автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка методов и средств диагностики психической напряженности на основе вейвлет-анализа сигнала голоса и нечеткой логики принятия решений

На правах рукописи

Брежнев Алексей Викторович

РАЗРАБОТКА МЕТОДОВ И СРЕДСТВ ДИАГНОСТИКИ ПСИХИЧЕСКОЙ НАПРЯЖЕННОСТИ НА ОСНОВЕ ВЕЙВЛЕТ-АНАЛИЗА СИГНАЛА ГОЛОСА И НЕЧЕТКОЙ ЛОГИКИ ПРИНЯТИЯ

РЕШЕНИЙ

Специальность 05.13.01 - Системный анализ, управление и обработка

информации

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

"ТгШ

На правах рукописи

Брежнев Алексей Викторович

¥

РАЗРАБОТКА МЕТОДОВ И СРЕДСТВ ДИАГНОСТИКИ ПСИХИЧЕСКОЙ НАПРЯЖЕННОСТИ НХ ОСНОВЕ ВЕЙВЛЕТ-АНАЛИЗА СИГНАЛА ГОЛОСА И НЕЧЕТКОЙ ЛОГИКИ ПРИНЯТИЯ

РЕШЕНИЙ

Специальность 05.13.01 - Системный анализ, управление и обработка

информации

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Работа выполнена в Курском государственном техническом университете

Научный руководитель:

Официальные оппоненты

доктор технических наук, старший научный сотрудник

Бурмака Александр Александрович

доктор технических наук, профессор Маслак Анатолий Андреевич

кандидат технических наук Жилинкова Людмила Анатольевна

Ведущая организация

Орловский государственный технический университет

Защита диссертации состоится 7 д£ха.еря 2005 в /4.00 часов в конференц-зале на заседании диссертационного совета Д 212.105.03 при Курском государственном техническом университете по адресу: 305040, Курск, ул. 50 лет Октября, 94.

С диссертацией можно ознакомиться в библиотеке Курского государственного технического университета.

Автореферат разослан__2005 г.

Учёный секретарь диссертационного совета Д212.105.03 (Старков Ф.А.

РОС. НАЦИОНАЛЬНАЯ! БИБЛИОТЕКА I

-— .. ШШ'*»

л

Общая характеристик работы

Актуальность па боты. Профессиональная деятельность человека, участвующего в управлении сложными социальными и техническими системами, часто протекает на фоне воздействия На него таких различных стресс-факторов, как осознание опасности последствия принимаемых решений при дефиците прагматической информации, продолжительность смены, отсутствие уединения и т.п. Влияние такого рода воздействий на лиц операторских профессий может приводить к снижению их работоспособности, нарушениям сна, трениям между членами смены (экипажа, команды), развитию высоких уровней эмоционального напряжения и утомления, что способствует росту ошибок деятельности, которые могут приводить не только к снижению количественных и качественных показателей работы человекомашинных систем и комплексов, но иногда и к фатальным последствиям. Характер деятельности человека в этих условиях существенно определяет его психические состояния. Для обозначения психических состояний человека в трудных условиях ряд ведущих исследователей пользуется понятием психической напряженности (Н.Д. Левитов, Н.И. Наенко).

Это понятие играет также большую роль в Качестве фактора риска в задачах прогнозирования и ранней диагностики различного типа заболеваний. Наличие этого фактора способствует развитию, помимо выраженных форм депрессий, различных типов заболевании сердечно-сосудистой системы, желудочно-кишечного тракта, кожи и т.д. Крок<е этих заболеваний, выделяют обширную группу заболеваний с так называемыми скрытыми формами депрессивных состояний у лиц, которые формально считаются психически здоровыми и поэтому не проходят специального обследования (П К. Анохин, А.Б. Леонова, В .И. Медведев). '

Учитывая, что в структуры признакового описания состояния психической напряженности включаются различные по природе признаки (опрос, осмотр, данные инструментальных и лабораторных исследований), а окончательный диагноз получают в несколько этапов путем подтверждения или опровержения выдвигаемых прогностических и диагностических гипотез, целесообразно в качестве основного математического аппарата использовать теорию нечетких множеств, а используемые технические средства контроля состояния должны как можно меньше влиять на основную деятельность испытуемого. Последнее условие может быть выполнено, если в качестве источника информации о психической напряженности испытуемого использовать параметры его голоса. '

Проведенные исследования показали, что, несмотря на важность контроля психических состояний и особенно психической напряженности, существующие методы и средства решают эти задачи с недостаточной оперативностью и качеством в условиях реальных ограничений на время и стоимость принятия решений. -

Актуальность решения поставленных задач определяется еще и тем, что качественное их решение обеспечивает: увеличение надежности операторской деятельности; снижение ошибок первого и второго рода; устранение

«немотивированных» действий; планирование рациональных схем профилактики и лечения психосоматических заболеваний и т.д.

Работа выполнена в соответствии с научно-технической программой «Научные исследования высшей школы по приоритетным направлениям науки и техники», подпрограмма 204 «Технология живых систем» ¿002-2004 гг. и в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий».

Цель работы. Целью работы является разработка методов и средств повышения достоверности и оперативности дистанционной и латентной диагностики психической напряженности на основе вейвлет-анализа сигнала голоса и нечеткой логики принятия решений. .

Для достижения поставленной цели необходимо решить следующие >

задачи:

сформировать пространство информативных признаков, выделяемых из сигнала голоса, для диагностики психической напряженности человека;

разработать способы и алгоритмы вычисления величин информативных признаков с использованием методов вейвлет-анализа;

предложить метод синтеза решающих правил для диагностики психической напряженности в пространстве признаков, формируемых на основе сигнала голоса;

разработать структуру и алгоритм обучения нечеткого нейроподобного решающего модуля на диагностику психической напряженности;

провести апробацию предложенных методов и средств на репрезентативных контрольных выборках.

Методы исследований. Дня решения поставленных задач использовались методы системного анализа, цифровой фильтрации сигналов, спектрального анализа, математической статистики, теории нечетких нейронных сетей и распознавания образов, экспертного оценивания и принятия решений.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

способ вейвлет-анализа сигнала голоса, основанный на выделении значимой форманты на вейвлет-плоскости сегмента сигнала голоса и определении вариабельности ее частотных составляющих в пределах тестовой фразы, позволяющий построить признаковое подпространство для диагностики психической напряженности;

способ выделения информативных признаков из сигнала голоса, % отличающийся возможностью отслеживания вариаций координат значимой форманты на вейвлет-плоскости сегмента сигнала голоса и позволяющий определить вариации частоты тремора мышц голосовых связок, модулирующего эту форманту;

метод синтеза нечетких решающих правил, отличающийся использованием четырехслойной нейроподобной модели с двумерными функциями принадлежности на входе и иерархической структурой блока

нечеткого вывода, позволяющий синтезировать решающие правила диагностики психической напряженности по параметрам сигнала голоса с заданной достоверностью;

алгоритм обучения нечеткого решающего модуля, отличающийся использованием диалогового режима при построении итерационной обучающей процедуры в трехмерном пространстве признаков, позволяющий создавать базу решающих правил иерархической структуры.

Праю-нческая значимость и результаты внедрения. Разработанные методы, способы и алгоритмы составили основу построения автоматизированной системы поддержки принятия решения по управлению процессами диагностики и коррекции психических состояний, практические испытания которой показали ее высокую диагностическую эффективность и приемлемое качество рекомендаций по определению психического состояния Человека. Рекомендации системы могут использоваться для принятия решений о текущей работоспособности операторов информационно-насыщенных систем и необходимости проведения возможных реабилитационных процедур,

Результаты работ внедрены в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению 200300 - «Биомедицинская инженерия» и используются при проведении научно-исследовательских работ в НИИ экологической безопасности Минздрава Российской Федерации.

Полученные результаты позволяют научно обосновать способы определения психической напряженности операторов человекомашинных систем и проводить целенаправленную коррекцию их состояний.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях и семинарах: четвертой Международной научно-технической конференции «Медико-экологические информационные технологии» (Курск ,2001); XXXI вузовской научно-технической конференции «Молодежь и XXI век» (Курск, 2003); 7-й Международной конференции «Оптико-электронные устройства в системах распознавания образов, обработки изображений и символьной информации» (Курск, 2005); научно-практической конференции «Россйя и современный мир: проблемы н перспективы развития» (Москва, 2005); Региональной научно-практической конференции «Современные проблемы технического, естественно-научного и гуманитарного знания» (Губкин, 2005).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 8 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] автором предложена модель модуляции сигнала голоса тремором мышц голосовых связок, основанная на вейвлет-представлении сигнала голоса, в [3] соискателем разработана итерационная процедура отделения объектов в трехмерном признаковом пространстве, в [4] соискатель предложил четырехслойную модель модуля нечеткого вывода, реализующую иерархическую структуру решающих правил,

в [7] автор исследовал алгоритмы нерастрового сканирования изображений, в [8] соискателем предложена и обоснована процедура формирования информативных признаков из речевого сигнала.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы, включающего 139 отечественных и 3 зарубежных наименования. Работа изложена на 133 страницах машинописного текста, содержит 37 рисунков и 7 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

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

В первой главе исследуются методы и средства диагностики \ психической напряженности. Показано, что контроль психических состояний человека может вестись на основе различных психофизиологических показателей жизнедеятельности, но наиболее распространенными являются методы психологического тестирования. Однако они не удовлетворяют современным требованиям по оперативности, латентности и дистанционности контроля. Устранить ряд существенных недостатков известных подходов можно, используя сигнал голоса, параметры которого отражают характеристики различных функциональных систем. Анализ существующих методов обработки нестационарных физиологических сигналов показал, что для выделения информативных признаков из сигнала голоса удобно использовать методы вейвлет-анализа сегментов тестовой фразы, а решение о том, в каком из психических состояний находится человек, в связи с отсутствием четких границ между этими состояниями, целесообразно принимать на основе нечеткой логики принятия решений.

В заключение первой главы определяются цель и задачи исследования.

Вторая глава посвящена вопросам выбора показателей, выделяемых из сигнала голоса, характеризующих психическую напряженность обследуемого. В ходе исследований нами было показано, что для достоверной диагностики психической напряженности по показателям, выделенным из сигнала голоса, достаточно сформировать три признаковых подпространства, характеризующих психомоторные и спектральные характеристики речи.

Первое признаковое подпространство образуют признаки, характеризующие величины отрезков чистой речи и пауз. При этом отрезок чистой речи в относительных единицах определяется следующим выражением:

где 5, - относительная длительность чистой речи в ¡-м слове; гс, - длительность ь го слова в тестовой фразе, тп - длительность паузы после ¡-го слова.

Как показали исследования, процесс роста психической напряженности характеризуется либо увеличением интервала чистой речи и уменьшением продолжительности пауз, либо паузы между словами растут по сравнению с

фоновыми. Относительная величина отрезка чистой речи (признак XI) в тестовой фразе определяется как

где N - количество слов в тестовой фразе.

Нормированная величина отрезка пауз (признак У1) определяется как

Выделение спектральных составляющих из сигнала голоса целесообразно осуществлять с использованием вейвлет-преобразования, . которое позволяет исследовать вариации формантных частот в сигнале голоса J на апертуре слова тестовой фразы.

Для осуществления вейвлет-преобразования сегментов сигнала голоса выбран вейвлет Морле, который отличается хорошей локализацией как в пространстве времени, так и в пространстве частот. Кроме того, существует возможность изменения вейвлета Морле за счет изменения параметров модуляции и масштаба.

Каждый вейвлет имеет определенную "ширину" своего временного окна, которому соответствует определенная "средняя" частота Фурье-образа вейвлета, обратная его масштабному коэффициенту а. Масштабные коэффициенты изменяют "ширину" вейвлетов и, соответственно, "среднюю" частоту их фурье-образов, а, следовательно, каждой частоте соответствует своя длительность временного окна анализа, и наоборот.

На рис.1 приведен пример соответствия фрагмента речевого сигнала (слева) и его вейвлет-плоскости (справа). На рис.2 показан Фурье-спектр этого фрагмента. Вейвлет-плоскости строились для значений масштабных коэффициентов, соответствующих частотному диапазону сигнала голоса, то есть для частот 100-4000 Гц. Частота дискретизации сигнала составляла 8000 Гц.

На вейвлет-плоскости (рис.1) представлены две формантные частоты, тогда' как амплитудный спектр Фурье того же сигнала содержит три формантные частоты, что связано с нестационарностью формант на апертуре сегмента. Проведенные нами исследования показали, что величина вариации формантной частоты в пределах сегмента является информативной при диагностике психических состояний и может быть использована в качестве одного из информативных признаков в данном признаковом подпространстве.

Статистические исследования вейвлет-плоскостей сегментов сигнала голоса показали, что вариации формантных частот в сегментах линейно зависимы, поэтому показатель вариации формантных частот можно оценивать по одной форманте в пределах сегмента.

Рис. I. Сегмент сигнала голоса тестовой фразы (слева) и его вейвлет- плоскость (справа). По оси частот на вейвлет-плоскости логарифмический масштаб

£2, Гц

Рис.2. Амплитудный спектр Фурье сигнала голоса сегмента тестовой фразы (рис.1)

Г/

Для определения показателя вариабельности форманты XI, в ¡-м слове нами предлагается использовать следующую формулу

0' -О' .

тяу а'т!п

Х2;

а:

где

£2'тах = таф>тах; ] = т,т+М1); ^п-тфутах; ] = т,г + м1\.

1 г+м' = 77" ®у'тах •

м> м

О' — /в ~ /и

(4)

(5)

(6)

(7)

(8)

где £тах, - номер строки вейвлет-плоскости из диапазона строк ке , £,+ 7}], лежащих в j-м столбце, вейвлет-плоскость соответствует максимальному значению вейвлет-коэффициента к}-го пикселя вейвлет-

)

плоскости ¡-го слова из вейвлет-коэффициентов. находящихся в ¿-м столбце, определяемый из уравнения

Ае[£,£ +Т,\ у = г.г + Л#,}. (9)

к,'} - номер строки и номер столбца вейвлет-плоскости, соответственно; - верхняя граничная частота вейвлет-плоскости, - нижняя граничная частота вейвлет-плоскости, Ь - число строк в вей'влеТ-плоскости;

г и Щ пределяющие дислокацию и число значимых столбиков на вейвлет-плоскости Л-го слова, причем первый определяется параметрами вейвлет-преобразования, а второй - длительностью 1-го сегмента тестовой фразы;

<5 - верхняя фаница анализируемой фодианты,?» 1-м слове,

7} - максимальное расстояние между границей анализируемой форманты и нижней границей соседней форманты в ¡-м слове- . <

Понятия дислокации и число значимых столбиков вейвлет-плоскости связаны с понятием краевого эффекта, который хорошо описан в литературе по обработке изображений локальными методами.

Параметры 6 и 7) определяются эмпирически на этапе исследования спектров Фурье фрагментов тестовой фразы.

Координаты ктаху в (9) определяют траекторию значимой форманты на вейвлет-плоскости, то есть той форманты, которая выбрана для построения признакового подпространства.

Первый признак второго признакового подпространства определяет средний размах вариации форматы в словах тестовой фразы и выражается формулой

= (10)

Дня характеристики вариабельности форманты внутри интервала частот, занимаемого формантой, введем параметр У2, который определим как

(12)

Третье признаковое подпространство предлагается строить на основе эффекта Липпольда, связанного с вариацией тремора голосовых связок в полосе 8...12 Гц при изменении психической напряженности, модулирующего значимую форманту.

Для того чтобы получить способ выделения частоты 10 Гц из сигнала голоса посредством вейвлет-преобразования, используется модель тонального сигнала 300 Гц, амплитудно-модулированного сигналом 10 Гц с глубиной

модуляции 20 %, позволяющая контрастировать этот сигнал на вейвлет-плоскости. Частота дискретизации модельного сигнала была выбрана также равной 8000 Гц, а длительность наблюдения составила 1 с. При этих условиях на апертуре наблюдения модельного сигнала формируется десять периодов модулирующего сигнала.

На рис.3 справа представлена вейвлет-плоскость этого сигнала, а слева -эпюра соответствующего исходного сигнала.

Рис. 3. Вейвлет-плоскость модельного сигнала (справа) и сам сигнал (слева)

На рис. 4 показаны эпюры строк вейвлет-плоскостей модельного сигнала в окрестностях частоты 300 Гц. В каждой строке наблюдается десять характерных всплесков, соответствующих десяти периодам модулирующей частоты 10 Гц, которые укладываются на апертуре значимых столбцов вейвлет-плоскости.

I..........! I

ШШШй

Рис. 4. Эпюра шести строк вейвлет-плоскости на частотах в окрестностях 300Гц для модельного сигнала с глубиной модуляции 20%

На рис.5 показана вейвлет-плоскость реального сигнала голоса (звук «И»), где на частоте 245 Гц можем наблюдать волны частотой 10 Гц, соответствующие тремору голосовых связок.

Анализ рисунков 3 и 4 показывает, что для выделения частоты тремора на вейвлет-плоскости 1-го слова необходимо в полосе влияния значимой форманты на апертурах, превышающих максимальный период тремора,

выделить д-е квазипериоды ©|_12, соответствующие информативному диапазону 8... 12 Гц. Если процесс выделения происходит на формантной частоте О, то для первого информативного параметра на этой частоте

0,1с

а. и*

Рис. 5 Вейвлет-плоскость реального сигнала (звук «И»)

(13)

где /д . частота дискретизации сигнала, М//ц - длина ¡-го слова, с; Ш(8-М//д) -минимальное число информативных квазипериодов модулирующей частоты в ьм слове.

Так как формантная частота П может испытывать дрейф во времени, то квазипериоды должны определяться не на одной частоте С1, а на

частотах, определяемых формулами (8) и (9). Следовательно, при использовании выражения (13) должна использоваться нерастровая схема сканирования.

Окончательно первый информативный признак определяется путем усреднения (13) по всем словам тестовой фразы и нормировки'по центральной частоте 10 Гц

(14)

Второй информативный признак определяем как

где

(15)

(16)

В третьей главе разрабатываются способы и алгоритмы вычисления величин информативных признаков, выделяемых из сигнала голоса.

Для получения координат первого признакового подпространства использован способ разделения тестового сигнала на сегменты, содержащие чистую речь и паузы. Данный способ, основанный на сравнении энергетических характеристик сигнала с пороговыми значениями и последующей бинаризацией массива исходных данных. Уточнение границ сегментов 'осуществляется посредством медианной фильтрации и сравнения числа пересечения нулей сигналом в пограничных сегментах с пороговым значением.

Полученные массивы являются входными данными для вычисления информативных признаков XI, У\ по формулам (1)-(3).

Способ вейвлет-анализа сигнала голоса реализует расчет значений признаков второго подпространства (Х2У2). В соответствии с этим способом на вейвлет-плоскости выделяются подмножества вейвлет-коэффициентов таким образом, чтобы каждый элемент ]-го подмножества соответствовал ]-й горизонтальной координате вейвлет-плоскости на интервале изменения [г ,Т + ] (см. рис.6) и лежал в интервале с координатами по оси частот

(вертикальной оси) [ф, у, +7]), у] (см. формулу (9)).

Рис. 6. Определение следа значимой форманты на вейвлет-плоскости ¡-го сегмента сигнала голоса

В каждом из подмножеств определяется максимальный по абсолютному значению элемент. -Полученное множество максимальных по абсолютной величине элементов определяет след значимой (анализируемой) форманты на вейвлет-плоскости. Для выделения информативных признаков XI, У2 для

каждого ¡-го сегмента (слова) тестовой фразы определяется три блока параметров Г, М,\ {IV,,, ах ,}.

Определение этих параметров и информации для их вычисления осуществляется в три этапа, причём 1-й и 11-й этапы могут быть осуществлены параллельно.

Каждый из трёх этапов способа реализован в виде соответствующих алгоритмов. Алгоритмы определения параметров первых двух блоков реализуются до определения психической напряженности у испытуемых, а алгоритм Ш-го этапа выполняется в предположении, что {г, А/,} и , 7)}, / = 1, N определены в предыдущих этапах.

Определение границ изменения диапазона частот в значимой форманте предусматривает определение спектров N сегментов тестовой фразы. Значимая форманта определяется по максимальному значению амплитуды спектральной составляющей. При этом, в зависимости от сегмента, значимая форманта может изменять свою дислокацию.

Координаты значимой форманты по вертикали определяются на основе анализа спектра сигнала голоса (рис.2). Координаты значимой форманты по горизонтали определяются длиной (в отсчётах) вейвлета с самым большим значением масштаба а, которое задается в интерактивном режиме двумя параметрами: числом строчек в вейвлет-плоскости Ь и шагом до изменения масштаба а. В процессе построения вейвлет-плоскостей сегментов были использованы одинаковые параметры.

Величина М, определяется выражением М,=0, -2т, где 0, - число отсчётов в ¡-м сегменте, зависящее от номера сегмента.

При этом 0,>3т, поскольку такое условие позволяет получить отсчеты последней строчки вейвлет-плоскости при всех параметрах сдвига.

Способ выделения информативных признаков из сигнала голоса для третьего признакового подпространства основан на том, что из сигнала голоса выделяется сигнал частотой 8... 12 Гц, модулирующий значимую форманту. Для каждого сегмента в тестовой фразе необходимо определить множество

{©|_12], <7 = 1, 1Щ(8А/(//а) длин квазипериодов, соответствующее одной траектории сканирования в зоне полосы влияния шириной / (см. рис.б).

Выделение квазипериода осуществляется по простой схеме: демодуляция сигнала (переход от вейвлет-коэффициентов к их абсолютным

значениям)=>выделение из полученного сигнала полосы 5...20 Гц поиск максимумов на апертурах, превышающих наибольшую длительность искомого квазипериода. При этом сканирование вейвлет - плоскости ведется по

частотам, определяемым множеством {¿^ ] |. Каждый д-й элемент множества

{э|_12) есть разность между координатами максимумов абсолютных величин вейвлет-коэффициентов на (<7+1)-й и на д-й апертурах. После определения

множества (0|_|2 ) определяются признаки третьего подпространства согласно формулам (13Н16).

В четвертой главе обсуждается методика и результаты экспериментальных исследований, на основе которых разрабатываются метод синтеза решающих правил и структура модуля нечеткого вывода для автоматизированной системы диагностики психической напряженности.

Одной из основных задач, решаемых при проведении исследований, было моделирование исследуемого класса психических состояний с целью получения репрезентативных обучающих и контрольных выборок.

Класс «психическая напряженность» (класс со() моделировался с помощью нагрузочных тестов, содержащих трудные вербальные задачи, тест на исследование конформности и модифицированный набор тестов, нагружающих в монотонном режиме внимание человека.

Контроль состояния «психическая напряженность» осуществлялся группой высококвалифицированных экспертов с использованием результатов психологического тестирования и значений индексов функциональной напряженности по В.М. Баевскому. В качестве дополнительного индикатора психической напряженности использовались величины электрических характеристик биологически активных точек, связанных с эмоциональной сферой.

Состояние спокойного бодрствования (класс <оо) специально не моделировалось. Оно определялось опросом, параметрами систолического и диастолического давления и частотой сердечных сокращений.

Для ввода сигнала голоса в компьютер использовалась стерео гарнитура HN 928 с микрофоном чувствительностью 54 дБ, частотным диапазоном 20 Гц - 20 кГц, импедансом 2,2 кОм. Для оцифровки сигнала голоса использовалась плата L-761-84.

При синтезе модуля нечеткого вывода использовались двумерные функции принадлежности Ml„,i(Xl,Yl), M2„i(X2,Y2), M3„i(X3,Y3), по которым в фуззификаторе модуля нечеткого вывода определяются значения частных коэффициентов уверенности Kl,=MlBt(Xl,Yl), К2,=М2И1(Х2,У2), K3,=M3«i(X3,Y3) принадлежности i-ro объекта к классу <ol. Это оправдано тем, что двумерные функции принадлежности, во-первых, позволяют минимизировать структуру модуля нечеткого вывода, а во-вторых, позволяют использовать диалоговый режим вывода нечетких решающих правил, так как обеспечивают непосредственное наблюдение структуры классов в признаковом пространстве.

Экспериментальные исследования, проведенные нами, позволили получить двумерные полигоны для класса «психическая напряженность» в синтезированных двумерных подпространствах, которые представлены на рис.7.

Двумерные функции принадлежности к классу «психическая напряженность» определялись путем сплайн-интерполяции двумерных полигонов рис.7.

Величины отсчетов функций принадлежностей на этих рисунках кодируются уровнем яркости и соответствуют частным коэффициентам уверенности к классу ©i KS, где S=l, 2, 3 соответствует номеру признакового подпространства.

№1 Mz3

Рис.7. Двумерные полигоны для класса «психическая напряженность» по первому признаковому подпространству - слева, второму признаковому подпространству - в центре, третьему признаковому подпространству - справа (по осям координат указаны индексы отсчетов i и j признаков ХЗ, и Y3j)

На рис.8 показана функция принадлежности к классу '¿психическая напряженность» в третьем признаковом подпространстве, полученная путем сплайн-интерполяции двумерного полигона рис.7.

мз ,

Рис.8. Двумерная функция принадлежности к классу «психическая напряженность» в третьем признаковом подпространстве

Для решения задачи агрегирования частных коэффициентов уверенности по трем признаковым подпространствам нами разработан модуль нечеткого вывода. Отличительной особенностью представляемого модуля является то, что вместо базы правил {R(p)} типа

R(p): IF(Z- это Кр) THEN y=f<p,(Z), _ (17)

где Z=(Z1, Z2, Z3), Z1=(X1,Y1); Z2=(X2,Y2); Z3=(X3,Y3); Kp (p=l, 2,... n)-вектор частных коэффициентов уверенности решающего правила с номером р, в нем используется одно решающее правило типа

R: IF(Z- это К1) THEN y=f<"(Z) ELSE IF(Z это Л-2) THEN y=f®(Z)

ELSE IF.......ELSE y=fn,( Z). (18)

Условие (18) определяет иерархию частных решающих правил типа

IF(Z - это Кр) THEN y=f<p,(Z) и способ их агрегации.

Для синтеза частных решающих правил из общего иерархического условия (18) предлагается использовать интерактивный режим обучения, позволяющий строить кусочно-линейные разделяющие поверхности в трехмерном пространстве /С(К1, К2, КЗ) с учетом особенностей структуры исследуемых классов. При реализации интерактивного режима нами использовались пакеты прикладных программ, разработанные на кафедре биомедицинской инженерии КурскГТУ, и программы трехмерного визуального анализа данных пакета STATISTICA 6.0, позволяющие вращать трехмерные объекты наблюдения, изменять их перспективу, наблюдать их проекции на двумерные подпространства типа

w'^V^Kl +w'2pK2,

w%=*VC2 + (19)

где коэффициенты w",p определяют положение р-й разделяющей плоскости в

пространстве К, верхний индекс и соответствует номеру проекции разделяющей плоскости, а нижний индекс v - номеру координаты пространства К.

Такие манипуляции с объектами обучающей выборки позволяют инженеру по знаниям строить квазиоптимальные, с точки зрения геометрической структуры классов, разделяющие плоскости типа

H^w/pKl + W2pK2 + wj^JG. (20)

С учетом сложной (линейно неразделимой) структуры классов фон -психическая напряженность процедуру построения кусочно-линейной разделяющей поверхности будем осуществлять следующим образом.

Пользуясь инструментарием анализа структуры трехмерных образов, инженер по знаниям строит первую разделяющую плоскость таким образом, чтобы объекты, относящиеся к одному из двух разделяемых классов, с предельно большой заданной экспертами уверенностью располагались по одну сторону разделяющей плоскости, а все остальные - по другую сторону. Эта разделяющая плоскость определяет старшее по иерархии решающее правило первого уровня. Далее, отделенные разделяющей поверхностью первого уровня объекты исключаются из обучающей выборки соответствующего класса, и строится вторая разделяющая плоскость, отделяющая объекты исследуемых классов с максимальной или меньшей уверенностью, и т.д. Эта процедура повторяется либо до полного разделения классов, либо до некоторой, наперед заданной, величины минимально допустимой уверенности в принимаемом решении.

Структура модуля нечеткого вывода, реализующего полученные решающие правила, представлена на рис.9 и включает четыре слоя: LI, L2, L3, L4. В слое L1 - фуззификаторе - происходит размывание признакового пространства

д,

И5»

1 -Щь..

Успсвие

ёп

Успсвие 2

4-л

Условие 3

Л

£

Условие п-1

13

КУ,

КУ2

КУ3

► КУ .

кп^-

Iд

Рис.9. Структура модуля нечеткого вывода

посредством двумерных функций принадлежностей M1,„|(X1,YI), M2„i(X2,Y2), M3„i(X3,Y3) с получением координат трехмерного пространства (Kl, К2, КЗ). В слое L2 осуществляется реализация частных разделяющих плоскостей (20) между классами щ и «о

Слой L3 обеспечивает иерархический принцип проверки условий (18). Его структура такова, что при определенном состоянии на входе L1 может быть активизировано только одно из условий п-1. Это обеспечено тем, что при выполнении условия более высокой иерархии запрещается проверка условий более низкой иерархии.

Слой LА обеспечивает присутствие на выходе решающего модуля коэффициента уверенности отнесения тестируемого объекта к классу «психическая напряженность». Его модель может быть представлена в виде мультиплексора, на входах которого присутствуют п коэффициентов уверенности, соответствующие каждому из п-1 условий слоя L3.

Анализ качества работы полученных решающих правил на контрольных выборках показал, что при классификации фонового состояния (состояние спокойного бодрствования) у 70% тестируемых коэффициент уверенности превысил порог 0,95, а у 91% пациентов - 0,9. При классификации состояния психической напряженности пороговое значение 0,95 превысили 68% испытуемых, а порог 0,90- 92%. Общая уверенность искомой классификации превышает величину 0,9; что, по мнению экспертов, вполне приемлемо для практического применения и на 10-15% превосходит результаты бальной оценки по группам психологических тестов, а также на 15-25% выше результатов, полученных по блоку физиологических признаков, в качестве которых использовался индекс функциональных напряжений по P.M. Баевскому и параметры электрического сопротивления биологически активных точек, связанных с эмоциональной сферой.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Предлагаемая работа посвящена решению научных и практических задач, связанных с повышением оперативности и качества диагностики*" психических состояний человека путем разработки методов, алгоритмов и программно-технических средств, обеспечивающих управление процессами диагностики психической напряженности в условиях нечеткого представления исходных данных и диагностируемых классов.

В результате выполнения работы получены следующие основные результаты.

1. Сформировано пространство информативных признаков, выделяемых из сигнала голоса, позволяющее решать задачу классификации психической напряженности человека в условиях ограничений на аппаратуру, время.принятия решений и взаимодействия с испытуемым.

2. Разработаны способы и алгоритмы вычисления величин информативных признаков с использованием методов вейвлет-анализа

сегментов тестовых фраз сигнала голоса, учитывающие психомоторные, спектральные и модуляционные изменения речевого сигнала, происходящие по мере нарастания психической напряженности испытуемого.

3. Предложен метод синтеза решающих правил для диагностики психической напряженности в пространстве признаков, формируемых на основе анализа сигнала голоса, основанный на итерационном процессе отделения объектов из обучающей выборки, реализованном в интерактивном режиме; предложенный метод позволяет получить нечеткую нейроподобную модель принятия решений, работающую с заданным качеством при неполном и нечетком представлении исходных данных с пересекающейся структурой классов.

4. Разработана структура и алгоритм обучения нечеткого нейроподобного решающего модуля с использованием четырехслойной модели нечеткой нейронной сети с двумерными функциями принадлежности в фуззификаторе и иерархической структурой базы решающих правил в агрегаторе, что позволяет производить настройку на классификацию психической напряженности с уверенностью не хуже 0,9.

5. Разработанные модели, методы н алгоритмы и соответствующее программное обеспечение прошли экспериментальную проверку в НИИ Экологической безопасности Минздрава Российской Федерации и используются в учебном процессе кафедры Биомедицинской инженерии Курского государственного технического университета. Опытная эксплуатация показала их высокую диагностическую эффективность при оперативной и латентной диагностике и коррекции психических состояний, что подтверждено статистическими испытаниями, модельным экспериментом и экспертным оцениванием.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Брежнев, A.B. Способ идентификации психических состояний человека на основе вейвлет-преобразования сигнала голоса [ТекстJ/A.B. Брежнев, М.А. Ефремов, C.Ä. Филист//Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации: Сб. матер. 7-й Междунар. конф. «Распознавание -2005»/Курск. гос. техн. ун-т. Курск, 2005. С. 232-235.

2. Брежнев, A.B. Способ выделения сигнала тремора голосовых связок посредством анализа вейвлет-плоскости цифровых отсчетов сигнала голоса [Текст]/ A.B. Брежнев И Научно-технический сборник М.: ВУ РХБЗ, 2005; №2 (37). С. 30-36.

3. Брежнев, A.B. Обучение модуля нечеткого вывода для разнотипных признаковых пространств [Текст]/ A.B. Брежнев, A.A. Бурмака, С.А. Филнст // Россия и современный мир: проблемы и перспективы развития, «Апрельские чтения - 2005». Матер.науч.-практич.конф. М.: Международная академия бизнеса и управления, 2005. Часть 2. С. 140-144.

4. Брежнев, A.B. Модуль нечеткого вывода для разнотипных признаковых пространств [Текст]/ A.B. Брежнев, A.A. Бурмака // Научно-технический сборник. М.: ВУ РХБЗ, 2005. №2 (37).С. 64-67.

5. Брежнев, A.B. Диагностика функционального состояния человека по характеристикам голоса (Текст]/ A.B. Брежнев// Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации: Сб. матер. 7-й Межд. конф. «Распознавание - 2005»/ Курск, гос. техн. ун-т. Курск, 2005. С. 212-214.

6. Брежнев, A.B. Устройство для обработки символьной информации [Текст]/ A.B. Брежнев // Молодежь и XXI век: Тез.докл. XXXI вуз. науч.-техн. конфУКурск. гос. техн. ун-т. Курск, 2003. C.102-I06.

7. Брежнев, A.B. Алгоритм определения траектории движения мобильного робота [Текст]/ A.B. Брежнев, С.А. Мамонов//Вибрационные машины и технологии: Сб. науч. тр. /Курск, гос. техн. ун-т. Курск, 2001. С.421-424.

S. Брежнев, A.B. Новые информационные технологии при диагностике функциональных состояний операторов [Текст]/ A.B. Брежнев, RA Кореневский // Современные проблемы технического, естественнонаучного и гуманитарного знания: сб. матер. Регион, науч.-практич. конф.' /Белгор.гос.техн.ун-т. Губкин, 2005. С.225-226.

ИД №06430 ОТ 10.12.01Г.

Подписано в печать __2005. Формат 60x84 1/16

Печатных листов 1,0. Тираж 100 экз. Заказ (ЬI Курский государственный технический университет. Издательско-полиграфический центр Курского государственного технического университета. 305040, г. Курск, ул. 50 лет Октября, 94.

svii

*

s

I

I

»20879

РНБ Русский фонд

2006-4 17384

Введение

Глава 1. Методы и средства диагностики психических состояний

1.1 . Понятия и виды психических состояний человека

1.2. Методы и симптомокомплексы для тестирования 18 психологической напряженности

1.3. Анализ методов выделения информативных признаков при 23 решении задач диагностики и прогнозирования в биомедицинских приложениях

1.4. Анализ методов синтеза решающих правил в пространстве 33 информативных признаков

1.5. Способы и средства автоматизированного тестирования 44 психических состояний

1.6. Цель и задачи исследования

Глава 2. Синтез признаковых пространств из отсчетов сигнала голоса

2.1. Выбор информативных параметров для анализа ПН из 53 психомоторных показателей речи — синтез первого признакового подпространства

2.2. Выбор информативных параметров для анализа ПН на основе 58 спектрального анализа речевого сигнала - формирование второго признакового подпространства

2.3. Формирование третьего признакового подпространства

2.4. Выводы второй главы

Глава 3. Разработка способов и алгоритмов выделения информативных признаков из сигнала голоса

3.1 Разработка способов и алгоритмов разделение фразы на речь и 70 паузы

3.2 Выбор способа построения вейвлет-плоскости сигнала голоса

3.3 Разработка алгоритма выделения формантных частот на 76 вейвлет-плоскости сигнала голоса

3.4 Способ выделения информативных признаков для диагностики 89 ПН на основе анализа медленных процессов в сигнале голоса

3.5 Выводы третьей главы

Глава 4. Исследование модуля нечеткого вывода для диагностики состояния «психическая напряженность» по результатам анализа сигнала голоса

4.1 Методика и процедура проведения исследований

4.2 Формирование двумерных функций принадлежности к 104 классу «психическая напряженность» по признаковым подпространствам, синтезированным на основе параметров сигнала голоса

4.3 Синтез модуля нечеткого вывода в заданном признаковом пространстве

4.4 Обсуждение результатов исследования

4.5 Выводы четвертой главы 121 Заключение 123 Библиографический список

Актуальность работы. Профессиональная деятельность человека, участвующего в управлении сложными социальными и техническими системами часто протекает на фоне воздействия на него различных стресс -факторов, таких как осознание опасности последствия принимаемых решений при дефиците прагматической информации, продолжительность смены, отсутствие уединения и т.п. Влияние такого рода воздействий на лиц операторских профессий может приводить к снижению их работоспособности, нарушениям сна, трениям между членами смены (экипажа, команды), развитию высоких уровней эмоционального напряжения и утомления, что способствует росту ошибок деятельности, которые могут приводить не только к снижению количественных и качественных показателей работы человеко-машинных систем и комплексов, но иногда и к фатальным последствиям. Характер деятельности человека в этих условиях существенно определяет его психические состояния. Для обозначения психических состояний человека в трудных условиях ряд ведущих исследователей пользуется понятием психической напряженности (Н.Д. Левитов, Н.И. Наенко).

Это понятие играет также большую роль в качестве фактора риска в задачах прогнозирования и ранней диагностики различного типа заболеваний. Наличие этого фактора способствует развитию, помимо выраженных форм депрессий, различных типов заболеваний сердечно -сосудистой системы, желудочно-кишечного тракта, кожи и т.д. Кроме этих заболеваний выделяют обширную группу заболеваний с так называемыми скрытыми формами депрессивных состояний у лиц, которые формально считаются психически здоровыми и поэтому не проходят специального обследования (П.К. Анохин, А.Б. Леонова, В.И. Медведев).

Учитывая, что в структуры признакового описания состояния психической напряженности включаются различные по природе признаки (опрос, осмотр, данные инструментальных и лабораторных исследований), а окончательный диагноз получают в несколько этапов путем подтверждения или опровержения выдвигаемых прогностических и диагностических гипотез, целесообразно в качестве основного математического аппарата использовать теорию нечетких множеств, а используемые технические средства контроля состояния должны как можно меньше влиять на основную деятельность испытуемого. Последнее условие может быть выполнено, если в качестве источника информации о психической напряженности испытуемого использовать параметры его голоса.

Проведенные исследования показали, что, несмотря на важность контроля психических состояний, и особенно психической напряженности, существующие методы и средства решают эти задачи с недостаточной оперативностью и качеством в условиях реальных ограничений на время и стоимость принятия решений.

Актуальность решения поставленных задач определяется еще и тем, что качественное их решение обеспечивает: увеличение надежности операторской деятельности; снижение ошибок первого и второго рода; устранение «немотивированных» действий; планирование рациональных схем профилактики и лечения психосоматических заболеваний и т.д.

Работа выполнена в соответствие с научно-технической программой «Научные исследования высшей школы по приоритетным направлениям науки и техники», подпрограмма 204 «Технология живых систем» 2002-2004 гг. и в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий».

Цель работы. Разработка методов и средств повышения достоверности и оперативности дистанционной и латентной диагностики психической напряженности на основе вейвлет - анализа сигнала голоса и нечеткой логики принятия решений.

Для достижения поставленной цели необходимо решить следующие задачи:

- сформировать пространство информативных признаков, выделяемых из сигнала голоса, для диагностики психической напряженности человека;

- разработать способы и алгоритмы вычисления величин информативных признаков с использованием методов вейвлет -анализа;

- предложить метод синтеза решающих правил для диагностики психической напряженности в пространстве признаков, формируемых на основе сигнала голоса;

- разработать структуру и алгоритм обучения нечеткого нейроподобного решающего модуля на диагностику психической напряженности;

- провести апробацию предложенных методов и средств на репрезентативных контрольных выборках.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, цифровой фильтрации сигналов, спектрального анализа, математической статистики, теории нечетких нейронных сетей и распознавания образов, экспертного оценивания и принятия решений.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- способ вейвлет - анализа сигнала голоса, основанный на выделении значимой форманты на вейвлет - плоскости сегмента сигнала голоса и определении вариабельности ее частотных составляющих в пределах тестовой фразы, позволяющий построить признаковое подпространство для диагностики психической напряженности;

- способ выделения информативных признаков из сигнала голоса, отличающийся возможностью отслеживания вариаций координат значимой форманты на вейвлет - плоскости сегмента сигнала голоса, и позволяющий определить вариации частоты тремора мышц голосовых связок, модулирующего эту форманту;

- метод синтеза нечетких решающих правил, отличающийся использованием четырехслойной нейроподобной модели с двумерными функциями принадлежности на входе и иерархической структурой блока нечеткого вывода, позволяющий синтезировать решающие правила диагностики психической напряженности по параметрам сигнала голоса с заданной достоверностью;

- алгоритм обучения нечеткого решающего модуля, отличающийся использованием диалогового режима при построении итерационной обучающей процедуры в трехмерном пространстве признаков, позволяющий создавать базу решающих правил иерархической структуры.

Практическая значимость и результаты внедрения. Разработанные методы, способы и алгоритмы составили основу построения автоматизированной системы поддержки принятия решения по управлению процессами диагностики и коррекции психических состояний, практические испытания которой показали ее высокую диагностическую эффективность и приемлемое качество рекомендаций по определению психического состояния человека. Рекомендации системы могут использоваться для принятия решений о текущей работоспособности операторов информационно-насыщенных систем и о необходимости проведения возможных реабилитационных процедур.

Результаты работ внедрены в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению 200300 - «Биомедицинская инженерия» и используются при проведении научно-исследовательских работ в НИИ экологической безопасности Минздрава Российской Федерации.

Полученные результаты позволяют научно обосновать способы определения психической напряженности операторов человеко-машинных систем и проводить целенаправленную коррекцию их состояний.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях и семинарах: четвертой Международной научно-технической конференции «Медико-экологические информационные технологии» (Курск 2001), XXXI вузовской научно-технической конференции «Молодежь и XXI век» (Курск, 2003), 7-й Международной конференции «Оптико-электронные устройства в системах распознавания образов, обработки изображений и символьной информации» (Курск, 2005), научно-практической конференции «Россия и современный мир: проблемы и перспективы развития» (Москва, 2005), Региональной научно-практической конференции «Современные проблемы технического, естественно - научного и гуманитарного знания» (Губкин, 2005).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 8 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] автором предложена модель модуляции сигнала голоса тремором мышц голосовых связок, основанная на вейвлет - представлении сигнала голоса, в [3] соискателем разработана итерационная процедура отделения объектов в трехмерном признаковом пространстве, в [4] соискатель предложил четырехслойную модель модуля нечеткого вывода, реализующую иерархическую структуру решающих правил, в [7] автор исследовал алгоритмы не растрового сканирования изображений, в [8] соискателем предложена и обоснована процедура формирования информативных признаков из речевого сигнала.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы, включающего 139

4.5. Выводы четвертой главы

1. Проведенные экспериментальные исследования показали, что формирование обучающих и контрольных выборок для диагностики класса «психическая напряженность» необходимо вести на основе экспертной оценки комплексных показателей человека, характеризующихся результатами тестирования его вегетативной нервной системы, результатами психологического тестирования, а также результатами исследования энергетического состояния биоактивных точек.

2. Предложена четырехслойная структура нечеткого решающего модуля, включающая фуззификатор, построенный на основе двумерных функций принадлежности, и базу правил, полученную на основе диалогового алгоритма обучения, позволяющая агрегировать частные коэффициенты уверенности по признаковым подпространствам сигнала голоса с заданной точностью бинарной классификации.

3. Предложен способ синтеза двумерной функции принадлежности для бинарной классификации, включающий нормирование признаков в двумерном признаковом подпространстве или ограничение их фиксированным диапазоном, построением двумерного полигона для обучающей выборки, полученной для проверки нулевой гипотезы, и двумерной сплайн-интерполяцией данных в нормированном признаковом подпространстве.

4. Предложен алгоритм обучения нечеткого решающего модуля, отличающийся использованием диалогового режима при отделении объектов на плоскости, являющейся проекцией трехмерного признакового пространства на одну из ортогональных плоскостей, в результате работы которого создается иерархическая структура решающих правил, позволяющая отнести объект к классу «психическая напряженность» с заданной достоверностью.

5. Полученные решающие правила, использующие три группы признаковых подпространств, характеризующих параметры сигнала голоса, позволяют классифицировать состояние фона и психической напряженности с уверенностью не хуже 0,9.

ЗАКЛЮЧЕНИЕ

Предлагаемая работа посвящена решению научных и практических задач, связанных с повышением оперативности и качества диагностики психических состояний человека путем разработки методов, алгоритмов и программно-технических средств, обеспечивающих управление процессами диагностики психической напряженности в условиях нечеткого представления исходных данных и диагностируемых классов.

В результате выполнения работы получены следующие основные результаты.

1. Сформировано пространство информативных признаков, выделяемых из сигнала голоса, позволяющее решать задачу классификации психической напряженности человека в условиях ограничений на аппаратуру, время принятия решений и взаимодействия с испытуемым.

2. Разработаны способы и алгоритмы вычисления величин информативных признаков с использованием методов вейвлет - анализа сегментов тестовых фраз сигнала голоса, учитывающие психомоторные, спектральные и модуляционные изменения речевого сигнала, происходящие по мере нарастания психической напряженности испытуемого.

3. Предложен метод синтеза решающих правил для диагностики психической напряженности в пространстве признаков, формируемых на основе анализа сигнала голоса, основанный на итерационном процессе отделения объектов из обучающей выборки, реализованном в интерактивном режиме, позволяющий получить нечеткую нейроподобную модель принятия решений, работающую с заданным качеством при неполном и нечетком представлении исходных данных с пересекающейся структурой классов.

4. Разработана структура и алгоритм обучения нечеткого нейроподобного решающего модуля с использованием четырехслойной модели нечеткой нейронной сети с двумерными функциями принадлежности в фуззификаторе и иерархической структурой базы решающих правил в агрегаторе, позволяющий производить настройку на классификацию психической напряженности с уверенностью не хуже 0,9.

5. Разработанные модели, методы и алгоритмы и соответствующее программное обеспечение прошли экспериментальную проверку в НИИ Экологической безопасности Минздрава Российской Федерации и используются в учебном процессе кафедры Биомедицинской инженерии Курского государственного технического университета. Опытная эксплуатация показала их высокую диагностическую эффективность при оперативной и латентной диагностике и коррекции психических состояний, что подтверждено статистическими испытаниями, модельным экспериментом и экспертным оцениванием.

1. Аболин, Л.М. Психологические механизмы эмоциональной устойчивости человека Текст. / Л.М. Аболин. Казань, 1987.

2. Агранович, Е.С. Моделирование цветового климата в интерьере Текст./ Е.С. Агранович // Проблемы моделирования психической деятельности. Вып.2. Новосибирск, 1968. С. 447-448.

3. Александров, В.В. Анализ данных на ЭВМ Текст. / В.В. Александров, А.И. Алексеев, Н.Д. Горский. М.: Финансы и статистика. 1990.

4. Алешина, Е.С. Соотношение когнитивного стиля с индивидуальным стилем на основе анализа ориентировочных и исполнительных компонентов Текст. / Е.С. Алешина, О.С. Дейнека // Когнитивные стили. Таллин, 1986. С. 65-68.

5. Аминов, Н.А. Экспресс-диагностика аверсивных (страх гнев) состояний и формы межличностных конфликтов у младших школьников Текст. / Н.А. Аминов, И.С. Аверина // Диагностика и регуляция эмоциональных состояний. 4.1. М., 1990. С. 4-7.

6. Анастази, А. Психологическое тестирование Текст. / А. Анастази. Т.2. М., 1982.

7. Анохин, П.К. Очерки по физиологии функциональных систем. Текст. / П.К. Анохин. М.: Наука, 1972. 372 с.

8. Астафьева, Н.М. Вейвлет-анализ: основы теории и примеры применения Текст. / Н.М. Астафьева // УСПЕХИ ФИЗИЧЕСКИХ НАУК Том 166, №.11, 1996. С.1145-1170.

9. П.Баевский, P.M. Математический анализ сердечного ритма при стрессе Текст. / P.M. Баевский, О.И. Кирилов, С.З. Клецкин. М.: Наука, 1984.

10. Баевский, Р. М., Оценка адаптационных возможностей организма и риск развития заболеваний Текст. / P.M. Баевский, А.П. Берсенева. М.: Медицина, 1997. 235 с.

11. Баранов, В.В. Анализ предпосылок для создания технологии выявления террористов инструментальными методами Текст. / В.В. Баранов // Сенсор. №2, 2002. С.2-12.

12. Барсуков, А.П. Электронные версии зрения и слуха Текст. / А.П. Барсуков//Техника кино и телевидения, № 2, 2003.

13. Бегун, П.И. Биомеханика Текст. : Учебник для вузов / П.И. Бегун, Ю.А. Шукейло. СПб.: Политехника, 2000.483 с.

14. Бейтс, Р. Восстановление и реконструкция изображений Текст.: Пер. с англ. / Р. Бейтс, М. Мак-Доннелл. М.: Мир, 1989. 336 с.

15. Бендат, Дж. Измерение и анализ случайных процессов Текст.: Пер. с англ. / Дж. Бендат, А. Пирсол. М.: Мир, 1971. 408 с.

16. Блюм, Ф.Е. b -эндорфин. Локализация в клетке, электрофизиологические и поведенческие эффекты Текст. / Ф.Е. Блюм и др. //Эндорфины. М., 1981. С. 97-117.

17. Бурлачук, Л.Ф. Словарь-справочник по психологической диагностике Текст. / Л.Ф. Бурлачук, С.В. Морозов. Киев, 1989.

18. Василенко Г.И. Восстановление изображений Текст. / Г.И. Василенко, Д.М. Тароторин. М.: Радио и связь, 1986. 304 с.

19. Васильев, В.Н. Компьютерная обработка сигналов в приложении к интерферометрическим системам Текст. / В.Н. Васильев, И.П. Гуров. СПб.: БХВ — Санкт-Петербург, 1998. 240 с.

20. Волынкина, Г.Ю. Нейрофизиологическая структура эмоциональных состояний человека Текст. / Г.Ю. Волынкина, Н.Ф. Суворов. Л., 1981.

21. Воробьев, В.И. Теория и практика вейвлет-преобразования Текст. / В .И. Воробьев, В .Г. Грибунин. ВУС, 1999. 204 с

22. Гавриленко, О.Н. Параметр тревожности и цветопредпочтение Текст. / Под ред. А.А. Митькина // Проблема цвета в психологии. М., 1993. С. 144-150.

23. Галягин, Д.К. Адаптивные вейвлеты (Алгоритм спектрального анализа сигналов) Текст. / Д.К. Галягин, П.Г. Фрик. ММСП. Пермь: ПГТУ. 1996, №4.- С.20-28.

24. Гамезо, М.В. Атлас по психологии Текст. / М.В. Гамезо, И.А. Домашенко. М., 1986.

25. Ганзен, В.А. Системные описания в психологии Текст. / В.А. Ганзен. Л., 1984.

26. Ганзен, В.А. Системный подход к анализу, описанию и экспериментальному исследованию психических состояний человека Текст. /Под ред. Крылова А.А. // Психические состояния. Л., 1981.

27. Генкин, А.А. Прогнозирование психофизиологических состояний Текст. / А.А. Генкин, В.И. Медведев. Л., 1973.

28. Гимаров, В.А. Нейро-нечеткий метод классификации объектов с разнотипными признаками Текст. / В.А. Гимаров, М.И. Дли, С.Я. Битюцкий// Системы управления и информационные технологии. 2004, №4 (16). С.13-18.

29. Горбов, Ф.Д. Человек в технических системах Текст. / Ф.Д. Горбов, В.И. Лебедев // Вопросы философии. 1973. + 6.

30. Горелик, А.Л. Методы распознавания Текст. / А.Л. Горелик, В.А. Скрипкин. М.:Высшая школа. 1989.

31. Гутников, B.C. Фильтрация измерительных сигналов Текст. / B.C. Гутников. Л.: Энергоатомиздат. Ленингр. отд-ние, 1990. 192с.

32. Даджион, Д. Цифровая обработка многомерных сигналов Текст.: Пер. с англ. / Д. Даджион, Р. Мерсеро. М.: Мир, 1988.-488с.

33. Данилова, Н.Н. Физиология высшей нервной деятельности Текст. / Н.Н. Данилова, А.Л. Крылова. М., 1989.

34. Джемс, У. Психология Текст. / У. Джемс. М., 1991.

35. Дикая, Л.Г. Особенности регуляции функционального состояния оператора в процессе адаптации к особым условиям Текст. / Л.Г. Дикая // Психологические проблемы деятельности в особых условиях. М., 1985. С. 6390.

36. Дорофеева, Э.Т. О возможных критериях распознавания эмоциональных состояний Текст. / Э.Т. Дорофеева // Проблемы моделирования психической деятельности. Вып.2. Новосибирск, 1968. С. 279-280.

37. Доскин, В.А. Тест дифференцированной самооценки функционального состояния Текст. / В.А. Доскин, Н.А. и др. // Вопросы психологии. 1973. + 6. С. 141-145.

38. Дуда, Р. Распознавание образов и анализ сцен Текст. / Р.Дуда, Р. Харт. М.:Мир.1976.

39. Дюк, В. Обработка данных на ПК в примерах Текст. / В. Дюк. СПб: Питер, 1997. 240 с.

40. Елисеева, И.И. Логика прикладного статистического анализа Текст. / И.И. Елисеева, В.О. Рукавишников. Финансы и статистика, 1982. 192 с.

41. Еращенко, Н.А. Особенности динамики характеристик темпа речи больных депрессией эндогенной и психогенной природы: Функциональное состояние человека и методы его исследования. Текст. / Н.А. Еращенко, Д.Ю. Вельтищев. М.: Наука, 1992. 88 с.

42. Забродин, Ю.М. Исторический подход к исследованию психических состояний Текст. / Ю.М. Забродин // Диагностика и регуляция эмоциональных состояний. 4.2. М., 1990. С. 123-126.

43. Зейгарник, Б.В. Теория личности К. Левина Текст. / Б.В. Зейгарник. М., 1981.

44. Зинченко, Е.А. Метод экспертного визуального определения эмоциональных состояний рабочих на производстве Текст. / Е.А. Зинченко // Психол. Журн. 1983. Т.4. + 2. С. 59-63.

45. Зозуля, Т.В. К проблеме распространенности и выявляемое™ психических расстройств Текст. / Т.В. Зозуля, В.Г. Ротштейн, А.Н. Сулицкий // Журнал неврологии и психиатрии, 1994, т.94, №4, С. 99.

46. Иберла, К. Факторный анализ Текст. / К. Иберла. Пер. с нем. В.М.Ивановой; Предисл. A.M.Дуброва. М.: Статистика, 1980. 398 с.

47. Ильин, Е.П. Общность механизмов развития состояний монотонии и психического пресыщения при разных видах деятельности Текст. / Е.П. Ильин // Психические состояния. Л., 1980. С. 43-50.

48. Ильин, Е.П. Теория функциональной системы и психофизиологические состояния Текст. / под ред. Б.Ф. Ломова // Теория функциональных систем в физиологии и психологии. М., 1978. С. 325-347.

49. Ильина, М.Н. Монотонность труда оператора-аудитора и эффективность его деятельности в зависимости от силы нервной системы Текст. / М.Н. Ильина // Психические состояния. Л., 1980. С. 56-61.

50. Исаксон, А. Машинный анализ ЭЭГ сигналов с использованием параметрических моделей Текст. / А. Исаксон, А. Веннберг, А.Х. Зеттенберг // ТИИЭР. Т.69. №4.1986. С.55-68.

51. Искусственный интеллект Текст. В 3-х кн. Кн.2. Модели и методы: справочник /Под ред. Д.А.Поспелова М.:Радио и связь,1990. 304 с.

52. Калинцев, Ю.К. Разборчивость речи в цифровых вокодерах Текст. / Ю.К. Калинцев. М: Радио и связь, 1991. 218 с.

53. Кенделл, М.Дж. Многомерный статистический анализ Текст. / М.Дж. Кенделл, А. Стьюарт. М.:Наука. 1976.

54. Киршбаум, Э.И. Психические состояния Текст. / Э.И. Киршбаум, А.И. Еремеева. Владивосток, Изд-во ДВГУ, 1990.

55. Китаев-Смык, JI.A. Психология стресса Текст. / JI.A. Китаев-Смык. М., 1983.

56. Колоколов, А.С. Предварительная обработка и сегментация речевого сигнала в частотной области для распознавания речи Текст. / А.С. Колоколов // Автоматика и телемеханика, №6, 2003. С.152-162.

57. Кореневский, Н.А. Параметрический анализ степени синхронности случайных процессов Текст. / Н.А. Кореневский // Изв. ВУЗов. Приборостроение. Т.30. №8. 1987.

58. Кочетков, В.В. Индивидуально-психологические проблемы принятия решения Текст. / В.В. Кочетков. М., 1993.

59. Куликов, JI.B. Психологическое исследование Текст. / Л.В.Куликов. СПб., 1995.

60. Купалов, П.С. Механизм замыкания временной связи в норме и патологии Текст. / П.С. Купалов. М., 1978.

61. Курбатова, Т.Н. Структурный анализ агрессии Текст. / Т.Н. Курбатова // Б.Г. Ананьев и ленинградская школа в развитии современной психологии. СПб., 1995. С. 27-28.

62. Кэнал, JI. Обзор систем для анализа структуры образов и разработки алгоритмов классификации в режиме диалога Текст. / Л. Кэнал // Распознавание образов при помощи ЦВМ.-М.:Мир.1974.

63. Левитов, Н.Д. О психических состояниях человека Текст. / Н.Д. Левитов. М., 1964.

64. Левитов, Н.Д. Психология характера Текст. / Н.Д. Левитов. М.,1969.

65. Леонова, А.Б. Функциональные состояния человека в трудовой деятельности Текст. / А.Б. Леонова, И.В. Медведев. М.: МГУ, 1981.

66. Либих, С.С. Информация как средство изменения психических состояний Текст. / С.С. Либих, Т.С. Давыдова // Психические состояния. Л., 1980. С. 106-113.

67. Линдели, Д. Субъективные состояния Текст. / Д. Линдели // Человек в длительном космическом полете. М., 1974. Гл.VII.

68. Ломов, Б.Ф. Методологические и теоретические проблемы психологии Текст. / Б.Ф. Ломов. М., 1984.

69. Лукьянов, А.Н. Сигналы состояния человека-оператора Текст. / А.Н. Лукьянов, М.В. Фролов. М., 1969.

70. Люшер, М. Сигналы личности: ролевые игры и их мотивы. Текст. / М.Люшер. Воронеж, 1993.

71. Макс, Ж. Методы и техника обработки сигналов при физических измерениях Текст. / Ж. Макс. В 2-х томах. Пер. с франц. М.: Мир, 1983, -т.2. 256 с.

72. Максименко, Ю.Б. Диагностика эмоциональных и когнитивных компонентов в структуре психического образа Текст. / Ю.Б. Максименко, А.И. Бондаренко // Диагностика и регуляция эмоциональных состояний. 4.1. М., 1990. С. 54-57.

73. Марпл.-мл., С.Л. Цифровой спектральный анализ и его приложения Текст.: Пер. с англ. / С.Л. Марпл.-мл. М.: Мир, 1990.- 584 с.

74. Марр, Д. Зрение. Информационный подход к изучению представление и обработки зрительных образов Текст.: Пер. с англ. / Д. Марр. М.:Радио и связь, 1987.- 400 с.

75. Математическая обработка результатов исследований в медицине, биологии и экологии: Монография Текст. / С.А. Воробьев, А.А. Яшин, Под ред. А.А. Яшина. Тула: ТулГУ, 1999. 120 с.

76. Махнач, А.В. Компонентный анализ психического состояния человека в особых условиях деятельности Текст. / А.В. Махнач // Психол. журн. 1991. Т.12. С. 55-65.

77. Махнач, А.В. Факторный анализ как метод оценки взаимовлияния черт личности и психического состояния Текст. / А.В. Махнач // Методики диагностики психических состояний и анализа деятельности человека. М., 1994. С. 100-119.

78. Мельников, В.М. Введение в экспериментальную психологию личности Текст. / В.М. Мельников, JI.T. Ямпольский. М., 1985.

79. Месаревич, М. Общая теория систем: математические основы Текст.: Пер. с англ. / Под ред. С.В. Емельянова М.: Мир, 1978. 311 с.

80. Микрокомпьютеры в физиологии Текст.: Пер. с англ. / Под ред. П. Дрейзера. М.: Мир, 1990, 383с.

81. Наенко, Н.И. Психическая напряжённость Текст. / Н.И. Наенко. М., Изд-во МГУ, 1976.

82. Немчин, Т.А. Состояния нервно-психического напряжения Текст. / Т.А. Немчин. JL, 1983.

83. Нечеткие модели для экспертных систем САПР Текст. / Н.Г. Боженюк, Н.Г. Малышев и др. М.: Энегроатомиздат, 1991. 136 с.

84. Никонов, А.В. К проблеме экспертной диагностики эмоционального состояния говорящего по акустическим характеристикам речевого сигнала: Возможности судебной видеофонографической экспертизы Текст. / А.В. Никонов. М.: ВНИИСЭ, 1989. С. 12

85. Носенко, Э.Л. Особенности речи в состоянии эмоциональной напряженности Текст. / Э.Л. Носенко. Днепропетровск, 1975.

86. Основы проектирования автоматизированных систем анализа медико-биологических сигналов Текст. / В.В.Губанов, Л.В. Ракитская, С.А. Филист. ГУИПП «Курск». Курск. 1997. 134 с.

87. Парачев, A.M. О структуре состояния Текст. / Под ред. Б.Ф. Ломова // Проблемы инженерной психологии: Тезисы VI всесоюзной конференции по инженерной психологии. Вып.2. Л., 1984. С. 209-210.

88. Плис, А.И. Mathcad 2000. Математический практикум для экономистов и инженеров: Учеб. пособие Текст. / А.И. Плис, Н.А. Сливина. М.: Финансы и статистика, 2000. 656 с.

89. Прэтт, У. Цифровая обработка изображений Текст. / У. Прэтт. М.: Мир, 1982.- в 2-х кн.: кн.1 312 е., кн.2- 480 с.

90. Психологические тесты Текст. / Под ред. Э.Р. Ахмеджанова. М.,1995.

91. Психологический словарь Текст. / Под ред. В.В. Давыдова, А.В. Запорожца, Б.Ф. Ломова и др.; НИИ общей и педагогической психологии Акад. пед. Наук СССР. М.: Педагогика, 1983. С. 175.

92. Психология. Словарь / Под общ.ред. А.В.Петровского, М.Г. Ярошевского. М., 1990. С.340.

93. Радиотехнические цепи и сигналы: Учеб. пособие для вузов Текст. / Д.В.Васильев, М.Р.Витоль, Ю.И.Горшенков и др.; Под ред. К.А. Самойло.-М.: Радио и связь, 1982. 528 с.

94. Распознавание образов: состояние и перспективы Текст.: Пер. с англ. / К. Верхоген и др. М.: Радио и связь, 1985. 104с.

95. Растригин, Л.А. Метод коллективного распознавания Текст. / Л.А. Растригин, Р.Х. Эренштейн. М.: Энергоиздат, 1981. 80 с.

96. Реан, А.А. Агрессия и агрессивность личности Текст. / А.А. Реан. СПб., 1996.

97. Рутковская, Д. Нейронные сети, генетические алгоритмы инечеткие системы Текст. / Д. Рутковская, М. Пилиньский, JI. Рутковский.

98. Пер. с польск. И.Д. Рудинского.- М.: Горячая линия Телеком, 2004. 452с.

99. ЮЗ.Руденко, В.Е. Цвет эмоции - личность Текст. / В.Е. Руденко // Диагностика психических состояний в норме и патологии. Д., 1980.

100. Селье, Г. Стресс без дистресса Текст. / Г. Селье. М., 1979.

101. Симонов, П.В. Человек в условиях экологического и социального стресса Текст. / П.В. Симонов. Вестник РАН, т.53, №1, 1993. С.27.

102. Собчик, JI.H. Стандартизированный многофакторный опросник исследования личности Текст. / JI.H. Собчик. М., 1990.

103. Соколова, Е.Т. Проективные методы исследования личности Текст. / Е.Т. Соколова. М., 1980.

104. Сопряжение датчиков и устройств ввода данных с компьютерами IBM PC Текст.: Пер. с англ. / Под ред. У. Томкинса, Дж. Уэбстера. М.: Мир, 1992.-592 с.

105. Сосновикова, Ю.Е. Психические состояния человека, их классификация и диагностика Текст. / Ю.Е. Сосновикова. Горький, 1975.

106. Справочник по прикладной статистике Текст. В 2-х Т.2.: Пер. с англ. / Под ред. Э.Ллойда и др. М.: Финансы и статистика, 1990. 526 с.

107. Суходольский, Г.В. Основы математической статистики для психологов Текст. / Г.В. Суходольский. Л., 1972.

108. Суходольский, Г.В. Основы психологической теории деятельности Текст. / Г.В. Суходольский. Л., 1988.

109. Тюрин, Ю.Н. Статистический анализ данных на компьютере Текст. / Под ред. В.Э. Фигурнова. М.: ИНФА М, 1998. 528 с.

110. Пб.Тьюки, Дж. Анализ результатов наблюдений. Разведочный анализ Текст. / Дж. Тьюки. М.: Мир. 1981.

111. Уотерман, Р.Д. Построение экспертных систем Текст.: Пер. с англ. / Р.Д. Уотерман, Д. Ленат, Ф. Хойсе-Рот. М.:Мир. 1987.

112. Факторный, дискриминантный и кластерный анализ Текст. / М.: Финансы и статистика. 1989. 323 с.

113. Филиппов, А.В. Ситуация как элемент психологического тезауруса Текст. / А.В. Филиппов, С.В. Ковалев // Психол. журн. 1986. Т.7. + 1. С. 1421.

114. Филист, С.А. Метод спектрального анализа биомедицинских сигналов Текст. / С.А. Филист, С.Ю. Багликов, Е.А. Юдина // "Сборник материалов 2-й Международной конференции «РАСПОЗНАБАНИЕ-95» КУРСК, 1995.С.93.

115. Фомин, А.А. Статистическая теория распознавания образов Текст. / А.А. Фомин, Г.Р. Тарловский. М.: Радио и связь. 1986.

116. Фролов, М.В. Бесконтактный контроль состояния: опыт практического использования Текст. / М.В. Фролов // Журнал высшей нервной деятельности, 1992, т.42, вып.З, с.419.

117. Фролов, М.В. Анализ депрессивных состояний с помощью темпоральных характеристик речи Текст. / М.В. Фролов, И.В. Кориневская, JI.A Потулова // Физиология человека, 1994, т.45, №2. С.251.

118. Фролов, М.В. Распределение пауз в речевом потоке у здоровых лиц и при пароксизмальных расстройствах Текст. / М.В. Фролов, И.В. Кориневская, О.В. Воробьева // Физиология человека, 2004, т.30, №1, с.132-134

119. Фролов, М.В. Диагностика функциональных и депрессивных состояний по характеристикам интонации и временного потока речи Текст. / М.В. Фролов и др. // Биомедицинские технологии и радиоэлектроника №12, 2004. С.8-16.

120. Харман, Г. Современный факторный анализ Текст. / Г. Харман. М., 1972.

121. Хартли, О.Г. Многомерный дискриминационный анализ Текст. / Под. ред. И.С. Енюкова // Факторный, дискриминантный и кластерный анализ. Пер. с англ. М.: Финансы и статистика. 1989. С. 98-122.

122. Хемминг, Р.В. Цифровые фильтры Текст.: Пер. с англ. / Ред. пер. О.А.Потапов. М.: Наука, 1987. 211с.

123. Чэн, Ш.-К. Принципы проектирования систем визуальной информации Текст.: Пер. с англ. / Ш.-К. Чэн. М.: Мир, 1994. 480 с.

124. Чепа, H.-JI.A. Энергоинформационная структура психофизиологического состояния человека—оператора Текст./ H.-JI.A. Чепа // Проблемы инженерной психологии: Тезисы VI всесоюзной конференции по инженерной психологии. Вып.2. Л., 1984. С. 234-235.

125. Экспертные системы Текст.: Пер. с англ. / Под ред. Р.Форсайта. М.: Радио и связь. 1986.

126. Юрьев, А.И. Системное описание психических состояний, возникающих в процессе восприятия информации Текст. / А.И. Юрьев, В.А. Ганзен//Вестн. Ленингр. ун-та. 1987. Сер.6. Вып.1. С. 50-59.

127. Яворская, Г.Х. Эмоциональный настрой как фактор профессиональной готовности Текст. / Г.Х. Яворская // Диагностика и регуляция эмоциональный состояний. Т.2. М., 1990. С. 120-122.

128. Якунин, В.А. О связи психических состояний и свойств личности Текст. / Под ред. А.А. Крылова // Психические состояния. Л., 1980. С. 17-23.

129. Яншин, В.В. Обработка изображений на языке СИ для IBM PC: Алгоритмы и программы Текст. / В.В. Яншин, Г.А. Калинин. М.:Мир, 1994.-241с.

130. Ярославский, Л.П. Введление в цифровую обработку изображений Текст. / Л.П. Ярославский. М.: Сов.Радио, 1979.

131. Routtenberg, A. The two-arousal hypothesis reticular formation and limbic systemTeKCT. / A. Routtenberg// Psychol. Rev. 1968. Vol. 75. +1. P. 51-63.

132. Wallnwffer, H. Stress und autogenes Training Текст. / H. Wallnwffer // Therapiewoche. 1976. +26.

133. Watson, D. Toward a consensual structure of mood Текст. / D. Watson, A. Tellegen // Psychol. Bull. 1985. Vol.98. +2. P. 219-235.