Site icon Евразийский Союз Ученых — публикация научных статей в ежемесячном научном журнале

МЕТОД ДЕКОМОПОЗИЦИИ ПРОСТРАНСТВА ИНФОРМАТИВНЫХ ПРИЗНАКОВ В ЗАДАЧАХ КЛАССИФИКАЦИИ СЛОЖНЫХ СИГНАЛОВ НА ОСНОВЕ СИНГУЛЯРНОГО РАЗЛОЖЕНИЯ

Обработка сложноструктурированных сигналов широко используется в биологии и медицине. Основная цель обработки сигнала – определение класса принадлежности сигнала к некоторой совокупности (множеству) классов. В общем случае сигнал характеризуется бесконечным множеством отсчетов. При обработке сигнала в «окне» от бесконечного количества отсчетов можно перейти к конечному числу отсчетов. Однако это множество оказывается недопустимо большим ввиду того, что для надежной классификации сигнала необходимо рассматривать его на достаточно большой апертуре наблюдения. Сократить число отсчетов позволяют ортогональные разложения, в частности, преобразование Фурье, которое позволяет перейти от исследования пространства сигналов к исследованию пространства частот (спектра сигнала). Однако эффективность спектрального анализа зависит от свойств конкретного сигнала и часто не приносит ожидаемого эффекта в виду нестационарности исследуемого сигнала. В этой ситуации целесообразно использовать сингулярное разложение, которое позволяет не учитывать шумы и помехи, присутствующие в сигнале, и сократить пространство информативных признаков [1].

Для принятия решения по классификации сложных сигналов на основе сингулярного разложения используем  двухальтернативный выбор. Если информация о сложной системе представлена в виде временного ряда, то из него необходимо выделить некоррелированные составляющие, которым, как правило, относят тренд, периодические составляющие и шум.

В качестве структурно-функционального режима классификатора была выбрана многослойная нейронная сеть. Если исходные данные сегментированы и разбиты на блоки информативных признаков, то для каждого блока информативных признаков используем свою нейронную сеть, в общем случае многослойную, с двумя выходами и линейной функцией активации. Такие нейронные сети обучаются в автономном режиме, и результатом этого обучения является построение новых обучающих выборок, предназначенных для обучения второго и третьего слоя нейронной сети [2].

Структура нейронной сети для разрабатываемого классификатора представлена на рисунке 1. В ней используются N блоков информативных признаков. В общем случае число информативных признаков в блоках не одинаково. Первый слой структуры (рисунок 1) состоит из N нейронных сетей, каждая из которых имеет два выхода. По этой причине первый слой назовем макрослоем. Скрытый слой состоит из двух нейронов с линейной функцией активации, каждый из которых настраивается на «свой» класс.

Выходной слой состоит из одного двухвходного нейрона с сигмоидальной функцией активации. Основная проблема нейронных сетей с макрослоями заключается в их настройке. Так как макрослой состоит из множества многослойных нейронных сетей, то каждую нейронную сеть макрослоя целесообразно настраивать отдельно от других нейронных сетей.

После настройки нейронных сетей NET1 … NET N приступает к формированию обучающих выборок для настройки весовых коэффициентов в двух последних слоях нейронной сети  (рисунок 1).

В блоке 7 выполняем обучение нейронной сети NET ZR посредством обучающей выборки, полученной в блоках 4 … 6.

Способ формирования пространства информативных признаков для многослойной нейроной сети с макрослоем проиллюстрируем на примере электрокардиосигнала (ЭКС). С целью формирования обучающих и контрольных выборок был проведен анализ аннотированных международных баз данных ЭКС, доступных в ресурсах Internet, который показал, что наиболее полной и цитируемой в научных и практических исследованиях является MIT-BIH Arrhythmia Database ресурса PhysioNet.

Записи ЭКС в банке данных PhysioBank структурированы в отдельные тома по патологиям, норме, присутствию шума, месту происхождения (MIT-BIH, European ST-T). Записи ЭКГ содержат в основном 2 и более каналов отведений. Записи были оцифрованы с разрешением 360 отсчетов в секунду на один канал и с 11-битной разрешающей способностью не менее 10 мВ на одну ступень квантования.

Пример записи ЭКС из описываемой базы представлен на рисунке 3.

Анализ этого спектра показал, что он имеет дискретно-непрерывную структуру, в которой можно выдедлить участки, принадлежащие треду, участки «быстрых» волн, участки «медленных» волн и участки, которые будем характеризовать как зона «хаоса».

В настоящее время волновая структура электрокардиосигнала хорошо изучена. достаточно полно освоены физиологические механизмы дыхательной синусовой аритмии:  удлинение кардиоинтервалов на вдохе и укорочение —  на выдохе (дыхательные волны сердечного ритма или высокочастотные колебания кардиоритмограммы (КРГ), HF=high frequency, 0,15…0,4 Гц). Известно, что сердечный выброс уменьшается на вдохе и растет на выдохе, что вызывает колебания артериального давления. Поэтому по амплитуде колебаний продолжительности кардиоинтервалов при дыхании можно судить о тонусе парасимпатического отдела вегетативной нервной системы. Это подтверждается тем фактом, что атропиновая блокада вагуса приводит к резкому снижению амплитуды дыхательных волн  сердечного ритма [3].

Кроме дыхательных  волн сердечного ритма, наблюдаются колебания частоты пульса с большим периодом, т.н. медленные волны. Различают  медленные  волны 1-го порядка (0,04-0,15 Гц,  волны Траубе-Геринга или низкочастотные колебания, LF — low frequency). Показана связь амплитуды медленных волн 1-го порядка (LF) с симпатическими и парасимпатическими влияниями на синусовый узел. Считается, что отношение LF/HF характеризует симпато-парасимпатический баланс.

Кроме медленных волн 1-го порядка в нормальном сердечном ритме наблюдаются волны с большим периодом — медленные волны  2-го порядка (0,003-0,04 Гц,  волны Майера-Флейша или колебания очень низкой частоты, VLF — very low frequency). Механизм происхождения этих волн окончательно не установлен. Они зависят от  различных факторов:  гуморальных адренергических влияний на синусовый узел, тонуса высших симпатических вегетативных центров, системы ренин-ангиотензин, терморегуляции.

К участку «быстрых» волн отнесем гармоники частоты сердечного ритма. На рисунке 5 показан спектр Фурье трех электрокардиосигналов, полученных от трех пациентов с различными заболеваниями ССС на интервале 0…6 Гц.

Рисунок 5.Амплитудный спектр Фурье трех электрокардиосигналов на интервале 0…6 Гц

Анализ спектрограмм показывает, что «быстрые» волны начинают «разваливаться» по мере увеличения соответствующего номера гармоники сердечного ритма, однако скорость «разваливания» относительно номера гармоники зависит от вида патологии. Можно утверждать, что зона «быстрых волн начининается от частоты, лежащей между первой гармоникой дыхательного ритма и первой гармоникой кардиоритма, что соответствует диапазону от 0,1 Гц до 0,5 Гц. На рисунке 6  представлены спектрограммы трех электрокардиосигналов, полученных от трех пациентов с различными заболеваниями ССС на интервале 0…0,2 Гц. В качестве реперных точек на всех спектрограммах используется первая гармоника дыхательного ритма. На рисунках она выделена двумя вертикальными линиями.

Например, если электрокардиосигнал дискретизирован с частотой 100 Гц и имеет тридцать тысяч отсчетов, то разрешение по частоте составляет 0,033 Гц, что и будет являться правой границей зоны тремора. На рисунке 7 показан спектр Фурье трех электрокардиосигналов, полученных от трех пациентов с различными заболеваниями ССС, на интервале 13…19 Гц. В этом случае необходимо определить границу между зоной «быстрых» волн и зоной хаоса.

Как видно из этих трех фрагментов спектрограмм граница зоны хаоса неоднозначна. Если на верхней и нижней спектрограммах «следы» «быстрых» волн на частоте 13 Гц уже исчезли, то на центральной гистограмме на тех же частотах они наблюдаются достаточно четко.

В этом случае предлагается установить «плавающую» границу этих зон. Эта граница будет соответствовать частоте, на которой максимальное значение амплитуды в окне будет менее 10% амплитуды первой гармоники кардиоритма. Величина окна выбирается равной периоду кардиоритма, то есть близкой к одной секунде.

Выводы

  1. Для классификации состояния сложных систем предложена трехслойная нейронная сеть с макрослоем и структурированным вектором информативных признаков, отличающаяся блочной структурой первого слоя, представляющего макрослой, число блоков которого (нейронных сетей прямого распространения) соответствует числу выделяемых групп в векторе информативных признаков.

2.Предложен алгоритм обучения трехслойной нейронной сети с макрослоем, состоящий из двух этапов. На первом этапе обучаются все нейронные сети первого макрослоя. По результатам тестирования нейронных сетей первого макрослоя строится обучающая выборка для нейронной сети, состоящей из второго слоя и третьего слоя, посредством которой осуществляется второй этап обучения нейронной сети.

3.Разработан способ формирования пространства информативных признаков для многослойной нейроной сети с макрослоем на основе спектрального анализа электрокардиосигнала заключающейся в выборе четырех репеных частот, относящиеся к тренду, к «медленным» волнам, к «быстрым» волнам и хаосу.

 

Список литературы:

  1. Голяндина, Н.Э. Метод «Гусеница» — SSA: анализ временных рядов: Учеб. Пособие [Текст] / Н.Э. Голяндина. — СПб., 2004. — 76 с.
  2. Томакова, Р.А. Универсальные сетевые модели для задач классификации биомедицинских данных [Текст] / Р.А. Томакова, С.А. Филист, Яа Зар До // Известия ЮЗГУ. — Курск: Изд-во ЮЗГУ, 2012. – № 4 (43). – Ч. 2. – С. 44-50.
  3. Томакова, Р.А. Гибридные технологии выделения медленных волн из квазипериодических сигналов [Текст] / Р.А. Томакова, С.А. Филист, М.А. Ефремов [и др.]// Известия ЮЗГУ. — Курск: Изд-во ЮЗГУ, 2011. – № 1 (34).– С. 66-73.[schema type=»book» name=»МЕТОД ДЕКОМОПОЗИЦИИ ПРОСТРАНСТВА ИНФОРМАТИВНЫХ ПРИЗНАКОВ В ЗАДАЧАХ КЛАССИФИКАЦИИ СЛОЖНЫХ СИГНАЛОВ НА ОСНОВЕ СИНГУЛЯРНОГО РАЗЛОЖЕНИЯ» author=»Томакова Римма Александровна, Шаталова Ольга Владимировна, Яа Зар До, Томаков Максим Владимирович » publisher=»БАСАРАНОВИЧ ЕКАТЕРИНА» pubdate=»2017-05-08″ edition=»ЕВРАЗИЙСКИЙ СОЮЗ УЧЕНЫХ_ 28.02.2015_02(11)» ebook=»yes» ]

404: Not Found404: Not Found