Методы и алгоритмы обработки электрофизиологических сигналов для автоматического распознавания стадий сна

Сон является неотъемлемой частью существования человека, занимающей более трети времени его жизни. Физиологически сон неоднороден. Он включает в себя различные функциональные состояния: фазы и стадии, чередующиеся в определенной последовательности и образующие циклы сна. Нарушение естественных циклов переходов между фазами и стадиями сна является признаком расстройств сна, которые в свою очередь могут иметь серьезные негативные последствия для организма, такие как сниженная работоспособность, утомляемость, нарушения деятельности сердечнососудистой и центральной нервной систем. Своевременное диагностирование расстройств сна может выявить и предупредить развитие многих серьезных заболеваний.

Для объективного изучения сна и его нарушений используется полисомнография — метод, включающий параллельную регистрацию электрофизиологических сигналов, таких как электроэнцефалограмма, электромиограмма и электроокулограмма. На основании анализа показателей электрофизиологической активности человека строится гипнограмма — график, отражающий последовательность стадий и фаз сна.

Общепринятая система классификации стадий сна была разработана Рехчаффеном и Кейлсом в 1968 году. Согласно данному методу, эксперт вручную анализирует записи электрофизиологических параметров, длительность которых в среднем составляет восемь часов. Для каждого тридцатисекундного отрезка записи последовательно рассчитываются характеристики, на основании которых принимается решение об отнесении рассматриваемого участка к той или иной стадии сна. Метод построения гипнограмм по правилам Рехчаффена и Кейлса является до сих пор наиболее распространенным, однако он имеет ряд существенных ограничений, а именно: фиксированная длина эпохи анализа, высокая трудоемкость, субъективность оценки. Поэтому в настоящее время существует необходимость в разработке объективных автоматизированных методах распознавания стадий сна, которые в совокупности с прибором для регистрации электрофизиологических сигналов образуют систему для диагностики расстройств сна.

На основе анализа научных и практических результатов, полученных исследователями в области разработки алгоритмов для автоматического распознавания стадий сна, были сформулированы следующие требования к разрабатываемой системе:

• высокая степень автоматизации процесса анализа длительных записей электрофизиологических сигналов, позволяющая в течение нескольких минут строить гипнограммы;

• высокая точность распознавания каждой из стадий сна, достаточная для применения в реальном диагностическом процессе;

• независимость метода от состава базы данных и адаптация к ее особенностям;

• возможность расширения используемого набора регистрируемых физиологических показателей и рассчитываемых по ним параметров и характеристик;

• возможность модификации алгоритма с использованием различных принципов классификации стадий сна.

Таким образом, разработка интегрированного аппаратно-программного комплекса для решения задачи автоматического распознавания стадий сна и построения гипнограммы является актуальной.

Цель работы.

Целью данной диссертационной работы является разработка методов и алгоритмов обработки электрофизиологических сигналов для решения задачи автоматического распознавания стадий сна.

Для достижения поставленной цели в диссертационной работе были решены следующие основные задачи:

• Проведено исследование и анализ существующих систем и методов решения задачи автоматического распознавания стадий сна.

• Разработана функциональная структура аппаратно-программного комплекса, предназначенного для решения задачи автоматического распознавания стадий сна.

• Разработаны методики предобработки записей электрофизиологических сигналов, сегментации на участки относительной стационарности с учетом специфики задачи распознавания стадий сна.

• Разработаны методы и алгоритмы параметризации электрофизиологических сигналов на основе быстрого преобразования Фурье и фрактальной размерности.

• Сформированы наборы характеристик электрофизиологических сигналов и оптимальных параметров классификаторов для решения задачи автоматического распознавания стадий сна.

• Разработаны методы и алгоритмы классификации характеристик электрофизиологических сигналов, позволяющие решать задачу автоматического распознавания стадий сна.

• Выполнена практическая реализация разработанных методов и алгоритмов при создании аппаратно-программного комплекса.

• Проведена апробация методов и алгоритмов на верифицированных базах данных записей электрофизиологических сигналов.

Научная новизна.

Научная новизна полученных результатов состоит в теоретическом обосновании, экспериментальном обеспечении и разработке эффективных алгоритмов и методов обработки и анализа электрофизиологических сигналов для решения задачи автоматического распознавания стадий сна.

В ходе выполнения диссертационной работы получены следующие научные результаты.

• Разработай комплексный метод решения задачи автоматического распознавания стадий сна, состоящий из сегментации записей, параметризации сегментов и классификации стадий сна.

• Предложена реализация адаптированного к задаче распознавания стадий сна метода разделения записей электрофизиологических сигналов на участки относительной стационарности, с использованием алгоритма непараметрической сегментации.

• Предложено совместное использование спектральных показателей и фрактальных размерностей при формировании векторов характеристик сигнала. С помощью анализа корреляционных матриц выявлены отведения и набор характеристик для классификации стадий сна.

• Предложен набор параметров классификатора стадий сна на основе многослойного персептрона.

• Предложен алгоритм классификации стадий сна на основе каскада многослойных классификаторов позволяющий повысить равномерность распознавания всех стадий.

Практическая значимость работы.

Разработанный аппаратно-программный комплекс для регистрации, обработки и анализа электрофизиологических сигналов может быть использован для исследования физиологического состояния человека во время сна и построения гипнограммы в ручном и автоматическом режимах (рисунок 1).

Рисунок 1. Программно-аппаратный комплекс для решения задачи автоматического распознавания стадий сна.

Применение методов автоматического распознавания стадий сна позволяет значительно сократить время обработки записей электрофизиологических сигналов и повысить объективность проводимого анализа.

Предложенные методики сегментации, расчета характеристик и классификации являются универсальными и позволяют расширить возможности применения системы для распознавания различных расстройств центральной нервной системы человека.

Разработанный аппаратно-программный комплекс, благодаря его универсальности, может быть использован для подобного рода исследований в других областях медицины и техники, как в практической, так и научной деятельности.

Основные результаты работы.

1. Проведенный анализ существующих систем и методов для автоматической классификации стадий сна показал, что их основным недостатком является недостаточная для применения в реальных диагностических условиях точность и равномерность распознавания всех стадий сна, фиксированная длина эпох анализа, а так же ограниченные возможности по расширенному применению методов на другие принципы классификации.

2. Разработан комплексный метод решения задачи автоматического распознавания стадий сна. Реализованы алгоритмы решения основных этапов задачи: разделения записей на эпохи анализа, параметрического описания записей и классификации стадий сна.

3. Предложена реализация адаптированного к задаче распознавания стадий сна метода сегментации записей электрофизиологических сигналов, использующего алгоритм непараметрической сегментации.

4. При формировании векторов характеристик сигнала совместно использованы спектральные показатели и фрактальные размерности. С помощью анализа корреляционных матриц выявлены отведения и набор характеристик для классификации стадий сна.

5. Проведено сравнение семи видов нейросетевых классификаторов, которое показало, что наиболее эффективным для решения задачи автоматического распознавания стадий сна является многослойный персептрон с предварительным пересчетом статистических весов примеров обучающей выборки.

6. Предложен оптимальный набор параметров классификаторов, условий их обучения и метод обработки статистических весов примеров обучающей выборки обеспечивающий высокую точность распознавания стадий сна.

7. Разработанная схема каскада классификаторов позволила повысить равномерность распознавания всех стадий сна.

8. Разработан аппаратно-программный комплекс для автоматического распознавания стадий сна на основе предложенных методов и алгоритмов обработки и анализа электрофизиологических сигналов.

9. Проведено тестирование разработанных методов и алгоритмов на верифицированных базах данных. Точность распознавания на тестовой выборке составляет 15%.

10. Разработанный аппаратно-программный комплекс внедрен в ряде ведущих научных организаций и используется для исследования физиологического состояния человека во время сна.

Достоверность полученных результатов.

Достоверность полученных результатов подтверждается результатами тестирования программы на верифицированных базах данных, подтвердившими надежность разработанных методов и алгоритмов.

Апробации работы.

Основные положения и результаты диссертационной работы были представлены и обсуждены:

• на XIII, XIV, XV всероссийских межвузовских НТК студентов и аспирантов «Микроэлектроника и информатика» (Москва, 2006, 2007, 2008);

• на Всероссийском молодежном научно-инновационном конкурсеконференции «Электроника — 2006» (Москва, 2006);

• на II Международной конференции «Человек и электромагнитные поля» (Саров, 2007);

• на конкурсе молодежных инновационных предпринимательских проектов «День науки Зеленоград» (Москва, 2007);

• на XX съезде Физиологического общества им. И. П. Павлова (Москва, 2007);

• The 3rd, 4th Russian-Bavarian Conference on Bio-Medical Engineering, (Erlangen, Bavaria 2007, Moscow 2008);

4.7. Выводы.

Результаты сегментации показали, что средняя длина стационарных сегментов не превышает 5 секунд, а количество таких сегментов составляет более 80%.

Точность разработанного метода автоматической классификации стадий сна составляет 76% на тестовой выборке, при использовании единственного классификатора разделяющего на шесть стадий на основе векторов характеристик размерности 16.

Наиболее хорошо распознаются состояния бодрствование (82%), ФБС (85%), 2 стадия (87%) и 4 стадия (83%). Стадии 1 и 3 трудно поддаются разделению, что объясняется малым количеством примеров данных стадий в обучающей выборке (15% и 3% соответственно от общей длительности) и неоднозначностью в определении их признаков.

Применение каскадной схемы классификации позволяет повысить равномерность распознавания, о чем свидетельствует полученная средняя точность распознавания всех стадий 64%.

Метод распознавания на основе СММ адаптируется к особенностям анализируемой записи и учитывает при классификации не только характеристики текущего состояния, но и предыдущее распознанное состояние.

ЗАКЛЮЧЕНИЕ

.

Проведенный анализ существующих систем и методов для автоматической классификации стадий сна показал, что их основным недостатком является недостаточная для применения в реальных диагностических условиях точность и равномерность распознавания всех стадий сна, фиксированная длина эпох анализа, а так же ограниченные возможности по расширенному применению методов для использования других принципов классификации.

В ходе выполнения диссертационной работы разработан комплексный метод решения задачи автоматического распознавания стадий сна. Реализованы алгоритмы решения основных ее этапов: разделения записей на эпохи анализа, параметрического описания записей и классификации стадий сна.

Предложена реализация адаптированного к задаче распознавания стадий сна метода сегментации записей электрофизиологических сигналов, использующего алгоритм непараметрической сегментации.

При формировании векторов характеристик сигнала совместно использованы спектральные показатели и фрактальные размерности. С помощью анализа корреляционных матриц выявлены отведения и набор характеристик для классификации стадий сна.

Проведено сравнение семи видов нейросетевых классификаторов, которое показало, что наиболее эффективным для решения задачи автоматического распознавания стадий сна является многослойный персептрон с предварительным пересчетом статистических весов примеров обучающей выборки.

Предложен оптимальный набор параметров классификаторов, условий их обучения и метод обработки статистических весов примеров обучающей выборки, обеспечивающий высокую точность распознавания стадий сна.

Разработанная схема каскада классификаторов позволила повысить равномерность распознавания всех стадий сна.

Разработан аппаратно-программный комплекс для автоматического распознавания стадий сна на основе предложенных методов и алгоритмов обработки и анализа электрофизиологических сигналов.

Итогами тестирования программы на верифицированных базах данных были подтверждены преимущества разработанных методов и алгоритмов. Показано, что при использовании двухслойной нейронной сети точность распознавания стадий сна составляет 76% на тестовой выборке.

Разработанный аппаратно-программный комплекс внедрен в ряде ведущих научных организаций и используется для исследования физиологического состояния человека во время сна.