алгоритмов распознавания

Предлагаемый спектральный подход классификации данных МЭГ протестирован на клинических записях, содержащих аномальную активности, связанную с болезнью Паркинсона. В качестве обучающей выборки использовались записи МЭГ, в моменты времени которых, присутствовала патология. Выбор записей производился на основе визуального анализа и с использованием контрольных записей миограмм (кривых тремора, снимаемых с конечностей испытуемого пациента). Также формировалась выборка записей, в которой спонтанная аномальная активность отсутствовала.

-500 h

-100Q-

-160*

T900G

79900

»000

Рис. 1

61004

На рис. 1 приводится записи МЭГ по одному каналу на некотором временном отрезке, точка 1 - соответствует паркинсонической активности, точка 2 - сигналу в норме. Вдоль оси абсцисс -время, ординат - значение МИ. Для исключения влияния изменений значения модуля магнитной индукции на картину распределения МИ по поверхности черепной коробки проводилась нормализация записей масштабированием. Заключающаяся в приведении всех значений МИ в каналах записей МЭГ к усредненному абсолютному значению по каналам. Нормализованные

значения МИ BJorm (ti) в каналах записи определяются выражением:

-и

jorm \ г /\ г/

(18)

_ k=0

где - B1 (ti) исходные значения МИ в канале J в момент времени t. В дальнейшем изложении все

операции с сигналами будут проводиться в нормализованном представлении и индекс norm будет опускаться.

Для нормализованных данных далее осуществлялась процедура идентификации всех имеющихся записей на принадлежность их к классу записей с патологической активностью. При этом использовались спектральные признаки пространственного распределения МЭГ с учетом предложенных выше (выражения (15) - (18)) критериев информативности. Контроль результатов классификации производился на основе прямого сопоставления абсолютных значений функции МИ с набором эталонных распределений в обучающей выборке. Формально принадлежность сигнала заданному классу определялась неравенством:

147

YI B1 -BJt,i I< Ast,(19)

J=0

для всех i , где i - номер записи Bs t,i обучающей выборке, B - оцениваемое распределение МИ.

147

147

a ^ = max YIbik - bJM I,-(20)

st - max y ^Jt,k BJt,i

k ,1 J=0

"диаметр" обучающей выборки.

Для рассматриваемых данных объем обучающей выборки эталонных распознаваний МИ с патологической активностью составлял 20 записей BJt k, i — k — 20,0 - J — 147 - номер канала.

При исследовании реальных данных пациента с диагнозом болезни Паркинсона составляющих около (300000) записей МЭГ, длительностью сеанса 10 минут было выявлено 19651 моментов времени удовлетворяющих условию (19) и принадлежащих классу сигналов с патологической активностью.

Далее осуществлялась процедура разложения сигнала МИ по базису сферических функций, результатом которого явился массив сферических гармоник. Гармоники для 20 записей из пар выборок с присутствием активности и в ее отсутствии представлены на рис. 2 и представляет собой косинус Фурье - разложение функции распределения магнитного поля по поверхности головы. Значок стрелка определяет гармоники для записей МЭГ с наличием активности, ромб -при отсутствии спонтанной активности, вдоль оси ординат отложен номер гармоники, а вдоль оси абсцисс - значение гармоники.

Щ-!-[-\-1

-12QQ_I_1_I_I

0£Ю16 N 2D

Рис. 2

Следующим этапом явилась непосредственно процедура спектральной классификации записей МЭГ на основе прецедентной информации, содержащейся в обучающей выборке. В качестве правил, классифицирующих записи МЭГ, были использованы, как было указано выше, несколько вариантов. На рис. 3 и 4 представлен результат классификации записей. Когда классифицирующим условием принадлежности записей одной группе было число случаев совпадения гармоник в обучающей и анализируемой выборках в пределах некоторой заданной погрешности. При этом число совпадений должно превышать некоторую пороговую величину (16). Вдоль оси ординат представлены номера каналов, по оси абсцисс - значения МИ в этих каналах.

О 20 40 « М 1» 120 140

Рис. 3

На рис. 4 показана валидность V данного метода выбора классифицирующих признаков в зависимости от задаваемой погрешности а при фиксированной пороговой величине L и на рис. 5 зависимость от L при фиксированной погрешности а. Пороговая величина L и погрешность а

залдаются выражением (16). Валидность V определяется отношением числа правильно распознанных распределений МИ к общему числу записей найденных алгоритмом.

Рис. 4

Рис. 5

На рисунке 6 представлен результат классификации записей по заранее выбранным наиболее информативным гармоникам. Процедура основана на том, что предварительно выделенные наиболее представительные признаки должны лежать в пределах заданного интервала среднего значения признака для обучающей выборки. Наиболее информативный признак также должен удовлетворять условию максимальности отношения среднего значения к дисперсии (14).

Рис. 6

На рис. 7 представлена валидность V метода в зависимости от числа используемых процедурой признаков N из общего числа информативных гармоник (см. (15).