. Decomposition of Hardy functions into square integrable wavelets of constant shape // S.IA.M., J. Math. ^«a/.,1984.-V.15.-P.723-733

293. Higham P.D., Furness S.S. et al. QT dispersion and components of the QT interval in ischoemia and infarction // Br. Heart. J., 1995. V. 73. - P. 32-36.

294. Hii J.T.Y., Wyse D.G., Gillis A.M. et al. Pericardial QT interval dispersion as a marker of torsados de pointed // Circulation, 1992. V. 86. - P. 1376-1382.

295. Holschneider M. Wavelets. An analysis Tool. Oxford: Oxford University Press, 1995.-364 p.

296. Pye M., Quinn A.C., Cobbe S.M. QT interval dispersion: a non-invasive marker of susceptibility to arrhythmia in patients with sutained ventricular arrhythmias // Br. Heart. J., 1994.- V. 71. -P. 511-514.

297. Rabiner L.R. A tutorial on hidden Markov models and selected applications in speech recognition // ProcedingIEEE, 1989. V.77. - № 2. - P. 257-285.

298. Robbins H., Monro S. A stochastic approximation method // Ann. Math. Stat, 1951. -V. 22.-№1.

299. Segen J., Sanderson A.C. Detecting changes in a time series // IEEE Trans, on Inf.

300. Theory, 1980. V. IT-26, № 2. - P. 249-255. *

301. Shibata R. Selection of the Order of an Autoregressive Model by Akaike's Information Criterion // Biometrica, 1976. V. 63. - P. 117-126.

302. Teicher H. Identifiability of mixtures of product measures // Ann. Math. Stat., 1967. -V. 38.-Xo4.-P. 1300-1302.

303. Tieleman R.G., Grijns H.J. et ai. Increased dispersion of refractoriness in the absence of QT prolongation in patients with mitral valve prolapse and ventricular arrhythmias // Br. Heart. J., 1995. V. 73. - P. 37-40.

304. Torresani B. Analyse continue par ondelettes. Paris: Sav. Actuels, 1995. -253 p.

305. Tugnait J.K. Adaptive estimation and identification for discrete systems with Markov iump parameters H IEEE Trans. Aut. Cont., 1982. -AC-27. -P. 1054-1064.

306. Tugnait J.K., Haddad A.H. Adaptive estimation in linear systems with unknown Markovian noise statistics // IEEE Trans. Inf. Theory, 1980. P. 66-78.

307. Viterbi A. J. Error bounds for convolutional codes and assimptotically optimal de272coding algorithm///Eí7í Trans. Inform. Theory, Vol. IT-13, apr.1967, pp.260-269

308. Vorob'ev S.A. Algorithms for Identification and Classification of Repeating Fragments on Experimental Curves // Automation and Remote Control, 1986. V. 46, № 8, Part 2 ( New York, USA). - P. 1003-1006.

309. Willsky A.S. A survey of design methods for failure detection in dynamic systems // Automático, 1976. V. 12. - P. 601-611.

310. Willsky A.S., Jones H.L. A generalised likelihood ratio approach to the detection and estimation of jump in linear systems // IEEE Trans, on Aut. Cont., 1976. V. AC-21. -№ 1,-p. 108-112.

311. Yakovlev V.G., Vorob'yov S.A. Estimation of Model Parameters of Random Processes with Instantly Changing Properties // Preprints of the Second IF AC symposium on stochastic control. Vilnius, USSR, 1986. - Part II. - P.224-228.

312. Yang F., Liao W. Modeling and Decomposition of HRV Signals with Wavelet Transforms // IEEE Eng. in Medicine and Biology, 1997. -V. 16. -№ 4. -P. 17-22

313. Young T. Y. On the representation of the EKG-s // IEEE Trans, on Biomed. El, 1963. -V. 10,- №3,- P. 89-91.

314. Zipes D.P. Influence of myocardial ischemia and infarction on autonomic innervation of heart // Ibid, 1990. V. 82. - P. 1095-1099.