авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ

Pages:   || 2 | 3 |

Разработка метода и алгоритмов автоматического распознавания стадий сна и построения гипнограммы

-- [ Страница 1 ] --

На правах рукописи

Захаров Евгений Сергеевич

Разработка метода и алгоритмов автоматического

распознавания стадий сна и построения гипнограммы

05.13.17 – Теоретическая информатика

05.11.17 – Приборы, системы и изделия медицинского назначения

Автореферат на соискание ученой степени кандидата технических наук

Таганрог – 2008

Работа выполнена на кафедре «Математического обеспечения и применения ЭВМ» Технологического института Южного федерального университета в г.Таганроге.

Научный руководитель:

заведующий кафедрой МОП ЭВМ,

доктор технических наук, профессор

Кравченко Павел Павлович

Официальные оппоненты:

заведующий кафедрой информатики ТГПИ,

доктор технических наук, профессор

Ромм Яков Евсеевич;

заведующий отделом ЗАО ОКБ "Ритм",

кандидат технических наук

Черчаго Александр Яковлевич

Ведущая организация:

Южный научный центр РАН, г. Ростов-на-Дону.

Защита диссертации состоится «__» ____ 2008 г. в __:__ на заседании диссертационного совета Д212.208.21 при Южном федеральном университете по адресу: 347928, Таганрог, пер. Некрасовский, 44, ауд. Д-406.

С диссертацией можно ознакомиться в Зональной научной библиотеке Южного федерального университета по адресу: 344000, Ростов-на-Дону, ул. Пушкинская, 148.

Автореферат разослан «__» _________ 2008 г.

Ученый секретарь

диссертационного совета Д212.208.21,

доктор технических наук, профессор Н.И. Чернов

Общая характеристика работы

Актуальность проблемы. Современное состояние вычислительной техники и микропроцессорных технологий позволяет применять диагностическое оборудование, способное регистрировать и обрабатывать широкий спектр физиологических показателей на протяжённых промежутках времени. Это, в свою очередь, предоставляет специалистам возможность детально исследовать жизнедеятельность организма человека в различных состояниях: в процессе выполнения специфической деятельности, при воздействии на организм всевозможных нагрузок, в процессе сна. Результатом таких исследований являются длительные записи физиологических сигналов, которые необходимо обрабатывать – выявлять специфические признаки и осуществлять с их помощью классификацию различных сегментов исходной записи сигналов по определённым критериям. Одной из актуальных и интересных с научной и практической точки зрения задач в этой области является задача распознавания стадий сна и построения гипнограммы.

В настоящее время данная задача в большинстве случаев решается специалистами вручную путём длительной визуальной обработки многочасовых записей динамики изменений физиологических показателей (исследований). Такой анализ является с одной стороны трудоёмким и длительным, а с другой – субъективным. Исследования показывают, что у различных экспертов совпадение гипнограмм может составлять от 67% до 91%, в частности, сравнение построенных вручную гипнограмм для двух здоровых взрослых испытуемых в десяти лабораториях в Японии выявило их совпадение между собой лишь на 67-75,3%. Введение автоматизации процесса построения гипнограммы позволяет сэкономить большой объём рабочего времени, упростить работу специалистов в области исследования сна и сопутствующих ему процессов и явлений.





Изучение и автоматизация процесса распознавания стадий сна и построения гипнограммы - одна из современных проблем, стоящих на пути внедрения вычислительной техники в процесс обработки полисомнологических исследований. Данной теме был посвящён ряд работ: Гийяр Ж.М., Тиссо Р. 1973; Мартин В.Б., Джонсон Л.С. 1972; Кувахара Х. 1988; Станус Е., Лакруа Б. 1987; Каплан А.Я 1999; Хайджонг П. 2000; Агарвал Р, Готман Д. 2001; Дорошенков Л.Г. 2007. Тем не менее, данная задача еще недостаточно проработна, и в рамках неё существует ряд ограничений и проблем, которые не позволяют говорить о полноценной применимости предложенных подходов.

Задача автоматизации процесса построения гипнограммы связана с рядом проблем. Стандарты и рекомендации, которыми руководствуются врачи, ориентированы, в первую очередь, на визуальный анализ и интерпретацию исходных данных, что приводит к неоднозначности их представления в виде математической модели. Длительность регистрации большого числа физиологических показателей приводит к получению больших объемов данных, что до недавнего времени являлось сдерживающим фактором на пути успешной автоматизации процесса обработки этих данных. В настоящее время прогресс в области компьютерных технологий позволяет манипулировать такими объёмами данных, однако ограничения по применимости стандарта по-прежнему являются сдерживающим фактором на пути эффективного решения данной проблемы.

В большинстве случаев для решения поставленной задачи использовались нейронные сети, что позволяло достичь практически значимой достоверности, однако процессы обучения и переобучения связаны с высокой вычислительной трудоёмкостью, а дообучение на основе новых статистических данных приводит к существенному снижению чувствительности к данным предыстории. В современной литературе присутствует информация об использовании скрытых сетей Маркова для построения гипнограммы, что также позволяет достичь сравнительно высокой достоверности в целом, однако не даёт равномерного по достоверности распознавания всех стадий сна в отдельности при низких вероятностях проявления отдельных стадий сна и переходов между стадиями в гипнограмме.

Необходимо отметить, что под достоверностью распознавания подразумевается процентное соотношение (или в пределах ) суммарной длительности участков записи, для которых стадия сна, определённая экспертом, совпала со стадией сна, определённой автоматически, ко всей длительности записи.

Обобщение современных научных и практических результатов в области автоматизации процесса распознавания стадий сна и построения гипнограммы позволяет выделить следующие основные требования к решению данной задачи:

– высокая степень достоверности автоматического построения гипнограммы в целом, равномерность уровня достоверности по стадиям сна при сравнении с гипнограммой, построенной экспертом;

– возможность адаптации алгоритма под различные классификации стадий сна и правила построения гипнограммы;

– применимость алгоритма к данным различных групп пациентов (например, физиологические паттерны сна у различных возрастных категорий испытуемых могут существенно отличаться; в частности, у грудных детей, как правило, выделяют не пять, а всего две стадии сна);

– возможность обучения на статистических данных с возможностью дообучения по мере получения новых данных;

– низкие требования к вычислительным ресурсам и, как следствие, возможность функционирования в реальном времени (в настоящее время рядом исследовательских организаций прорабатывается возможность создания автономного прибора мониторинга сна);

– информационное обеспечение автоматизации распознавания стадий сна и построения гипнограммы для эффективной работы врача;

– возможность использования широкого набора физиологических показателей, помимо тех, на которые ориентирован стандарт.

Анализ достижений и обзор представленных в литературе методов решения данной задачи показал, что большинство методов не удовлетворяют всем перечисленным требованиям одновременно, а также, как правило, жёстко привязаны к какому-то одному стандарту. В связи с этим решение комплексной задачи с обеспечением указанных выше требований является актуальным и представляет практический интерес.

Целью работы является разработка метода и алгоритмов, позволяющих: расширить возможности автоматического распознавания стадий сна и построения гипнограммы путём комплексной реализации требований к решению задачи распознавания, в том числе обеспечить высокий уровень достоверности результатов, применимость алгоритма для различных экспертов и групп пациентов с возможностью обучения и дообучения на основе накопления статистической информации; реализовать сочетание возможностей распознавания на единой теоретической основе, как с помощью типовых стандартов, так и с помощью экспертных оценок; снизить требования к вычислительным ресурсам; обеспечить возможность работы врача в автоматизированном режиме.



Объектом исследования являются методы и алгоритмы решения задачи автоматического распознавания стадий сна и построения гипнограммы.

Методы исследования основаны на использовании таких разделов теоретической информатики, как распознавание образов, нечёткая логика, кластерный анализ, корреляционный анализ, сплайн-интерполяция, а также на использовании специальных алгоритмов формирования признаков при обработке физиологических сигналов.

Научная новизна работы определяется следующими отличительными особенностями полученных существенных теоретических и практических результатов:

1. Метод комплексного решения задачи распознавания стадий сна и построения гипнограммы, позволяющий обеспечить высокий уровень достоверности распознавания и улучшить равномерность значений достоверности по отдельным стадиям, отличающийся простотой адаптации к стандартам построения гипнограммы и настройки под индивидуальные особенности работы специалистов (экспертов), возможностью обучения и дообучения на статистических данных.

2. Алгоритм обучения на основе статистических данных, отличающийся использованием принципов кластерного анализа для описания в многомерном пространстве распределений значений признаков с целью построения нечётких функций принадлежности, и алгоритм распознавания на основе элементов нечёткой логики, отличающийся возможностью обеспечения высокого уровня достоверности построения гипнограммы и равномерности значений достоверности распознавания отдельных стадий.

3. Алгоритм дообучения на вновь полученных статистических данных, состоящий в коррекции вида функций принадлежности и отличающийся малыми вычислительными затратами.

4. Методика и алгоритмизация аппроксимации функции принадлежности с помощью сплайна на основе дельта-преобразований второго порядка, отличающаяся возможностью обеспечения заданной точности аппроксимации и обеспечивающая низкую вычислительную трудоёмкость и высокое быстродействие при решении задачи распознавания.

Достоверность выводов и эффективность разработанного метода подтверждена проведением серий компьютерных экспериментов с применением базы клинических полисомнографических исследований, полученных с помощью сертифицированного оборудования, и построенных экспертами гипнограмм, апробацией на научных семинарах, публикацией результатов работ, внедрением полученных результатов. Эффективность разработанного метода и алгоритмов обусловливается тем, что на основе экспериментов было получено подтверждение высокой достоверности результатов распознавания в диапазоне примерно 75-85%.

Основные положения, выносимые на защиту:

метод распознавания стадий сна и построения гипнограммы;

  • алгоритм построения нечётких функций принадлежности на основе кластерного анализа и статистических данных;
  • алгоритм коррекции функции принадлежности с учётом новых статистических данных;
  • алгоритмизация аппроксимации функции принадлежности с помощью сплайн-функции на основе дельта-преобразований второго порядка.

Практическая ценность. Предложенные метод и алгоритмы имеют значимость для решения практической задачи распознавания стадий сна либо других психофизиологических состояний, которые могут быть описаны конечным числом вычисляемых показателей. Особый интерес представляет использование полученных результатов в составе программно-методического обеспечения программно-аппаратного диагностического комплекса «Энцефалан» производства ООО НПКФ «Медиком МТД». Это обеспечивает расширение спектра возможностей по применению комплекса в области исследований сна и, как следствие, повышает научную и практическую ценность этого оборудования. Кроме того, использование предлагаемого метода в арсенале возможностей по обработке физиологических данных значительно облегчает и ускоряет работу экспертов в автоматизированном режиме. Низкая требовательность алгоритма к вычислительным ресурсам, а также гибкость и простота адаптации к различным требованиям обусловливают его широкие возможности с практической точки зрения. Применения разработанных алгоритмов в сочетании с другими известными алгоритмами создают основу для эффективного комбинированного решения данной задачи.

Реализация и внедрение результатов работы.

Результаты работы использованы:

  • в разработанном программно-методическом обеспечении «Электроэнцефалографические исследования» (подсистема «Сомнологические исследования») для прибора электроэнцефалографа-анализатора «Энцефалан», серийно выпускаемого ООО НПКФ «Медиком МТД»;
  • в учебном процессе в Технологическом институте Южного федерального университета в г. Таганроге (ТТИ ЮФУ) на кафедре Математического обеспечения и применения ЭВМ при подготовке студентов специальностей 230105 «Программное обеспечение вычислительной техники и автоматизированных систем» и 010503 «Математическое обеспечение и администрирование информационных систем», в дисциплинах «Системы искусственного интеллекта» и «Цифровое управление, сжатие и параллельная обработка информации на основе оптимизированных дельта-преобразований второго порядка»;
  • в учебном процессе в Технологическом институте Южного федерального университета в г. Таганроге (ТТИ ЮФУ) на кафедре Электрогидроакустической и медицинской техники при подготовке студентов по специальностям 200401 «Биотехнические и медицинские аппараты и системы» направления 200300 «Биомедицинская инженерия», в дисциплинах «Моделирование биологических процессов и систем» и «Управление в медицинских и биологических системах».

Использование результатов работы подтверждено актами об использовании.

Апробация работы. Основные результаты работы докладывались и обсуждались на: 5-ой международной конференции «Практикующий врач» (Италия, г. Римини, 9-16 сентября, 2006-й год), 4-ой ежегодной конференции студентов и аспирантов базовых кафедр Южного научного центра РАН (г. Ростов-на-Дону, 9-18 апреля, 2008-й год), 50-ой студенческой конференции ТРТУ (г. Таганрог, 20 марта, 2003-й год), 51-ой студенческой конференции ТРТУ (г. Таганрог, 25 марта, 2004-й год), 55-ой студенческой научной конференции, посвящённой 65-летию освобождения г. Таганрога от немецко-фашистских захватчиков (г. Таганрог, 27 марта, 2008-й год), всероссийской научно-технической конференции с международным участием «медицинские информационные системы» (г. Таганрог, 11-14 сентября 2006-й год).

Публикации. Результаты работы были представлены в 11 публикациях, из них 4 статьи в ведущих реферируемых изданиях, рекомендованных ВАК, 2 статьи в прочих изданиях, 5 тезисов докладов.

Структура и объем работы. Диссертация состоит из введения, 5-и глав, заключения, списка литературы и 4-х приложений. Материалы работы изложены на 168 страницах машинописного текста, содержат 21 таблицу, 24 рисунка, 52 библиографических источника, 24 страниц приложений, 1 акт о внедрении и 2 акта об использовании в учебном процессе.

Краткое содержание работы

Во введении дано обоснование актуальности темы диссертационной работы, описаны цель работы и основные научные положения, выносимые на защиту, определены круг задач, объект и предмет исследования, указаны методы исследования, показаны научная новизна и практическая значимость, приведены сведения о внедрении результатов работы, дано общее описание выполненной работы.

В первой главе описывается предметная область, даются базовые определения из области психофизиологии и сомнографии. В частотности, определяется, что в процессе исследования сна (полисомнографического исследования) регистрируется широкий набор различных по своей природе физиологических показателей. Обязательными сигналами для построения гипнограммы являются следующие типы сигналов: электроэнцефалограмма (ЭЭГ), электроокулограмма (ЭОГ) и электромиограмма (ЭМГ). Другие физиологические показатели являются вспомогательными и в ряде случаев могут повысить надежность выявления стадий сна или достоверность диагностики тех или иных заболеваний. Для исследования стадий сна вся запись сигналов разбивается на интервалы фиксированной длины, называемые эпохами. Длина эпох может быть от 10 секунд до нескольких минут, наиболее распространенным стандартом считается длина эпохи, равная 30-ти секундам. Для регистрации физиологических показателей в процессе сна используются сложные многопараметрические системы (в дальнейшем регистраторы), обеспечивающие регистрацию широкого спектра показателей. В данной работе использовалось оборудование производства ООО НПКФ «Медиком МТД», в частности, мобильный автономный регистратор «Энцефалан-ЭЭГР-19/26».

Анализ полисомнограмм и определение стадий сна осуществляются в соответствии с критериями, предложенными группой экспертов под руководством A.Rechtschaffen и A.Kales (Manual of Standardized Terminology, Techniques, and Criteria for the Scoring of Stages of Sleep and Wakefulness of Human Subjects. – Washington, DC: US Government Printing Office, 1968. - NIH publication No 204) – R&K.

Изложенное в первой главе позволяет сделать вывод, что задача автоматизации этого процесса представляется актуальной как с научной, так и с практической точки зрения по ряду причин:

- Стандарт R&K, который используется для построения гипнограммы, ориентирован, в первую очередь, на визуальный анализ и интерпретацию исходных данных экспертами, из чего вытекает очевидная его неоднозначность при представлении в виде математической модели.

- Большое число частично взаимосвязанных между собой признаков, описывающих процесс сна, и сложные правила, по которым строится гипнограмма, открывают простор для применения актуальных методов из таких областей теоретической информатики, как системы искусственного интеллекта, экспертные системы и интеллектуальные системы.

- Длительность регистрации большого числа физиологических показателей приводит к получению больших объемов данных, что до недавнего времени являлось сдерживающим фактором на пути успешной автоматизации процесса обработки этих данных. В настоящее время прогресс в области компьютерных технологий позволил с лёгкостью манипулировать такими объёмами информации.

Из вышесказанного следует, что ограничения компьютерного анализа полисомнограммы, в частности, компьютеризированного построения гипнограмм, были продиктованы, в основном, двумя причинами: неоднозначностью стандарта R&K и несовершенством компьютерных технологий. В то время как ресурсы вычислительной техники не являются более ограничивающим фактором, несовершенство старого стандарта всё ещё представляет существенную проблему.



Pages:   || 2 | 3 |
 

Похожие работы:







 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.