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.

Розроблено комплексний метод виявлення пізніх потенціалів передсердь (ППП) на основі створення власних підпросторів вейвлет-образів електрокардіосигналів, що дозволяє проводити дослідження тонкої структури кардіосигналів системами електрокардіографії високого розрізнення (ЕКГ BP). Запропоновано формування діагностичних ознак ППП за спільного використання вейвлет-перетворення та розкладання в координатному базисі власних векторів. На підставі використання розробленого методу вдосконалено засади розпізнавання образів ППП, що дозволяє віднести досліджуваний електрокардіосигнал до одного з двох класів "норма - ППП відсутні" або "патологія - ППП присутні" за мінімізації розмірності образів. На підставі системи ЕКГ BP розроблено узагальнений алгоритм автоматизованого розпізнавання образів ППП і реалізовано експериментальний зразок підсистеми ранньої діагностики електричної нестабільності міокарда. Проведено клінічні дослідження з використанням експериментального зразка підсистеми, які показували високу прогностичну цінність за виявлення пацієнтів з ППП. Одержало розвиток моделювання циркуляції імпульсу збудження в міокарді за механізмом re-entry з урахуванням патологічних змін електрофізіологічних параметрів кардіоміоцитів, що дозволяє на рівні окремих клітин міокарда досліджувати механізми розвитку аритмій.

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.