точек пересечения исследуемой кривой и ее производных с изолинией и
вычислениях средних значений и дисперсии значений временных отсче-
тов. Разработчик метода периодометрического анализа Берг утверждал
[52], что анализ периодов дает почти такую же информацию, что и час-
тотный анализ сигналов. Известны работы, в которых описаны практиче-
ские задачи классификации с использованием признаков, выделенных на
основе периодометрического анализа [53].
К достоинствам периодометрического метода, безусловно, следует
отнести простоту
и
низкую стоимость реализации, что позволяет разраба-
тывать различные технические средства и специальные вычислительные
устройства на основе простых операционных автоматов и микропроцес-
соров [53], которые в настоящее время находят широкое применение в
медицинской практике. Однако такой анализ обладает и рядом потенциа-
льных недостатков:
— частоты пересечения нулевого уровня для сигналов разного типа
могут оказаться одинаковыми;
— регистрируются лишь периодометрические свойства сигнала, тог-
да, как известно, что в ряде случаев информативными являются ампли-
тудные и планометрические характеристики, показатели асимметрии и
ряд других;
— колебания выше и ниже изолинии не обнаруживаются, пока не
определены частоты пересечения изолинии одной или несколькими про-
изводными;
— существенную погрешность
в
результате измерений вносит дрейф
изолинии;
— частоты пересечения для первой и второй производной могут
быть сильно зашумлены;
:— не обеспечивается выделение различных временных составляю-
щих и параметров переходных процессов.
Перечисленные недостатки объясняют тот факт, что при огромном
количестве исследований, выполненных в направлении использования
периодометрического анализа, в большом числе случаев получаемые ре-
зультаты нельзя признать удовлетворительными [53].
В качестве информативных признаков, характеризующих сигналы
более сложной статистической природы (типа электроэнцефалограмм,
электромиограмм, кожно-гальванических реакций и др.),используют те-
кущее значение модуля амплитуды сигналов, дисперсию среднего значе-
ния модуля, коэффициент асимметрии волны, коэффициент плосковер-
шинности волны, коэффициент «махристости», параметр формы волны,
отображение структурных свойств сигнала на фазовой плоскости и т. п.
Сложность функционирования биологических систем и большое ко-
личество информации, содержащейся в электрофизиологических сигна-
366
лах (ЭФС), не позволяет однозначно связывать значения отдельных пара-
метров сигналов с диагностическими врачебными заключениями. Поэто-
му следующим шагом в обработке ЭФС является поиск комплексных по-
казателей, зависящих от ряда измеряемых элементарных признаков, или
симптомокомплексов — комбинаций признаков (векторов признаков),
которые позволили бы повысить достоверность получаемых результатов.
При этом одним из самых популярных приемов стал подход, основанный
на применении методов теории распознавания образов, когда на этапе
обучения из совокупности признаков формируется множество данных в
виде специальных таблиц с указанием того, к какому диагностируемому
классу относится тот или иной набор параметров. Далее, с помощью спе-
циальных математических приемов находится решающее правило, по-
зволяющее отличать элементы таблиц различных классов [59]. На этапе
классификации решающие правила соотносят вектор признаков к одному
из классов, выделенных на этапе обучения.
Следует, однако, отметить, что успех решения задачи классификации
при таком подходе сильно зависит от того, удается ли найти такие наборы
информативных признаков, извлекаемых из ФС, которые позволяют
строить достаточно надежные решающие правила. Например, практика
использования такого подхода для сигналов со сложной статистической
природой (типа ЭЭГ, ЭМГ и др.) показала, что получить удовлетворите-
льные результаты удалось для весьма узкого класса задач. Например,
удается решать частную задачу определения стратегии лечения больных
эпилепсией на ранних стадиях возникновения болезни, но плохо диагнос-
тируются опухолевые процессы, различные типы психических рас-
стройств, тонких изменений в функциональном состоянии человека и
т. д. [53, 54, 57]. Связано это в первую очередь с тем, что, например, для
такого сигнала.как
ЭЭГ,
нет достаточно определенной информации как о
составе, так и о значимости признаков в записи ЭЭГ, нет унифицирован-
ного подхода к структуре и оценке сочетаний этих признаков.
2. Второй подход основывается на использовании различных матема-
тических моделей, позволяющих с достаточной точностью аппроксими-
ровать и (или) моделировать исследуемые процессы.
Среди методов аппроксимации известны такие, которые используют
сплайн-аппроксимацию, аппроксимацию полиномиальными, тригоно-
метрическими и экспоненциальными моделями. Параметры моделей мо-
гут быть определены, например, методом сингулярного анализа [53], ме-
тодом автокорреляционного
и
взаимно корреляционного анализа [53].
• Достаточно широкое распространение получили методы спектраль-
ного анализа, простейший из которых позволяет выделять различные час-
тотные составляющие исследуемых сигналов путем их пропускания че-
рез систему полосовых фильтров с известной полосой пропускания. Ши-
367