Вы находитесь на странице: 1из 9

УДК. 615.471:616-073.97:616.831

ФОНОВЫЙ КОНТРОЛЬ ФИЗИОЛОГИЧЕСКОГО СОСТОЯНИЯ ПИЛОТА ЛЕТАТЕЛЬНОГО АППАРАТА ПО ЕГО ЭЛЕКТРОЭНЦЕФАЛОГРАММЕ

The background control of a physiological condition of the pilot’s flight vehicle on his electroencephalogram

И. О. Жаринов ФГУП «Санкт-Петербургское Опытно-конструкторское бюро «Электроавтоматика»

Рассматривается важная задача цифровой обработки стохастических сигналов для анализа физиологических пока- зателей организма человека в реальных условиях полета. Исследования подобного рода оказывается возможным прово- дить при наличии специального оборудования на борту самолета и телеметрического радиоканала (в случае возможно- сти и необходимости контроля состояния пилота на земле) для передачи регистрируемой физиологической информации о состоянии жизнедеятельности организма пилота.

Введение Электроэнцефалография (ЭЭГ) является од- ним из основных методов объективного тестирова- ния функций нервной системы человека. В настоя- щее время не существует универсальных алгорит- мов, пригодных для всестороннего анализа ЭЭГ, а тем более решения задач автоматической диагно- стики. Общие закономерности формирования сиг- нала составляют априорную информацию, которая используется для синтеза и оптимизации алгорит- мов статистической обработки. В частности, экспе- риментально подтверждается, что нестационарный случайный процесс, соответствующий ЭЭГ сигналу, может быть разделен на квазиста- ционарные участки различной длительности, в пре- делах которых статистические свойства процесса существенно не изменяются. Эти квазистационар- ные участки описывают физиологические состояния соответствующих отделов головного мозга и явля- ются важными диагностическими признаками. Определение границ квазистационарных уча- стков составляет задачу сегментации ЭЭГ. При этом важное значение имеют статистические или спек- тральные характеристики сегментов, поэтому, кро- ме задачи собственно сегментации, уже подробно рассмотренной автором в работе [1], необходимо решать задачу классификации сигнала.

1. Динамическая классификация ЭЭГ- сигналов Классификация ЭЭГ-сигналов представляет собой процедуру отнесения исследуемого участка (сегмента) реализации сигнала, задаваемого в виде последовательности наблюдаемых значений

, к одному из М взаимоисключающих

(взаимоальтернативных) классов i=1,2,…,M [2-4]. Это означает, что существует однозначное отображение совокупности наблюдаемых значений, являющихся конечным числовым множеством Y, на множество классов I, количество элементов в кото-

{

n

y[ t ]} n

N

ром задано и равно М. Без потери общности, классы i=1,2,…,M могут быть заменены их номерами 1,2,…,М (натуральными числами). Тогда классификация представляет собой процедуру отображения наблюдаемых значений

реализаций сигнала на конечное

множество натуральных чисел

{

n

y[ t ]} n

N

{

y [ t ]}

n

n

N

{

1 2

,

,

,

M

}

.

Принимая во внимание числовую природу множеств, последнее отображение отождествляется с некоторой математической оценочной решающей функцией

$

i

=

func { y[ t ]} n

n

N

,

принимающей целочисленные значения (оценки)

$

i

= {1,2,

,

M } .

В практической задаче классификации мно- жество наблюдений имеет простую структуру и может быть представлено в виде оцененных на ос- нове измеренных значений pq характеристик

a

( i $ ) , a

1

( i $ ) ,

2

,

( $ )

i

a p

( $ )

i

,

b

( $ )

i

0

,

b

( $ )

i

1

,

, b

( $ )

i

q

( $ )

i

классов. При этом, если определить количество на- блюдений некоторым числом , то классификация сигналов сводится к pq аргументной оценочной функции

$

i = func

a 1 (i $ ) ,a 2 (i $ ) ,

,a

(i $ )

p

(i $ )

,b

(i $ )

0

,b

(i $ )

1

,

,b

(i $ )

q

(i $ )

,

$

(i )

.

Важнейшей особенностью реальных значений

является то, что наблюдения { y [ t ]} n N неиз-

бежно подвержены случайным возмущениям, не- предсказуемый вероятностный характер которых сказывается на всех стадиях, начиная от процесса получения (регистрации) самих измерений и закан- чивая вычислением целочисленных значений оце- ночной решающей функции.

n

Дестабилизирующими факторами при клас- сификации ЭЭГ выступают как погрешности изме- рений, измерительных приборов и неточности реги- страции, так и шумы и помехи как физической, так и физиологической природы. Взаимодействуя меж- ду собой, указанные возмущения приводят к тому, что наблюдения оказываются реализациями слу- чайных величин, решающая функция

$

func a 1 (i ) ,a 2

(i $ ) ,

,a

$

(i )

p

(i $ )

,b 0 (i $ ) ,b 1 (i $ ) ,

,b

$

(i )

q

(i $ )

$

, (i

)

i=1,2,…,M, функция плотности вероятности при- надлежности выборки к одному из классов имеет вид

{ p   1  exp  ( i ) b ◊ 2 0
{
p
1 
exp
(
i
)
b
2
0
 

{

y

[

n

1

* ]}

2 b

(

0

i

)

2

n

n

N

y

[

n

/

Q

(

i

]

+

p

(

i

)

k = 1

)

a

}

(

k

i

=

)

y

[

n

k

]

2

.

становится случайной функцией, и в результате оценка i -го класса также оказывается случайной величиной. Следовательно, классификация сигна- лов связана с исследованием случайных отображе- ний и оказывается возможной только на основе ста- тистических методов обработки. Источником информации о распознаваемых классах ЭЭГ-сигнала в ряду статистических экспе- риментов является совокупность результатов неза-

$

висимых наблюдений { y [ t ]} n N , составляющих

обучающую и контрольную (экзаменационную) вы- борки. Обучение является составной частью распо- знающего процесса и имеет своей конечной целью

формирование эталонных описаний Q ( i ) , форма которых определяется видом моделей и способом их использования в решающих правилах. Послед- ние, как и многое другое, заимствуются статистиче- ским распознаванием из хорошо разработанной теории статистических решений, в рамках которой, как известно, все виды оптимальных решающих правил основаны на формировании статистики от-

и сравнении

ношения правдоподобия ( ,

его значения, или некоторой монотонной функции от него, с определенным пороговым уровнем С, значение которого определяется выбранным крите- рием качества:

n

i k

) [

n

]

p

{

(

{

i k

,

y

[

p

{ {

y

[

t

]}

n

n

 

N

/ Q

(

i

)

}

p

{

{

y

[

t

]}

n

n

 

N

/ Q

(

k

)

}

N

/

Q

(

i

)

}

) [

n

] =

n

* ]}

n

n

C

,

где

ная N-мерная функция плотности вероятности вы-

условная совмест-

n

борочных значений { y [ t ]} n N при условии их

принадлежности к i-му классу. В случае описания классов сигналов АР моделями вида

y

( i

) [

n

] +

p

(

i

)

k = 1

a

(

k

i

)

y

(

i

)

[

n

k

]

=

b

(

0

i

)

x

[

n

]

2. Бинарная классификация ЭЭГ Постановка задачи бинарной классификации имеет следующий вид. Пусть классификации предъявлена контрольная выборка наблюдений сиг- нала электроэнцефалограммы человека, заданная последовательностью дискретных отсчетов

{

n

y[ t ]} n

N

.

Известно, что выборка { y [ t ]} n N досто-

верно принадлежит к одному из двух k-му или s- му взаимоисключающих классов. Необходимо на основе выбора наиболее подходящего решающего правила определить

n

$

i =

]}

,{

k

s

y

[

t

,{

y

[

t

]}

n

n

n

n

N

N

k ;

.

s

Выбор решающего правила производится в соответствии с теорией статистических решений с учетом априорной информации и данных обучения. Согласно указанной теории, все решающие правила для классов М=2 основаны на сравнении значений

, или некото-

отношения правдоподобия ( ,

рой монотонной функции от него, между собой или с определенным порогом. При двухальтернативной (бинарной) задаче классификации решение прини- мается путем сравнения значения отношения прав-

с заданным порогом С. При

C принимается решение Н 0 , что выборка

доподобия ( ,

k s

) [

n

]

k s

) [

n

]

( k s

,

) [

n

]

реализации сигнала { y [ t ]} n N принадлежит

k s

) [

n

]

< C

n

классу k, в противном случае при ( ,

она считается принадлежащей классу s (принимает- ся решение Н 1 ). Выбор порогового уровня С определяется в соответствии с критериями теории статистических решений: байесовским, Неймана Пирсона, мини- максного, Вальда, максимума апостериорной веро- ятности, максимального правдоподобия и т.д. При отсутствии информации об априорных

, вероятностях классов сигналов и потерях, широко

применяются критерии Неймана Пирсона и Вальда.

Для достижения требуемой вероятности пра- вильной классификации используется принцип на- копления сигнала. Число накапливаемых дискрет- ных отсчетов при использовании критерия Нейма- на Пирсона фиксировано и определяется из веро- ятности ложной тревоги P F , значение которой не должно превышать некоторого заранее установлен- ного уровня. Использование критерия Нейма- на Пирсона целесообразно, если по условиям ре- шаемой задачи одну из вероятностей ошибок можно выделить как основную и сделать ее равной некото- рому требуемому значению (уровню). Число накапливаемых отсчетов при использо- вании последовательного критерия Вальда является случайной величиной, определяемой, с одной сто- роны, вероятностными характеристиками класси- фикации и последовательностью накапливаемых отсчетов с другой. Принцип бинарной классификации ЭЭГ- сигналов может быть наглядно проиллюстрирован на основе порогового метода динамических этало- нов [2, 3]. Решающее правило для критерия Нейма- на Пирсона при использовании статистики лога- рифма отношения правдоподобия (ЛОП)

(

k s

,

) [

(

n

]

k s

,

имеет следующий вид

) [

n

]

>

<

C

H

H

0

1

:{

:{

y

y

[

[

t

t

]}

]}

n

n

n

n

N

N

k

s

,

.

Аналогично можно показать, что решающее правило для критерия Вальда примет вид

2

C

H

N

ln

1   <

(

k s

,

)

[

n

]

<

2

C

B

N

ln

1

,

где С Н иС В нижний и верхний пороги соответст- венно, параметр классификации. Причем, если на шаге n=N решение не принимается, то использу- ется значение реализации сигнала на шаге с номе- ром n=N+1. Бинарная классификация является ча- стным случаем многоальтернативной классифика- ции при числе классов М>2.

3. Многоальтернативная классификация

ЭЭГ

Пусть имеется М>2 взаимоальтернативных

и каждый класс ЭЭГ описывает-

классов i=1,2,

ся в ходе обучения набором признаков

,M

a

1 ( i $ ) , a

( $ ) ,

2

i

,

i

( $ )

a p

( $ )

i

,

b

i

( $ )

0

,

b

i

( $ )

1

,

, b

i

( $ )

q

( $ )

i

Предъявлена контрольная выборка наблюде-

. Необходимо определить, к како-

му из M возможных классов она принадлежит и оценить характеристики достоверности принятого решения. Правило принятия решения

также формулируется

n

ний { y [ t ]} n

N

{

y

[

t

]}

n

n

$ $

i

,

=

i

1 2

,

, M

N

,

в терминах теории статистических решений. Многоальтернативное решающее правило строится путем обобщения двухальтернативного (бинарного) решающего правила на случай классов М>2. В отличие от байесовского подхода, при кото- ром аналогичное обобщение производится без тру- да за счет использования априорных данных о веро- ятностях классов и о потерях при неправильных решениях, возможны различные варианты обобще- ния, не противоречащие условию непересекаемости и полноты множества классов I. Естественным представляется непосредственное обобщение: осно- вой правила остается операция сравнения значения отношения правдоподобия, или монотонной функ- ции от него, с порогом, только число отношений правдоподобия возрастает пропорционально числу классов. Наиболее правдоподобным может быть признан тот класс, для которого все отношения правдоподобия превышают заданные пороги. Характеристики достоверности принимаемых решений основаны на вероятностных мерах ошибок первого и второго рода. По аналогии с двухальтер- нативным случаем вероятностью ошибки 1-го рода при многоальтернативной классификации является вероятность отнесения контрольной выборки к лю- бому из классов, но только не к тому, которому она

в действительности принадлежит. Пусть, например,

контрольная выборка { y [ t ]} n N принадлежит к

i-му классу, тогда вероятность отнесения ее к лю- бому из классов, отличному от класса i, равна

n

(

P F

i )

M

=

k

=

1 ,

k

π

i

P


( k

) [

t ]}

n

n

N

M = ∑ k = 1 , k π i P    ( k

{ y

( i

{ y

) [

t ]}

n

n

N

  

и называется вероятностью ошибки 1-го рода при

принятии решения { y [ t ]} n N ,

Очевидно, достоверность, принимаемая как вероят-

n

i

i=1,2,

ность P y

{

( i

) [

t

]}

n

n

N

/ { y

( i

) [

t

]}

n

n

N

отне-

сения контрольной выборки к i-му классу, когда она ему в действительности принадлежит, может быть выражена в силу условия полноты решений

(

P d

i

)

= P

{

y

( i

) [

t

]}

n

n

N

/ { y

( i

) [

t

]}

n

n

N

=1

(

P F

i

)

.

Вероятность ошибки второго рода в М- альтернативной классификации определяется как

. вероятность отнесения контрольной выборки

к определенному классу, когда она

ему в действительности не принадлежит. Пусть

{

n

y[ t ]} n

N

решение { y [ t ]} n N и контрольная

принято

выборка может принадлежать к любому из классов,

n

i

( i )

но только не к классу i . Тогда вероятность P f

того, что принятое решение ошибочно, есть

(

P f

i

)

M

=

k

=

k

1 ,

π

i

P

 

{

y

( i

) [

t ]}

n

n

N

1 , π  i P   { y ( i ) [ t ]}

{ y

( k

) [

t ]}

n

n

N

.

ожиданий и

=

2

(

N

1

)

2 1

=

2

2

,

(

1

)

2

2

N

4. Уравнения динамической классифика- ции ЭЭГ Очевидно, что совокупность признаков клас- сов сигналов должна в наибольшей степени отра- жать те их свойства, которые важны для их распо- знавания. При этом от размерности признакового

пространства Q ( i ) в значительной степени зависит вычислительная сложность процедур обучения и принятия решения, время и достоверность распо- знавания и т.д. Первоначальный набор признаков классов формируется до начала процедуры распознавания из числа доступных измерению характеристик. На следующем этапе из первоначального набора при- знаков формируется новый набор, состоящий из меньшего числа параметров. Традиционные спосо- бы формирования новых признаков в условиях пол- ного априорного знания основаны на максимизации некоторой функции, называемой критерием и обычно понимаемой как некоторое «расстояние» между классами в признаковом пространстве. В других случаях критерий выражает «диаметр» или «объем» области, занимаемой классом в признако- вом пространстве, и новые признаки формируются путем минимизации критерия. Оба варианта крите- риев по своей сути равнозначны. В качестве такого критерия выбирают средне- квадратическую ошибку аппроксимации первичных параметров с помощью новых признаков, среднее межклассовое расстояние, внутриклассовый разброс наблюдений, энтропию одного класса относительно другого и т.д. Уравнением динамической классификации принято [2] называть зависимость вероятности пра- вильной классификации P D процессов от основ- ных факторов: параметров АР моделей

нормированное расхождение дисперсий статисти-

ки

При значениях параметра классификации >1 вероятность правильной классификации прямо про- порциональна значению . Она увеличивается с увеличением объема контрольной выборки N и до- пустимого уровня ложных тревог P F . На рис.1 ха- рактеристики классификации по критерию Нейма- на Пирсона представлены в виде функции аргумен- та при фиксированных значениях P F и различ- ных значениях объема контрольной выборки N. Приведенные зависимости целесообразно использо- вать для определения объема контрольной выборки N при заданных значениях P F и P D для значений параметра классификации . Упрощенное уравнение динамической клас- сификации для правила принятия решения по кри- терию Вальда имеет вид

(

1 i

,

) [

n

]

, i=2,3,…,M.


  1 ) ◊ C ◊ ( 1 ) + ln H  2
1
)
C
(
1
)
+ ln
H
2
1
)
C
H
◊ 
1
1  + ln
2



1

2



1

 

2

,

,

N

0

=

P D

P F

C

B

C

B

(

+

1

(

+

1

P D

P F

N =

N

1

=

при гипотезе Н=Н 0 и при альтернативе Н=Н 1 соот- ветственно, где N 0 и N 1 среднее число шагов последовательной процедуры при гипотезе и аль- тернативе. На рис.2 характеристики классификации по критерию Вальда представлены в виде функции аргумента при фиксированных значениях P F и различных значениях контрольной выборки N. В случае равных вероятностей P F и P f , ко-

гда расположение решающих порогов C B и C H

a

( i $ ) , a

1

( i $ ) ,

2

( $ )

i

( $ )

0

i

( $ )

i

( $ )

q

i

,

a p

,

b

,

b

1

, b

( $ )

i

,

( $ )

i

, оказывается симметричным относительно нуля, вы-

игрыш в среднем объеме выборки, обеспечиваемый последовательным критерием Вальда по сравнению с эквивалентным по вероятностям ошибок критери- ем Неймана Пирсона составляет около двух раз. Задачу формирования признакового простран- ства в общем виде необходимо ставить исходя из реальной обстановки, из требований к распознаю- щей системе в целом. В реальных условиях обычно

требуется, чтобы принимаемые классификатором решения имели гарантированную достоверность,

которая достигалась бы при минимуме стоимости используемого оборудования, энергетических за- тратах, времени этапа обучения, времени принятия решения и т.д.

объема контрольной выборки N, заданной вероят- ности P F и т.д. В общем случае для классов сигна-

лов, аппроксимированных АР моделями и класси- фицируемых по критерию Неймана Пирсона на основе статистики ЛОП, данное уравнение имеет вид:

 1  = erf  m ◊ erf ( 1 )  P D
1
= erf
m
erf
(
1
)
P D
P F
2
N ◊
(
1 )
N
m =
=
1 ,
2
2
2
N
(
1
)

,

нормированное расхождение математических

а ) б ) в ) Рис .1. Семейства характеристик классификации реализаций

а)

б)

в)

Рис.1. Семейства характеристик классификации реализаций ЭЭГ по критерию Неймана Пирсона для трех значений вероятности ложной тревоги: а) P F =0.01, б) P F =0.001, в) P F =0.000001.

=0.01 , б ) P F =0.001 , в ) P F =0.000001 . а )

а)

б)

в)

Рис.2. Семейства характеристик классификации реализаций ЭЭГ по критерию Вальда для трех значений ве-

роятности ложной тревоги: а) P F =0.01, б) P F =0.001, в) P F =0.000001.

В связи с этим характеристики достоверности неизбежно должны быть увязаны с количеством обучающих наблюдений и объемом обучающих выборок, используемых для задания классов, объ- емом контрольных выборок, необходимых для принятия решения, а также со свойствами выбран- ных признаков классов и их количеством. Помимо рассмотренной зависимости харак- теристик достоверности принимаемых решений от объема контрольной выборки классифицируемых реализаций, интерес представляет оценка досто- верности распознавания в зависимости от в общем случае произвольных (и малых в том числе) объе- мов обучающих выборок, участвующих в решении задачи формирования описания. Действительно, пусть рассматривается задача определения принадлежности выборки

к одному из двух взаимоальтернатив-

ных классов: k-му или s-му, характеризующихся априорно неизвестными и различными векторами

параметров Q ( k ) и Q ( s ) . При априорно извест-

ных параметрах Q ( k ) и Q ( s ) поставленная зада- ча формулируется в рамках теории проверки ста-

{

n

y[ t ]} n

N

к

тистических гипотез о принадлежности реализации

к классу k с параметрами Q ( k ) против

простой альтернативы, что указанная реализация

принадлежит классу s с параметрами Q ( s ) . Опти- мальная решающая процедура заключается в срав- нении значения логарифма отношения правдоподо- бия наблюдаемой реализации с порогом С, значение которого зависит от выбранного критерия качества. В рассматриваемом случае априорно неизвест-

ных параметров Q ( k ) и Q ( s ) целесообразно ис- пользовать адаптивную процедуру с учителем, при- няв в качестве оценок неизвестных параметров

и

максимального правдоподобия, полученные классифицированным специали-

стом электрофизиологом обучающим выборкам

объема N Т из класса k и

по

{

n

y[ t ]} n

N

к

Q ( k ) и Q ( s ) соответственно оценки

$

Q

(

{

{

y

y

s

)

[

[

t

t

]}

n

n

n

n

]}

N

N

(

T

k

(

T

s

)

)

из класса s.

$

Q

(

k

)

Тогда правило классификации можно полу-

чить, заменив функцию ( k,s ) на оценку

, а векторы параметров Q ( k ) и Q ( s ) со-

ответственно на

Вероятности ошибок классификации в этом случае можно достаточно просто оценить при ис- пользовании решающего правила на основе оценки

лишь в асимптотическом случае неограни- ченно возрастающих размеров обучающих выборок

) , когда

$ (

k

,

s

)

$

Q

(

k

)

$

Q

(

s

)

.

и

$ (

(

k

N T

,

s

)

)

и

k

(

s ) , т.е. при N T

(

k

)

(

s

N T

, N

T

$

Q

(

k

)

и

$ (

Q

s

)

сходятся по веро-

векторные оценки

сходит-

ся по вероятности к ( k,s ) , а вероятности ошибок распознавания сходятся к соответствующим веро- ятностям ошибок при известных априорно парамет-

ятности к Q ( k ) и Q ( s ) , функция $ ( , )

k s

рах Q ( k ) и Q ( s ) . На практике асимптотическое условие очень больших размеров обучающих выбо-

рок N T

ятности ошибок классификации, выполнить очень трудно, поэтому наибольший интерес представляет нахождение зависимостей вероятностей ошибок распознавания от в общем случае произвольных (в том числе и малых) размеров обучающих выборок

s ) , позволяющее вычислять веро-

( k )

(

и

N T

N

T ( k )

и

s) . Для этого, как известно, необходимо

(

N T

решить задачу нахождения распределения ЛОП на- блюдаемой выборки, в котором значения векторов

параметров Q ( k ) и Q ( s ) заменены их оценками

Q $ (

k )

$

и Q (

s )

.

Анализ [2] выражений для вычисления стати- стики классификации показывает, что для нахожде- ния распределения ЛОП наблюдаемой выборки, необходимо вычислять распределения произведе- ний, частных, сумм и разностей различных комби-

наций СВ, распределенных по нормальному и 2 законам. Получить выражение указанного распре- деления ЛОП в конечном аналитическом виде, удобном для практического использования, доста- точно сложно и оказывается возможным только в асимптотическом случае. Вследствие этого, для оценки вероятностей ошибок P F и P f классифи-

кации при различных значениях размеров обучаю-

щих выборок N T ( k ) и N T s ) целесообразно исполь-

зовать серию статистических экспериментов по ме- тоду Монте Карло.

(

5. Сегментация реализаций ЭЭГ. Анализ экспериментально полученных реали- заций составляет существенную часть научного ис- следования в области электроэнцефалографии. Час-

то оказывается целесообразным выделить в реали-

зации сигнала некоторые участки, которые следует рассматривать отдельно. Эти участки можно оха- рактеризовать набором признаков и получить сжа- тое описание об ЭЭГ как описание взаимного рас- положения выделенных участков (классов) с учетом названий их форм, что дает представление о после- довательности сменяющих друг друга физиологиче- ских состояний с детекцией их продолжительности

во времени.

С содержательной точки зрения ЭЭГ можно разделить на чередующиеся участки относительно «плавного» хода и короткие «переходные» участки, характеризующиеся быстрым изменением формы кривой. Изменчивость и сложность поведения сиг- нала на переходных участках позволяет их обнару- живать и использовать в качестве границ сегмента- ции.

Для математической формулировки задачи сегментации необходимо описать стационарные участки ЭЭГ, соответствующие выбранному мно- жеству классов I, некоторой математической моде- лью. Класс ЭЭГ описывается как последователь- ность независимых СВ с функцией плотности веро-

ятности

, зависящей от

(

p N

i

)

{

{ y

( i

) [

t

, Q

(

i

) (

t

)

}

]}

n

i

N

) (

n

вектора параметров Q (

характерны тем, что скачкообразно изменяются в

неизвестный момент времени t * :

t

)

. Параметры Q (

i

) (

t

)

Q (

i k

,

)

(

t

)

=

Q

Q

( i )

(

k

),

(

t

t

t

)

(

t

),

t

*

>

t

*

,

i

π

k

.

Момент t * считается неизвестным парамет- ром с множеством возможных значений T. По на-

блюдениям { y [ t ]} n N реализации сигнала необ-

ходимо обнаружить момент изменения и оценить

значение В случае описания классов ЭЭГ АРСС моде- лями задача сегментации формулируется следую- щим образом. Параметры модели i-го класса

в каждый

n

$ *

t

.

a

( i

1

) , a

(

i

2

)

,

(

i

)

a p

(

i

)

, b

(

0

i

)

, b

(

1

i

)

,

, b

(

q

i

(

)

i

)

момент времени t[n] объективно принадлежат од- ному из M классов и остаются постоянными на та-

ком промежутке времени, число отсчетов реализа- ции сигнала в котором больше порядка

АРСС модели

p

(

i

)

+ q

( i )

этого класса.

Тогда, по реализации случайной последова- тельности { y [ n N ], y [ n N + 1 ], y [ n ]} необ- ходимо определить к какому из М возможных взаи- моисключающих классов принадлежит данный уча- сток сигнала. Математически процесс перехода ЭЭГ из одного класса i в другой класс k описывает- ся выражением

,

Q

(

i k

,

)

(

t

)

=

a

a

(

1

(

1

i

) ,a

(

2

i

k

) ,a

(

2

)

k

,

)

,

,a

(

p

i

(

)

i

,a

k

(

p

(

)

)

k

,b

(

0

i

)

)

,b

(

0

,b

(

1

i

k

)

,b

)

(

1

,

k

)

,b

,

(

q

i

(

)

i

)

,b

(

q

)

k

k

(

,t

)

t

*

;

,t >

i =

t

*

1 2

,

,

,

M

;

k

= 1 , 2

,

;

,

M

,i

π

k

.

Границей сегмента является момент t * , обна- ружить который необходимо с наименьшим запаз- дыванием. Свойства сегментов ЭЭГ весьма чувствитель- ны к тонким сдвигам функционального состояния, объективно характеризуют структуру ЭЭГ и отра- жают микросостояния головного мозга. Моменты резких изменений индицируют реакции ЭЭГ на «переключения» различных систем головного мозга из одного микросостояния в другое и имеют важное значение для исследования отделов коры больших полушарий с помощью анализа совпадений во вре- мени моментов в различных отведениях ЭЭГ, полу- чая информацию о пространственно временной организации процессов, проходящих в мозге.

6. Результаты В основу исследования положены реализации ЭЭГ сигнала классифицированные визуально спе- циалистами электрофизиологами. Реализации ЭЭГ представляют собой фрагменты «оцифрованных» и сохраненных на жестком диске ПК последователь- ностей дискретных отсчетов с фиксацией основных параметров их регистрации: частоты дискретиза- ции, частоты среза усилительного канала, полосы пропускания, коэффициента усиления и т.д. Экспериментальные исследования показате- лей качества методов сегментации и алгоритмов многоальтернативной классификации ЭЭГ сигналов основаны на специально разрабо- танном автором программном продукте для IBM PC-совместимого компьютера. Программа модели- рования и статистических испытаний написана на языке программирования высокого уровня Си с применением графической библиотеки. Алгоритмы многоальтернативной классификации реализованы в виде специализированных пользовательских функций. Показатели качества алгоритмов динамиче- ской классификации важны для их применения при решении практических задач, так как позволяют определить основные параметры распознающего устройства (время классификации, время обучения и др.) в зависимости от выбранной модели, числа классов, методов обучения и т.д. Методы сегментации и алгоритмы многоаль-

тернативной классификации ЭЭГ сигналов обла- дают различными показателями качества. Чтобы получить возможность их объективного сравнения по различным критериям, необходимо представить к анализу сигнал, сегментация которого известна априорно. В случае анализа зарегистрированной реализации реального сигнала, точную сегмента-

цию может определить только очень опытный спе-

циалист электрофизиолог. Поэтому целесообразнее

на предварительном этапе исследования использо-

вать составные реализации, обладающие характер- ными особенностями реального сигнала. В качестве анализируемой реализации в ряду статистических экспериментов использован состав- ной процесс, состоящий из последовательно сме- няющих друг друга стационарных сегментов реаль- ного ЭЭГ сигнала. Число возможных типов (клас- сов) стационарных сегментов ограничено пятью (М=5) наиболее распространенными:

класс i=1: нормальный ритм; класс i=2: замедленный вариант ритма; класс i=3: убыстренный вариант ритма; класс i=4: пароксизмальная ЭЭГ активность (наличие острых волн при некото- ром подъеме низкочастотной активности); класс i=5: наличие очаговой патологии (большая регулярная низкочастотная и актив- ность). Каждый класс описывает определенное фи- зиологическое состояние, характерное для реально- го сигнала. Для проведения серии экспериментов известная сегментация составной реализации опре- деляется датчиком случайных чисел при условии, что длительность каждого отрезка (стационарного сегмента) составляет не менее одной секунды с фиксацией моментов изменения свойств сигнала. Составная реализация представляет собой в общем случае нестационарную дискретную после- довательность, соответствующую реальному ЭЭГ сигналу и согласующуюся с обобщенным фе- номенологическим описанием характера фоновой ЭЭГ активности: ЭЭГ сигнал квазистационар- ный стохастический процесс со скачкообразно из- меняющимися параметрами и границей перехода, подлежащей оценке. На рис.3 показан пример авто- матической детекции моментов резких изменений свойств ЭЭГ-сигнала для пяти наиболее распро- страненных классов ЭЭГ. Достоверность классификации P D , как

функция аргумента N k i ) , определяется уравне-

ниями динамической классификации и теоретиче- скими характеристиками классификации, приведен- ными на рис.1 и рис.2. Уравнения динамической классификации в общем случае представляют сбой функциональные зависимости вида:

(

P D

= f

P F

,

( i

N T

) ,

( i

N k

) , Q

(

i )

 

p (

i

)  

 

.

Проведенный в работе [2] теоретический ана- лиз позволил определить, что при значительных

объемах обучающих выборок N T i ) (десятки пе-

риодов корреляции сигнала по каждому классу) эта зависимость оказывается более простой и сводится

к

(

P D

=

f

   P F

,

( i

N k

) , Q

(

i )

  

,

причем P D в в этом случае уже не является функ-

цией от аргумента p ( i ) . На рис.4 приведены экс- периментально полученные [5] по методу Мон- те Карло семейства характеристик классификации для контрольных выборок реализаций нормального

альфа ритма при трех значениях объемов N T ( i ) .

значениях объемов N T ( i ) . Рис . 3. Пример автоматической

Рис. 3. Пример автоматической сегментации и клас- сификации ЭЭГ-сигнала.

Анализ результатов показывает, что увеличе- ние объема обучающих выборок N T приводит к бы- строму уменьшению ошибки распознавания, при- чем при достижении указанным объемом значения

200 скорость уменьшения значе-

ния ошибок резко падает. Кроме того, из семейства приведенных характеристик следует, что объем контрольной выборки N K также достаточно важен для обеспечения достоверности распознавания. Так, при объемах обучающих выборок

200 для обеспечения вероятно-

(

k

)

= N

( s )

T

N

T

(

k

)

=

N

( s )

T

N

T

стей P F и P f в пределах P F < 0.01 и P f <0.1

необходим объем контрольной выборки N K не менее 150 200 дискретных отсчетов. Характеристики, приведенные на рис.1, рис.2 и рис.4, являются зависимыми между собой и в рав- ной степени дополняют друг друга, когда возникает задача оценки достоверности принимаемых реше- ний по классификации реализаций сигналов.

7. Выводы

1. Классификация ЭЭГ сигналов представля- ет собой процедуру отнесения исследуемого участ- ка (сегмента) реализации, задаваемого в виде по- следовательности наблюдаемых значений, к одному из взаимоальтернативных классов.