Розкрито теоретичні засади інформаційних технологій для обробки сигналів з високою роздільною здатністю. Описано методи ранньої діагностики серцевих захворювань на підставі виявлення низькоамплітудних сигналів - пізніх потенціалів передсердь і шлуночків. Наведено приклади технічних і алгоритмічних засобів електрокардіографії високого розрізнення та результати практичної обробки низькоамплітудних складових електрокардіосигналів. Висвітлено особливості розпізнавання образів електрокардіосигналів з пізніми потенціалами. Запропоновано методику реалізації методу власних підпросторів.

Раскрыты теоретические основы информационных технологий для обработки сигналов с высокой разрешительной способностью. Описаны методы ранней диагностики сердечных заболеваний на основе выявления низкоамплитудных сигналов - поздних потенциалов предсердечка и желудочков. Приведены примеры технических и алгоритмических средств электрокардиографии высокого разрежения и результаты практической обработки низкоамплитудных слагаемых электрокардиосигналов. Освещены особенности распознавания электрокардиосигналов с поздними потенциалами. Предложена методика реализации метода собственных подпространств.

Уперше розроблено метод аналізу ЕКГ для виявлення пізніх потенціалів передсердь (ППП) з використанням методу власних підпросторів, що дає змогу розширити діапазон низькоамплітудних складових електрокардіосигналів, які є системами ЕКГ високого розрізнення (ВР). Розвинуто засади розпізнавання образів ППП у складі електрокардіосигналів у координатному базисі головних власних векторів, що дозволяє автоматизувати процес ранньої діагностики передсердних тахіаритмій. Створено алгоритм спектрального оцінювання низькоамплітудних компонент ЕКГ сигналів у базисі власних векторів шумового підпростору, який забезпечує більш високу спектральну роздільну здатність, ніж класичні методи. Удосконалено процедури ідентифікації моделей електричної активності серця з застосуванням кореляційних методів, що дає змогу відображати тонкі механізми серцевої активності.

Індекс рубрикатора НБУВ: Д222.13,021 + П032.27 + П032.518

Рубрики:

Радіоактивність вод суші

Радіоактивність ґрунтів. Радіоактивні речовини у ґрунті

Токсичні речовини в ґрунті. Антимікробні властивості ґрунтів

Шифр НБУВ: ВС51307 Пошук видання у каталогах НБУВ 

Розглянуто можливість застосування математичного апарату ортогональних перетворень до проблеми виявлення пізніх потенціалів передсердь (ППП) у системах електрокардіографії високого розрізнення. Запропоновано комплексний підхід, який дозволяє виділити низькоамплітудну високочастотну складову електрокардіосигналу з ППП за допомогою вейвлет-перетворення з подальшим розподілом на діагностично важливий сигнал і шум розкладом у базисі власних векторів. Наведено результати модельного експерименту з виявлення ППП в системі MATLAB з використанням запропонованого методу.

Розроблення та моделювання алгоритмів обробки біомедичних сигналів (БМС) різного типу для діагностичних приладів та систем є актуальною задачею сучасної медичної електроніки. Аналіз в часових параметрах проводять для біосигналів, що характеризують стан серцево-судинної системи, органів зору та слуху. Для сигналів складної форми (електроенцефалограм, електроміограм, електрогастрограм) крім амплітудно-часових та інтервальних параметрів визначають спектральні коефіцієнти у різних базисах, проводять формування топографічних карт розподілу біопотенціалів, визначають кореляційні залежності та ін. Для задач дослідження сигналів з різними типами патологічних змін виникає необхідність створення моделі БМС - сигналу із заданими параметрами (задача синтезу). Розглянуто узагальнені методи та алгоритми аналізу-синтезу електрографічних біомедичних сигналів різного типу в амплітудно-часовій та спектральній областях, а також програмні засоби для візуалізації сигналів та результатів їх дослідження, на основі яких запропоновано розрахунково-практичний навчальний комплекс робіт для студентів та медичного персоналу. Приведено результати моделювання алгоритмів у середовищі пакету MathCAD. Розглянуто можливість їх схемотехнічної реалізації на базі мікропроцесорних схем.

Розглянуто засади діагностики електричної нестабільності міокарда з використанням електрокардіографії високого розрізнення. Приділено увагу моделюванню механізмів виникнення циркуляції імпульсу збудження в міокарді. Наведено методи аналізу тонкої структури електрокардіосигналів. Подано інформацію про розпізнавання образів низькоамплітудних компонент у складі електрокардіосигналу. Охарактеризовано інформаційно-алгоритмічне забезпечення підсистеми діагностики електричної нестабільності міокарда у складі ЕКГ ВР. Наведено методи виявлення електрокардіограми плоду з абдомінальних сигналів матері.

Мета роботи - застосування методів машинного навчання для біометричної ідентифікації особи за райдужною оболонкою ока (РОО). Проведено порівняння використання у разі розпізнавання райдужної оболонки ока таких ознак, як коефіцієнти двовимірного дискретного перетворення Фур'є, коефіцієнти дискретного косинусного перетворення, а також коефіцієнти апроксимації 3-го і 4-го рівнів двовимірного вейвлет-перетворення. За допомогою проведеного машинного навчання визначено точність ряду класифікаторів, що використовують дані набори ознак. На підставі цього запропоновано набір ознак та алгоритмів машинного навчання, які забезпечують найбільшу точність ідентифікації особи на основі розпізнавання РОО.

Розглянуто розвиток методів цифрової обробки геномних сигналів, які є даними щодо будови ДНК, із метою використання методів обробки сигналів до задачі аналізу геномних даних. За фрагментами послідовностей нуклеотидів змодельовано сигнали іонного струму (СІС) крізь біологічну нанопору при секвенції ДНК для випадків норми, точкових мутацій, вставки та видалення ділянки ДНК. Модельні СІС у білковій нанопорі отримано на основі реальних послідовностей нуклеотидів із атласів ракового геному. Використано кореляційний аналіз для визначення подібності сигналів нанопорового секвенування (СНПС) ДНК за допомогою функції взаємної кореляції між двома СІС крізь білкову нанопору, зокрема між сигналами у нормі та з наявністю мутації. За розташуванням максимуму взаємної кореляційної функції визначено тип мутації (інсерція або делеція), а також проведено вирівнювання однакових нуклеотидних послідовностей за допомогою визначеного зсуву сигналу. Проаналізовано застосування методів машинного навчання (ММН) до класифікації геномних СНПС ДНК. Для визначення найкращих моделей класифікації застосовано алгоритми на основі дерев рішень, дискримінантного аналізу, методу опорних векторів, логістичної регресії, методу k-найближчих сусідів та ансамблевого навчання. Для різних ММН визначено та порівняно точність класифікації на 4 класи: норма, точкова мутація (місенс або нонсенс), мутація делеції та інсерції декількох нуклеотидів. Показано, що результати застосування ММН до проблеми класифікації СНПС ДНК суттєво залежать від рівня шуму у зареєстрованих СІС крізь білкову нанопору та типу мутації. Найкращі результати класифікації отримано для методу опорних векторів. Застосування лінійної, квадратичної та кубічної функцій ядра показало високу точність вірно класифікованих сигналів - від 93 до 100 %.

Розглянуто застосування методів машинного навчання для комп'ютеризованого виявлення епізодів апное сну на підставі аналізу одноканальних сигналів електрокардіограми (ЕКГ) та електроенцефалограми (ЕЕГ). Для дослідження можливостей машинного навчання для виявлення апное на підставі аналізу ЕКГ та ЕЕГ було використано відкриті бази даних Apnea-ECG і MIT-BIH polysomnographic database з ресурсу PhysioNet, які містять анотації до кожної хвилини записів, що вказують на наявність або відсутність апное/гіпопное сну в поточний момент часу. Мета роботи - визначення та порівняння інформативних ознак виявлення епізодів апное сну за показниками варіабельності серцевого ритму та електричної активності мозку, а також вибір методів машинного навчання, що забезпечують найвищу точність класифікації. Розглянуто показники кардіоритмограм у часовій і частотній областях, спектрально-часові та вейвлет-характеристики, а також параметри ЕЕГ сигналів на основі відношення енергії ЕЕГ ритмів, показника Херста, фрактальної розмірності Хігучі та ентропії вибірки для ЕЕГ сигналів. Використовуючи різні набори ознак, визначено точність класифікації для моделей на базі дерев рішень, дискримінантного аналізу, методу опорних векторів, методу k-найближчих сусідів та ансамблевого навчання. На основі цього запропоновано набори ознак і класифікатори, що забезпечують найвищу точність розпізнавання епізодів апное сну за даними ЕКГ та ЕЕГ сигналів.