Классификатор биомедицинских сигналов

В статье рассматриваются особенности построения и принцип функционирования цифрового фильтра в составе нейросетевого классификатора биомедицинских сигналов. Предлагается новый подход к реализации процесса классификации с использованием дискриминантных функций....

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2010
Hauptverfasser:	Мартынюк, Т.Б., Буда, А.Г., Хомюк, В.В., Кожемяко, А.В., Куперштейн, Л.М.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут проблем штучного інтелекту МОН України та НАН України 2010
Schriftenreihe:	Штучний інтелект
Schlagworte:	Алгоритмическое и программное обеспечение параллельных вычислительных интеллектуальных систем
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/56160
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Классификатор биомедицинских сигналов / Т.Б. Мартынюк, А.Г. Буда, В.В. Хомюк, А.В. Кожемяко, Л.М. Куперштейн // Штучний інтелект. — 2010. — № 3. — С. 88-95. — Бібліогр.: 14 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-56160
record_format	dspace
spelling	irk-123456789-561602015-08-05T21:15:11Z Классификатор биомедицинских сигналов Мартынюк, Т.Б. Буда, А.Г. Хомюк, В.В. Кожемяко, А.В. Куперштейн, Л.М. Алгоритмическое и программное обеспечение параллельных вычислительных интеллектуальных систем В статье рассматриваются особенности построения и принцип функционирования цифрового фильтра в составе нейросетевого классификатора биомедицинских сигналов. Предлагается новый подход к реализации процесса классификации с использованием дискриминантных функций. У статті розглядаються особливості побудови і принцип функціонування цифрового фільтра у складі нейромережного класифікатора біомедичних сигналів. Пропонується новий підхід до реалізації процесу класифікації з використанням дискримінантних функцій. The features of construction and operation of the digital filter in the neural-network classifier of biomedical signals are considered in the article. A new approach to the implementation of the classification process using the discriminant functions is proposed. 2010 Article Классификатор биомедицинских сигналов / Т.Б. Мартынюк, А.Г. Буда, В.В. Хомюк, А.В. Кожемяко, Л.М. Куперштейн // Штучний інтелект. — 2010. — № 3. — С. 88-95. — Бібліогр.: 14 назв. — рос. 1561-5359 http://dspace.nbuv.gov.ua/handle/123456789/56160 004.93'1 ru Штучний інтелект Інститут проблем штучного інтелекту МОН України та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Алгоритмическое и программное обеспечение параллельных вычислительных интеллектуальных систем Алгоритмическое и программное обеспечение параллельных вычислительных интеллектуальных систем
spellingShingle	Алгоритмическое и программное обеспечение параллельных вычислительных интеллектуальных систем Алгоритмическое и программное обеспечение параллельных вычислительных интеллектуальных систем Мартынюк, Т.Б. Буда, А.Г. Хомюк, В.В. Кожемяко, А.В. Куперштейн, Л.М. Классификатор биомедицинских сигналов Штучний інтелект
description	В статье рассматриваются особенности построения и принцип функционирования цифрового фильтра в составе нейросетевого классификатора биомедицинских сигналов. Предлагается новый подход к реализации процесса классификации с использованием дискриминантных функций.
format	Article
author	Мартынюк, Т.Б. Буда, А.Г. Хомюк, В.В. Кожемяко, А.В. Куперштейн, Л.М.
author_facet	Мартынюк, Т.Б. Буда, А.Г. Хомюк, В.В. Кожемяко, А.В. Куперштейн, Л.М.
author_sort	Мартынюк, Т.Б.
title	Классификатор биомедицинских сигналов
title_short	Классификатор биомедицинских сигналов
title_full	Классификатор биомедицинских сигналов
title_fullStr	Классификатор биомедицинских сигналов
title_full_unstemmed	Классификатор биомедицинских сигналов
title_sort	классификатор биомедицинских сигналов
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
publishDate	2010
topic_facet	Алгоритмическое и программное обеспечение параллельных вычислительных интеллектуальных систем
url	http://dspace.nbuv.gov.ua/handle/123456789/56160
citation_txt	Классификатор биомедицинских сигналов / Т.Б. Мартынюк, А.Г. Буда, В.В. Хомюк, А.В. Кожемяко, Л.М. Куперштейн // Штучний інтелект. — 2010. — № 3. — С. 88-95. — Бібліогр.: 14 назв. — рос.
series	Штучний інтелект
work_keys_str_mv	AT martynûktb klassifikatorbiomedicinskihsignalov AT budaag klassifikatorbiomedicinskihsignalov AT homûkvv klassifikatorbiomedicinskihsignalov AT kožemâkoav klassifikatorbiomedicinskihsignalov AT kuperštejnlm klassifikatorbiomedicinskihsignalov
first_indexed	2025-07-05T07:23:51Z
last_indexed	2025-07-05T07:23:51Z
_version_	1836790822630064128
fulltext	«Искусственный интеллект» 3’2010 88 2М УДК 004.93'1 Т.Б. Мартынюк1, А.Г. Буда1, В.В. Хомюк1, А.В. Кожемяко1, Л.М. Куперштейн2 1 Винницкий национальный технический университет, Украина 2 Винницкий финансово-экономический университет, Украина kvantron@gmail.com, kuperok@mail.ru Классификатор биомедицинских сигналов В статье рассматриваются особенности построения и принцип функционирования цифрового фильтра в составе нейросетевого классификатора биомедицинских сигналов. Предлагается новый подход к реализации процесса классификации с использованием дискриминантных функций. Введение Анализ особенностей распознавания сигналов и изображений в медицинской диагностике показал актуальность и перспективность дальнейшего развития и широ- кого использования медицинских экспертных систем на базе новейших достижений в области нейротехнологий и нечеткой логики [1]. При этом лечебно-диагностический процесс можно представить в виде процесса обмена информацией между пациентом и врачом, причем от пациента данные о его состоянии поступают в виде биосигналов. В большинстве публикаций [2], [3] приводятся примеры обработки, анализа и распо- знавания биоэлектрических сигналов (БЭС). Эти биомедицинские сигналы наиболее приемлемы для классификации из-за возможности определения большинства призна- ков, которые доступны в процессе наблюдения (амплитудные, частотные, фазовые), а также из-за наличия развитых методов и средств их обработки и анализа [2]. При этом специфика процесса классификации БЭС предопределяет преимущества использова- ния метода классификации с вычислением дискриминантных функций (ДФ) по началь- ным данным с ограниченными статистическими описаниями [2], [3]. Известно, что методы линейного дискриминантного анализа позволяют выб- рать проекцию пространства изображения (образа) на пространство признаков таким образом, чтобы минимизировать внутриклассовое и максимизировать межклассовое расстояние в пространстве признаков. При этом фиксируются «грубые» закономер- ности экспериментальных данных об объекте классификации, поскольку линейные модели адекватны простым геометрическим конфигурациям областей пространства признаков [3]. Целью работы является разработка и исследование нового подхода с исполь- зованием метода обработки векторных данных по разностным срезам для реализа- ции процесса классификации с вычислением ДФ. Классификация образов с вычислением дискриминантных функций В работе [2] приводятся обоснованные причины, по которым для задачи клас- сификации БЭС выбираются их частотные признаки. Известные нейросетевые клас- сификаторы биомедицинских сигналов и, в частности, БЭС [4], [5] представляют собой системы с обучением. А среди алгоритмов обучения для нейросетевых класси- Классификатор биомедицинских сигналов «Штучний інтелект» 3’2010 89 2М фикаторов распространены как известные алгоритмы (например, алгоритм обратного распространения ошибки с применением градиентных методов оптимизации, эври- стические методы обучения нейросетей, алгоритм имитации отжига [6]), так и моди- фицированные (например, модель обучения метричных классификаторов на основе вероятностно-комбинаторного подхода [7]). В работе [2] представлена структура классификатора, который выполняет пред- варительную обработку БЭС ( )x t в такой последовательности: а) дискретизация по времени ( )x n ; б) ортогональное преобразование для выделения характерных признаков классификации ( )Y k ; в) вычисление вектора подмножества признаков { }1 , ..., nZ z z= . Обучение классификатора выполняется для определения весов wij и порогов iΘ классификации, что позволяет в дальнейшем сформировать систему ДФ ( )ig Z , кото- рые определяют границы m классов образов Z, 1,j n= mi ,1= . Классификатор рабо- тает по критерию минимума среднеквадратичного расстояния вектора образа Z и среднего образа iZ , созданного по данным опытов и определяющего i-й класс, кото- рому соответствует максимум величины определенной ДФ ( )ig Z . Таким образом, в процессе классификации n-мерного образа Z по m классам { }1,..., mC c c= с использованием системы ДФ ( )ig Z , 1,i m= вида 1 11 1 12 2 1 1 1 1 2 2 ( ) , ....................................................... ( ) , n n m m m mn n m g Z w z w z w z g Z w z w z w z = + + + −Θ    = + + + −Θ K K (1) принадлежность образа Z классу 0iC определяется по максимуму і-й ДФ, т.е. 0max ( ) ( ).i ii g Z g Z= (2) Известный цифровой фильтр в составе такого классификатора [2] реализует операции (1) и (2) последовательно, используя m n⋅ блоков весовых коэффициентов (для формирования величины ij jw z⋅ ), m блоков (n – 1) сумматоров в виде «пирами- ды» (для формирования ДФ ( )ig Z ) и устройство выбора максимума (для определения 0 ( )ig Z ). При этом процедура классификации по ДФ имеет все признаки нейросетевой реализации классификации. Так для формирования т ДФ g1(Z),…,gm(Z) используется однослойный персептрон, который содержит т формальных нейронов с пороговой функцией активации (так называемые персептронные нейроны [6]), что следует из выражения (1). В результате один из вариантов нейросетевого классификатора по ДФ имеет два слоя, первый из которых представляет собой однослойный персептрон, а второй может быть реализован на базе сети поиска максимума с прямыми связями (Feed-Forward MAXNET) [4]. Итак, выбранный метод классификации БЭС по ДФ [2] в соответствии с известной классификацией методов распознавания образов [8] относится к методам, которые базируются на предсказаниях о классе решающих функций. Основным преимущест- вом таких методов является прозрачность математической постановки задачи распозна- вания, как задачи поиска экстремума. Эти методы вместе с логическими, лингвистиче- скими методами и методами, которые базируются на оценках плотности распределения значений признаков (или сходства и отличия объектов), относятся к интенсиальным методам распознавания [8], т.е. используют операции с признаками в отличие от экстенсиальных методов, которые используют операции с объектами распознавания. Мартынюк Т.Б., Буда А.Г., Хомюк В.В., Кожемяко А.В., Куперштейн Л.М. «Искусственный интеллект» 3’2010 90 2М Областью применения методов, которые базируются на предсказаниях о классе решающих функций, являются классы, которые хорошо разделяются, а система при- знаков является ортонормированной. К ограничениям этих методов можно отнести то, что заранее необходимо знать вид решающей функции, а в процессе распознавания невозможно учесть новые знания о корреляциях между признаками [8]. Использование обработки по разностным срезам при классификации образов В цифровом фильтре (ЦФ), который входит в состав рассмотренного классифи- катора [2], выполняются следующие операции: 1) умножение каждого элемента zj, где 1,j n= , входного образа Z в виде вектор- ного массива данных на соответствующие коэффициенты wij весовой матрицы W, полу- ченной в процессе обучения классификатора, с формированием векторных массивов (вектор-строк) взвешенных элементов вида: 0 1 1={ · , , · }, 1,i i in nA w z w z i m=K ; (3) 2) суммирование взвешенных элементов вида: a0 ij = wij·zj (4) в каждом векторном массиве A0i с формированием сумм взвешенных элементов, которые представляют соответствующие ДФ gi(Z) согласно выражению (1) и соот- ветствуют конкретным классам Ci распознавания образов; 3) сравнение полученных сумм gi(Z) между собой для определения макси- мальной по величине суммы среди них, что является признаком принадлежности входного образа Z в виде векторного массива к соответствующему классу Ci0 по вы- ражению (2). В данной работе предлагается новый подход с использованием метода обра- ботки векторных данных по разностным срезам (РС) [9-12]. Итак, имеем следующие начальные данные: а) входной n-мерный образ Z= ={z1,…,zj,…,zn}; б) m классов C={C1,…,Ci,…,Cm}; в) матрицу весовых коэффициен- тов W={wij}, где 1,i m= , 1,j n= ; г) исходный вектор классификации P={pi}, началь- ные значения элементов pi которого равны нулю. На первом этапе классификации по РС выполняют действия (п. 1), аналогичные действиям известного нейросетевого классификатора [2]. В результате имеем век- торные массивы в виде вектор-строк A0 i (3), элементы a0 ij (4) которых соответствуют элементам конкретных ДФ gi(Z) вида (1). Представим элементы ДФ a0 ij как элементы матрицы А0 (начального двумерного РС) вида А0= 0 0 0 11 1 1 0 0 0 1 0 0 1 . . . . . . ... . . . . . . ... . . . n i in i n m mn m a a A a a A a a A                =                   , (5) строки которой составляют элементы соответствующих ДФ gi(Z). Дальнейшие дей- ствия над элементами матрицы А0 (5) имеют следующий вид [10], [11]. Классификатор биомедицинских сигналов «Штучний інтелект» 3’2010 91 2М 1. Определяется для каждого j-го столбца Aj t-1 прямоугольной матрицы Аt-1 раз- мерностью m×n, где 1,j n= , 1,t N= , метрика – мера сходства в виде 1 1 1min mint t t j j iji i q A a− − −= = , 1,i m= . (6) В результате имеем векторную метрику вида qt-1 1 1 1( ,..., ).t t nq q− −= (7) 2. Выполняется коррекция элементов столбцов матрицы Аt-1: 1 1t t t ij ij ja a q− −= − , (8) т.е. формируется матричный (двумерный) РС t t ij= {a }A . 3. Проверяются условия для всех строк матрицы t A в виде: 0, 1, t iA t N∃ = = , (9) 0 t iA∀ = . (10) В первом случае, т.е. при выполнении условия (9), остается нулевым соответ- ствующий элемент pi вектора классификации Р, т.е.: pi = 0 (11) и в дальнейшем эта нулевая строка t iA из обработки исключается. Переход к п. 4. Во втором случае при выполнении условия (10) для последней нулевой строки N lA матрицы N A формируется соответствующий единичный элемент pl вектора клас- сификации P, т.е. pl=1, 1,l m= . (12) Переход к п. 5. 4. Выполняется упорядочение матрицы t A в процессе продвижения вправо к краю нулевых элементов t ija во всех строках A t i и формирование упорядоченного двумерного РС tA . Переход к п. 1. 5. Процесс завершен. Таким образом, последовательно будут обнулены все строки Ai 0 матрицы A0 и соответствующие элементы pi вектора классификации Р, кроме элемента pl, который соответствует последней обнуленной строке A N l матрицы N A в последнем N-м цик- ле. Элемент pl имеет единичное значение, которое свидетельствует о принадлеж- ности входного образа Z к l-му классу классификации Ci0=Cl. Итак, можно сформулировать такое решающее правило классификации образов по ДФ: для n-мерного образа Z, который представлен в виде его взвешенных ком- понентов (признаков) a0 ij=wij·zj, где zj – j-й компонент входного вектора Z, wij – вес вхождения j-го компонента в i-й класс классификации, 1,i m= ; j=1,n , классифика- ция выполняется следующим образом: { }01 max A , 1,l l lp l m Z C= = ⇒ ∈ , (13) где C={C1,…,Cm} – множество классов; P={p1,…,pm} – выходной вектор классификации. Мартынюк Т.Б., Буда А.Г., Хомюк В.В., Кожемяко А.В., Куперштейн Л.М. «Искусственный интеллект» 3’2010 92 2М Таким образом, суть обработки векторных массивов данных по РС для класси- фикации образов состоит в использовании меры сходства между элементами 1 , t i ja − векторного массива 1A j t− в виде минимального элемента 1 j tq − (6) как общей части всех элементов массива 1A j t− , где 0A j – j-й вектор-столбец входного двумерного массива 0A ; N – количество этапов (циклов) обработки. Тогда разностный срез A j t вида { } { }{ }, , 1 1 1 1 , 11 min j i j j i j m mt t t t t i j ii A a q a a− − − − == = − = − (14) можно рассматривать как вектор отличий векторного массива 1A j t− в t-м цикле обра- ботки. Таким образом, при классификации образов по РС вводится векторная линей- ная метрика сходства (7) в отличие от скалярной линейной метрики − Манхэттен- ского расстояния. Кстати, все известные количественные меры сходства, а именно расстояние Хэмминга, функция корреляции, направляющие косинусы, метрика Мин- ковского и все ее частичные случаи, мера сходства Танимото и другие представляют собой скалярные величины. То есть использованная двумерная метрика сходства (7) еще раз подчеркивает двумерный характер обработки по РС по всей матрице 0A элементов ДФ в процессе классификации образов. В результате использование обработки по РС позволяет не только совместить выполнение базовых операций (1) и (2) классификатора БЭС, но и отказаться от формирования (накопления) ДФ ( )ig Z вида (1), т.е. наоборот, уменьшать эти вели- чины одновременно на величину сходства 1t jq − соответствующих одноименных эле- ментов в матричном массиве 1t−A в каждом цикле обработки. Такие действия по исключению наименьших функций ( )ig Z повторяются до момента, когда остается последняя функция ( )lg Z , которая является максимальной среди всех ДФ и опре- деляет принадлежность образа Z к l-му классу [10], [11]. В этом случае ЦФ в виде матричного процессора содержит умножитель (для формирования величин ij jw z⋅ ), вычислительный блок (для формирования матриц tA ) и блок анализа (для формирования вектора исходных сигналов Р) (рис. 1). Детальный сравнительный анализ аппаратных и временных затрат для предложенной структурной организации ЦФ (рис. 1) представлен в работе [12]. Рисунок 1 – Структурная схема ЦФ Вычисли- тельный блок Классификатор биомедицинских сигналов «Штучний інтелект» 3’2010 93 2М Анализ особенностей нейросетевой реализации цифрового фильтра Вычислительный блок и блок анализа в составе ЦФ (рис.1) можно рассматри- вать как карту РС, структура которой приведена на рис. 2 и которая содержит вычи- слительную карту в виде двумерной решетки ПЭ и карту признаков классификации в виде одномерной решетки ПЭ. Структура карты РС, приведенная на рис. 2, имеет все основания называться искусственной топографической картой, поскольку является моделью отображения признаков [13] при наличии следующих свойств: а) пространственное положение выходов соответствует конкретной области признаков данных, которые выделены во входном пространстве; б) топология отображения содержит преобразование двумер- ного входного пространства в одномерное пространство признаков; в) преобразова- ние имеет адаптивный характер; г) в качестве критерия соответствия используется критерий максимума дискриминантных функций; д) в качестве меры сходства исполь- зуется вектор минэлементов как общих составных элементов векторных массивов; е) карта признаков имеет топологию одномерной решетки, которая задана выходным пространством. Рисунок 2 – Структура карты разностных срезов Итак, проанализируем архитектуру нейросетевого классификатора с учетом особенностей ЦФ в его составе по примеру классификатора с преобразованием вход- ного пространства [14]. ЦФ (рис. 2) в предложенном классификаторе содержит два слоя (не учитывая входной слой), причем количество столбцов вычислительной карты соответствует размерности n пространства информативных признаков. Размерность выходного слоя соответствует количеству классов m, к которым могут относиться объекты распознавания. У классификатора с преобразованием входного пространства [14] пространство входных признаков преобразовывается в пространство большей размерности, а по- том для классификации линейно разделимых классов в новом пространстве исполь- зуется простой персептрон с одним слоем обученных связей. Кроме того, между вход- ным и скрытым слоями находятся связи, которые не обучаются, а между скрытым и выходным слоями – обученные связи. Количество слоев такого классификатора рав- но трем, учитывая входной слой. В предложенном классификаторе пространство входных признаков тоже пре- образовывается в пространство большей (двумерной) размерности, а потом в про- Мартынюк Т.Б., Буда А.Г., Хомюк В.В., Кожемяко А.В., Куперштейн Л.М. «Искусственный интеллект» 3’2010 94 2М цессе обработки по РС данных вычислительной карты (скрытого слоя) через немо- дифицированные связи с картой признаков (выходной слой) формируется выходной вектор, который свидетельствует о принадлежности входного образа к определен- ному классу. В предложенном классификаторе, наоборот, связи между входным и скрытым слоями являются модифицированными (обученными), а между скрытым и выходным слоями – такими, что не обучаются. Учитывая наличие одной матрицы настраиваемых связей, как предложенный классификатор, так и известный класси- фикатор с преобразованием входного пространства или RTC-классификатор [14] имеют определенные преимущества, связанные с обучением таких НС. Итак, для классификации образа Z сформировано пространство топологических признаков таким образом: каждой строке Ao i начальной матрицы А 0 ставится в соот- ветствие элемент р i вектора топологических признаков Р: 0A i ip→ , 1,i m= (15) или начальной матрице А 0 размерностью m×n ставится в соответствие вектор топологических признаков Р размерностью m: А 0 → Р, (16) т.е. выполняется сжатие входного двумерного пространства данных в одномерное пространство топологических признаков. При этом вектор топологических признаков Р или выходной вектор классифи- кации вычисляется по принципу разностно-срезовой обработки векторных данных (по столбцам матрицы А 0 ) [10], [11]. Соответственно, веса нейронов изменяются по столбцам матрицы t-1A по формуле (14), а перед обучением веса инициализируются по формуле (4). Используется обучение без учителя, этот метод обучения является конку- рентным, поскольку исключаются нейроны в строках матрицы А 0 с нулевой актив- ностью. Процесс обучения имеет итерационный характер и выполняется до момента стабилизации, т.е. до обнуления всех весов. Выходом НС на базе карты РС (рис. 2), которая фактически представляет структуру ЦФ (рис. 1), являются координаты строки нейронов матрицы А 0 , которая является победителем. Выводы 1. Использование РС в процессе классификации БЭС с формированием ДФ обуславливает применение векторной линейной метрики сходства в отличие от известных скалярных метрик (метрики Минковского, расстояния Хэмминга, евкли- дового и Манхэттенского расстояний и т.п.). Это подчеркивает двумерный характер обработки по РС по всей матрице элементов ДФ в процессе классификации БЭС, что позволяет отказаться от формирования (накопления) ДФ с последующим их сравне- нием за счет уменьшения величин ДФ одновременно на величину сходства соответ- ствующих одноименных элементов матрицы в каждом цикле обработки. 2. Особенность предложенной многослойной нейросети, которая используется в составе ЦФ для классификации образов, состоит в применении конкурентного обу- чения без учителя, который имеет итеративный характер с завершением в момент стабилизации (обнуления) строк матрицы, которая загружается в скрытый двумер- ный слой нейросети в начале работы. Таким образом, предложенная нейросеть имеет признаки карты с самоорганизацией (по аналогии с картой Кохонена), в которой Классификатор биомедицинских сигналов «Штучний інтелект» 3’2010 95 2М выполняется сжатие двумерного пространства входных данных в одномерное про- странство топологических признаков, т.е. формирование вектора принадлежности входного образа к определенному классу. Литература 1. Круглов В.В. Нечёткая логика и искусственные нейронные сети : учебн. пособие / Круглов В.В., Дли М.И., Голунов Р.Ю. – М. : Изд-во физ-мат. лит-ры, 2001. – 224 с. 2. Бернюков А.К. Распознавание биоэлектрических сигналов / А.К. Бернюков, Л.Т. Сушкова // Зару- бежная радиоэлектроника. – 1996. – № 12. – C. 47-51. 3. Рангайян Р.М. Анализ биомедицинских сигналов. Практический поход / Рангайян Р.М. [пер. с англ. А.П. Немирко]. – М. : ФИЗМАТЛИТ, 2007. – 440 с. 4. Ежов А. Нейронные сети в медицине / А. Ежов, В. Чечеткин // Открытые системы. – 1997. – № 4. – C. 34-37. 5. Нейронный классификатор [Электронный ресурс]. – Режим доступа : http://www.chat.ru/~neurocomp/. 6. Осовский С. Нейронные сети для обработки информации / Осовский С.; [пер. с польск. И.Д. Ру- динского]. – М. : Финансы и статистика, 2002. – 344 с. 7. Капустій В. Побудова та дослідження моделі навчання метричних класифікаторів на основі ймо- вірнісно-комбінаторного підходу / В. Капустій, Б. Русин, В. Таянов // Оброблення сигналів і зобра- жень та розпізнавання образів : Дев’ята Всеукр. міжнар. конф. (УкрОБРАЗ’2008), 3 – 7 листопада 2008 р.: праці. – Київ, 2008. – С. 19-22. 8. Аналитический обзор методов распознавания образов и принятия решений [Электронный ресурс]. – Режим доступа : http://lc.boom.ru/aidos/aidos99/3.htm. 9. Мартинюк Т.Б. Реалізація концепції різницевих зрізів при обробленні зображень та розпізнаванні образів / Т.Б. Мартинюк, А.В. Кожем’яко // Оптико-електронні інформаційно-енергетичні техно- логії. – 2001. – № 1. – С. 79-85. 10. Паралельний метод класифікації біоелектричних сигналів за принципом різницевих зрізів / Т.Б. Мартинюк, С.В. Павлов, Ж.О. Бітюкова, Н.В. Белік // Оптико-електронні інформаційно-енер- гетичні технології. – 2004. – № 2 (8). – С. 102-112. 11. Патент 80562 України, МПК G06К9/52, G06К9/62. Спосіб класифікації образів / Т.Б. Мартинюк, Ж.О. Бітюкова, С.В. Костюк ; Вінниц. нац. техн. ун-т. – № а200503825 ; заявл. 22.04.2005 ; опубл. 10.10.2007, Бюл. № 16. 12. Мартинюк Т.Б. Використання методу різницевих зрізів для розпізнавання біоелектричних сиг- налів / Т.Б. Мартинюк, М.В. Топчанюк, А.О. Луньов // Автоматика 2006 : XIII Міжнар. конф. з автоматичного управління, 25 – 28 вересня 2006 р.: матеріали. – Вінниця : УНІВЕРСУМ – Вінниця, 2007. – С. 418-424. 13. Хайкин С. Нейронные сети / Хайкин С. ; полный курс : пер. с англ. – М. : ООО «И.Д. Вильямс», 2006. – 1104 с. 14. Куссуль Н.Н. Нейросетевая аппроксимация метода динамического программирования на основе классификаторов с преобразованием входного пространства / Н.Н. Куссуль, М.Э. Куссуль // УСиМ. – 2001. – № 1. – С. 52-57. Т.Б. Мартинюк, А.Г. Буда, В.В. Хом’юк, А.В. Кожем’яко, Л.М. Куперштейн Класифікатор біомедичних сигналів У статті розглядаються особливості побудови і принцип функціонування цифрового фільтра у складі нейромережного класифікатора біомедичних сигналів. Пропонується новий підхід до реалізації процесу класифікації з використанням дискримінантних функцій. T.B. Martynyuk, A.G. Buda, V.V. Khomyuk, A.V. Kozhemiako, L.M. Kupershtein Classifier of Biomedical Signals The features of construction and operation of the digital filter in the neural-network classifier of biomedical signals are considered in the article. A new approach to the implementation of the classification process using the discriminant functions is proposed. Статья поступила в редакцию 30.06.2010.

Классификатор биомедицинских сигналов

Institution

Ähnliche Einträge