информационный портал по вопросам биомедицинской инженерии

Сейчас на сайте 0 пользователей и 0 гостей.

Вход в систему

аватар: саиф мохаммед гамиль
Способ компьютерной диагностики болезни
паркинсона

 
Ю. Н. Кликушин, В. Ю. Кобенко, А. А. Гошенков

Введение

Задача объективного оценивания состояния здоровья человека с
использованием аппаратно-программных (компьютерных) средств является весьма актуальной. При построении компьютерных систем диагностики все чаще стали использоваться новые информационные технологии (нейронные сети [1], вейвлет-анализ [2,3], нечеткие модели [4,5], фракталы [6-8]) распознавания образов. По сравнению с классическим подходом, основанным на методах теории вероятности, эти технологии обеспечивают (при правильном методическом обеспечении процедур анализа сигналов) более высокое качество принятия решений.Однако, на практике, чаще всего применяется такая технология анализа данных, которая компилирует вероятностные и информационные методы.Характерным примером в этом отношении является работа [9], в которой описана технология автоматического распознавания корреляционных функций сигналов ЭЭГ, применительно к диагностике болезни Паркинсона.Подтверждая теоретическую обоснованность полученных в этой работе результатов и их ценность для практики построения автоматических диагностических систем, авторы данной статьи, тем не менее, предлагают собственный способ диагностики, основанный на идеях и методах теории идентификационных измерений, систематически изложенной в монографиях [10, 11] и кратко представленной, например, в ряде статьей [12-14].Цель данной работы – описать идентификационный способ
автоматического распознавания корреляционных функций сигналов ЭЭГ,применительно к диагностике болезни Паркинсона. Это необходимо для того, чтобы заинтересованные специалисты могли оценить возможные перспективы применения предлагаемого способа в решении и других задач медицинской диагностики.
Методика и инструменты исследования
Для лучшего понимания последующих рассуждений, примем постановку
задачи исследования, принятой в работе [9]. При этом записи ЭЭГ
рассматриваются как случайные шумы электрического потенциала работы
головного мозга. В качестве информативных источников используются
корреляционные функции сигналов ЭЭГ, параметры которых и служат
оценками для формирования диагностических решений.
Наше предложение сводится к тому, чтобы, во-первых, рассматривать
корреляционные функции как сигналы и, во-вторых, измерять в этих сигналах
относительное содержание регулярной (или хаотической) компоненты.
Показатель, количественно оценивающий свойство регулярности-хаотичности,
в дальнейшем будем называть степенью регулярности («Regul») с диапазоном
от 0 до 1. Если Regul = 0, сигнал полностью хаотический (случайный). Если
Regul = 1, сигнал полностью регулярный (не случайный). Понятие «регулярный
сигнал» в данном случае включает, как частный случай, строго периодические
сигналы.
В основе предлагаемого способа диагностики лежит гипотеза о том, что
предельные, качественные («абсолютно здоров» и «абсолютно болен»)
состояния объектов диагностики отображаются предельными значениями
степени регулярности-хаотичности и, соответственно, должны находиться на
противоположных концах шкалы 0≤Regul≤1. Другими словами, желательно
проверить, имеет ли болезнь Паркинсона шкалу проявлений, коррелирующую
со шкалой типа «Regul».
Идея предлагаемого способа состоит в том, чтобы равномерно и
случайным образом (и без повторений) перемешать индексы всех отсчетов
идентифицируемой корреляционной функции, превратив ее, тем самым, в
подобие случайного сигнала. При таком алгоритме случайная реплика
сохраняет значения всех отсчетов, форму и параметры распределения исходной
корреляционной функции. Но особенно важно то, что при таком
преобразовании изменяется важнейший идентификационный параметр сигнала
– характеристическая частота.
В отличие от классической теории сигналов [15], идентификационная
теория вводит понятие характеристической частоты, как частости появления
экстремальных значений сигнала за время наблюдения. Это дает возможность
оценивать частоту любых сигналов, в том числе случайных.
Физический смысл понятия «характеристическая частота» состоит в том,
что для периодических сигналов ее значение совпадает с реальной, физической
частотой. Для случайных сигналов характеристическая частота (Fc) связана с
их формой распределения в соответствие с данными работы [13]. В табл. 1, для
случайных сигналов с симметричными распределениями: двумодальным
(2mod), арксинусным (asin), равномерным (even), трапецеидальным (trap),
треугольным (simp), нормальным (gaus), двусторонним экспоненциальным
(lapl) и Коши (kosh), даны оценки основных идентификационных показателей –
параметра формы (А) и характеристической частоты (Fc).

В строке «Аналог» указаны имена периодических сигналов единичной
частоты (F = 1) прямоугольной (squ), синусоидальной (sin), косинусоидальной
(cos), треугольной (tri) и пилообразной формы (saw), имеющих такие же
значения параметра формы, как и у случайных сигналов с двумодальным (A2mod
= Asqu), арксинусным (Aasin = Asin = Acos) и равномерным (Aeven = Atri = Asaw)
распределениями.
Выводы
Таким образом, результаты проведенных исследований, во-первых,
подтверждают возможность использования предлагаемого способа для решения
задачи диагностики болезни Паркинсона. Во-вторых, показано, что измерение
идентификационных параметров корреляционных функций ЭЭГ, позволяет
классифицировать состояния пациентов с упорядочиванием степени развития
болезни. В-третьих, описанный алгоритм учитывает взаимосвязь
идентификационных параметров (степени регулярности и разрешения), что
повышает надежность принятия диагностических решений. Что касается
статистической устойчивости предлагаемого способа диагностики, то этот
вопрос требует дополнительных исследований с использованием более
представительных выборок.
Литература
1. Куравский Л.С. Нейросетевая технология выявления аномалий
электроэнцефалограмм // В кн. «Экспериментальная психология в России:
Традиции и перспективы», под ред. В.А. Боровницкого - М.: Изд-во «Институт
психологии РАН», 2010, с.111-117.
2. Ламброу Т., Линней А., Спеллер Р. Применение вейвлет-
преобразования к обработке медицинских сигналов и изображений.//
Компьютерра, №8, 1998, с.50.
3. Туровский Я.А., Мишин В.В., Битюцкая Л.А. и др. Вейвлетный анализ
временных рядов вариабельности сердечного ритма//Известия вузов.
Прикладная нелинейная динамика. – М.: 2002, Т. 10, №6, с. 16-23.
4. Карповский Е.Я., Бажора Ю.И., Карповская-Скорик Е.Е. Нечеткий
классификатор для существенно малых выборок в задачах диагностики
заболеваний// Материалы МНТК “Нечеткая логика, интеллектуальные системы.
и технологии” – Владимир, ВЛГУ, 1998, с. 16-18.
5. Горелова Н.А., Хрусталева Е.В. Пример использования «нечетких»
6. Анищенко В.С., Постнов Д.Э. Самоорганизация в хаосе. Новый метод
экспериментальной диагностики. Письма в ЖТФ, 1990, т. 16, вып. 5, с. 28-32.
7. Меклер А.А. Применение аппарата нелинейного анализа
динамических систем для обработки сигналов ЭЭГ // Вестник новых
информационных технологий. – М.: 2007. Т. 14, № 1, с. 73-77.
8. Семенова Н.Ю., Захаров В.С. Анализ корреляционной размерности
данных ЭЭГ при эпилепсии у детей // Нелинейный мир. – М.: 2010, № 3, с. 180-
188.
9. Григорьев Ф.Н., Кузнецов Н.А. Задача распознавания образов для
диагностики болезни Паркинсона по данным ЭЭГ // Интернет-публикация.
http://jre.cplire.ru/jre/jan12/8/text.html
10.Кликушин Ю.Н., Кошеков К.Т. Методы и средства
идентификационных измерений сигналов: Монография. - Петропавловск: Изд-
во СКГУ им. М.Козыбаева, 2007. -186 с.
11.Кликушин Ю.Н. Идентификационные инструменты анализа и синтеза
формы сигналов: Монография. - Омск: Изд-во ОмГТУ, 2010. – 216 с.
12.Кликушин, Ю.Н. Количественная оценка свойств «регулярности-
хаотичности» сигналов [Электронный ресурс] / Ю. Н. Кликушин // Журнал
Радиоэлектроники - М.: Изд-во ИРЭ РАН. – 2006. – № 4. – Режим доступа:
http://jre.cplire.ru.
13. Горшенков А.А., Кликушин Ю.Н. Представление моделей сигналов в
системе идентификационных параметров// Интернет-статья. - М.: Журнал
Радиоэлектроники, Изд-во ИРЭ РАН, № 9 (сентябрь), 2010 г. - http://jre.cplire.ru.
14. Горшенков А.А., Кликушин Ю.Н. Методы оценки хаоса сигналов//
Измерение, информатизация, моделирование: проблемы и перспективы
технологий, разработки и применения. - Ползуновский Вестник. - Барнаул, Изд-
во АлтГТУ, №3(1), 2011, с.30-33.
15.Гоноровский И.С. Радиотехнические цепи и сигналы. – М.: Советское
радио, 1977.

Комментарии

Отправить комментарий

Содержание этого поля является приватным и не предназначено к показу.
  • Доступны HTML теги: <a> <em> <strong> <cite> <code> <ul> <ol> <li> <dl> <dt> <dd> <img> <table> <td> <tr> <hr> <div> <span> <h1> <h2> <h3> <h4> <h5> <h6> <p> <pre> <adress> <center>
  • Строки и параграфы переносятся автоматически.

Подробнее о форматировании

18 + 2 =
Решите эту простую математическую задачу и введите результат. Например, для 1+3, введите 4.

Комментарии