Ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів
В роботі наведено результати досліджень, що дозволили оцінити ефективність застосування різних алгоритмів згладжування сигналів пульсометрії в задачі класифікації здоров'я людини з точки зору стану серцево-судинної системи. Моделювання згладжених сигналів відбувалося за рекурентним адитивно-мул...
Gespeichert in:
| Veröffentlicht in: | Індуктивне моделювання складних систем |
|---|---|
| Datum: | 2017 |
| Hauptverfasser: | , , , , , |
| Format: | Artikel |
| Sprache: | Ukrainian |
| Veröffentlicht: |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
2017
|
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/133637 |
| 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: | Ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів / А.Л. Бойко, Є.А. Настенко, В.А. Павлов, О.О. Коновал, М.А. Осадчий, А.В. Дємєнтьєв // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2017. — Вип. 9. — С. 23-30. — Бібліогр.: 6 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-133637 |
|---|---|
| record_format |
dspace |
| spelling |
Бойко, А.Л. Настенко, Є.А. Павлов, В.А. Коновал, О.О. Осадчий, М.А. Дємєнтьєв, А.В. 2018-06-04T16:08:05Z 2018-06-04T16:08:05Z 2017 Ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів / А.Л. Бойко, Є.А. Настенко, В.А. Павлов, О.О. Коновал, М.А. Осадчий, А.В. Дємєнтьєв // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2017. — Вип. 9. — С. 23-30. — Бібліогр.: 6 назв. — укр. XXXX-0044 https://nasplib.isofts.kiev.ua/handle/123456789/133637 004.9 В роботі наведено результати досліджень, що дозволили оцінити ефективність застосування різних алгоритмів згладжування сигналів пульсометрії в задачі класифікації здоров'я людини з точки зору стану серцево-судинної системи. Моделювання згладжених сигналів відбувалося за рекурентним адитивно-мультиплікативного багатоетапним алгоритмом (РАМБА) методу групового урахування аргументів (МГУА), проведення класифікації отриманих моделей реалізовано засобами програми GMDH Shell. В данной работе приведены результаты исследования эффективности различных алгоритмов сглаживания сигналов пульсометрии в задаче классификации здоровья человека с точки зрения состояния сердечнососудистой системы. Моделирование сглаженных сигналов реализовано с помощью рекуррентного адитивно-мультипликативного многоэтапного алгоритма РАМБА метода группового учета аргументов. This paper presents the results of effectiveness research on various algorithms for smoothing pulsometry signals in the classification problem of human health from the view point of cardiovascular system state. The modeling of smoothed signals are realized using the Recurrent Aditive-Multiplicative Multistage Algorithm (RAMMA) of Group Method of Data Handling (GMDH). uk Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України Індуктивне моделювання складних систем Ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів |
| spellingShingle |
Ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів Бойко, А.Л. Настенко, Є.А. Павлов, В.А. Коновал, О.О. Осадчий, М.А. Дємєнтьєв, А.В. |
| title_short |
Ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів |
| title_full |
Ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів |
| title_fullStr |
Ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів |
| title_full_unstemmed |
Ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів |
| title_sort |
ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів |
| author |
Бойко, А.Л. Настенко, Є.А. Павлов, В.А. Коновал, О.О. Осадчий, М.А. Дємєнтьєв, А.В. |
| author_facet |
Бойко, А.Л. Настенко, Є.А. Павлов, В.А. Коновал, О.О. Осадчий, М.А. Дємєнтьєв, А.В. |
| publishDate |
2017 |
| language |
Ukrainian |
| container_title |
Індуктивне моделювання складних систем |
| publisher |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| format |
Article |
| description |
В роботі наведено результати досліджень, що дозволили оцінити ефективність застосування різних алгоритмів згладжування сигналів пульсометрії в задачі класифікації здоров'я людини з точки зору стану серцево-судинної системи. Моделювання згладжених сигналів відбувалося за рекурентним адитивно-мультиплікативного багатоетапним алгоритмом (РАМБА) методу групового урахування аргументів (МГУА), проведення класифікації отриманих моделей реалізовано засобами програми GMDH Shell.
В данной работе приведены результаты исследования эффективности различных алгоритмов сглаживания сигналов пульсометрии в задаче классификации здоровья человека с точки зрения состояния сердечнососудистой системы. Моделирование сглаженных сигналов реализовано с помощью рекуррентного адитивно-мультипликативного многоэтапного алгоритма РАМБА метода группового учета аргументов.
This paper presents the results of effectiveness research on various algorithms for smoothing pulsometry signals in the classification problem of human health from the view point of cardiovascular system state. The modeling of smoothed signals are realized using the Recurrent Aditive-Multiplicative Multistage Algorithm (RAMMA) of Group Method of Data Handling (GMDH).
|
| issn |
XXXX-0044 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/133637 |
| citation_txt |
Ефективність алгоритмів попередньої обробки даних в задачі класификації високочастотних біологічних сигналів / А.Л. Бойко, Є.А. Настенко, В.А. Павлов, О.О. Коновал, М.А. Осадчий, А.В. Дємєнтьєв // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2017. — Вип. 9. — С. 23-30. — Бібліогр.: 6 назв. — укр. |
| work_keys_str_mv |
AT boikoal efektivnístʹalgoritmívpoperednʹoíobrobkidanihvzadačíklasifikacíívisokočastotnihbíologíčnihsignalív AT nastenkoêa efektivnístʹalgoritmívpoperednʹoíobrobkidanihvzadačíklasifikacíívisokočastotnihbíologíčnihsignalív AT pavlovva efektivnístʹalgoritmívpoperednʹoíobrobkidanihvzadačíklasifikacíívisokočastotnihbíologíčnihsignalív AT konovaloo efektivnístʹalgoritmívpoperednʹoíobrobkidanihvzadačíklasifikacíívisokočastotnihbíologíčnihsignalív AT osadčiima efektivnístʹalgoritmívpoperednʹoíobrobkidanihvzadačíklasifikacíívisokočastotnihbíologíčnihsignalív AT dêmêntʹêvav efektivnístʹalgoritmívpoperednʹoíobrobkidanihvzadačíklasifikacíívisokočastotnihbíologíčnihsignalív |
| first_indexed |
2025-11-24T16:07:15Z |
| last_indexed |
2025-11-24T16:07:15Z |
| _version_ |
1850850755676733440 |
| fulltext |
А.Л. Бойко, Є.А. Настенко, В.А. Павлов, О.О. Коновал, М.А.Осадчий, А.В. Дємєнтьєв
23
Індуктивне моделювання складних систем, випуск 9, 2017
УДК 004.9
ЕФЕКТИВНІСТЬ АЛГОРИТМІВ ПОПЕРЕДНЬОЇ ОБРОБКИ ДАНИХ
В ЗАДАЧІ КЛАСИФИКАЦІЇ ВИСОКОЧАСТОТНИХ БІОЛОГІЧНИХ
СИГНАЛІВ
А.Л. Бойко, Є.А. Настенко, В.А. Павлов, О.О. Коновал, М.А.Осадчий,
А.В. Дємєнтьєв
Національний технічний університет України «Київський політехнічний інститут
імені Ігоря Сікорського»
anna_anna2612@mail.ru, nastenko.e@gmail.com, alexandra.konoval@gmail.com,
pavlov.vladimir264@gmail.com, m.osadchyy@gmail.com, liken2134@gmail.com
В роботі наведено результати досліджень, що дозволили оцінити ефективність
застосування різних алгоритмів згладжування сигналів пульсометрії в задачі класифікації
здоров'я людини з точки зору стану серцево-судинної системи. Моделювання згладжених
сигналів відбувалося за рекурентним адитивно-мультиплікативного багатоетапним
алгоритмом (РАМБА) методу групового урахування аргументів (МГУА), проведення
класифікації отриманих моделей реалізовано засобами програми GMDH Shell.
Ключові слова: алгоритми згладжування, метод групового урахування аргументів,
метод ковзного середнього, експоненціальне згладжування, медіанний фільтр, фільтр
Савицього-Голая.
This paper presents the results of effectiveness research on various algorithms for smoothing
pulsometry signals in the classification problem of human health from the view point of
cardiovascular system state. The modeling of smoothed signals are realized using the Recurrent
Aditive-Multiplicative Multistage Algorithm (RAMMA) of Group Method of Data Handling
(GMDH).
Keywords: smoothing algorithms, Group Method of Data Handling, Moving Average
Method, exponential smoothing, median filter, Savitzky-Golay filter.
В данной работе приведены результаты исследования эффективности различных
алгоритмов сглаживания сигналов пульсометрии в задаче классификации здоровья
человека с точки зрения состояния сердечнососудистой системы. Моделирование
сглаженных сигналов реализовано с помощью рекуррентного адитивно-
мультипликативного многоэтапного алгоритма РАМБА метода группового учета
аргументов.
Ключевые слова: алгоритмы сглаживания, метод группового учета аргументов,
метод скользящего среднего, экспоненциальное сглаживание, медианный фильтр, фильтр
Савицкого-Голая.
Вступ. Відомим способом зменшення впливу артефактів різної природи на
біомедичні сигнали, що реєструються, є використання методів згладжування та цифрової
фільтрації, до переваг яких відносять високу точність, гнучкість налаштування,
стабільність функціонування [1]. Проте при застосування в подальшому перетворених
даних у задачі класифікації, принципово не втратити характерні для класів ознаки
сигналу. В даній роботі вирішується проблема вибору способу первинної обробки даних
саме з такої точки зору.
mailto:anna_fnnf2612@mail
mailto:alexandra.konoval@gmail.com
mailto:m.osadchyy@gmail.com
Ефективність алгоритмів попередньої обробки даних в задачі класифікації
24
Індуктивне моделювання складних систем, випуск 9, 2017
1. Постановка задачі.
Досліджується можливість покращення результатів класифікації біомедичних
сигналів пульсометрії шляхом вибору інструменту первинної обробки даних. Приклад
сигналу для одного з об'єктів наведено на рис.1. Сигнал відображає реакцію серцево-
судинної системи студента на тестове навантаження у 20 присідань.
Рис.1. Графік оригінального сигналу пульсометрії при тестовому навантаженні
Cеред алгоритмів, що досліджуються - ковзного середнього, експоненційного
згладжування, медіанний фільтр та фільтр Савицького-Голая. Класифікація сигналів
реалізується у просторі параметрів структури їх моделей, що визначаються за допомогою
рекурентного адитивно-мультиплікативного багатоетапного алгоритму (РАМБА) [2]
методу групового урахування аргументів (МГУА) [3]. Метою роботи є визначення серед
механізмів первинної обробки даних алгоритму, що може забезпечить вищу якість
класифікації класів загального здоров'я людини з точки зору стану серцево-судинної
системи.
2. Основна частина.
Для проведення досліджень використано базу даних із записами пульсометрії 92-х
студентів (у вигляді .hrv-файлів), а також загальну оцінку здоров'я кожного студента в
діапазоні шкали від -8 до 14. Шкала відповідає 5-ти группам здоров'я – «низький» (від -8
до -5), «нижче середнього» (від -4 до 0), «середній» (від 1 до 5), «вище середнього» (від 6
до 10), «високий» (від 11 до 14). Для обробки запису сигналів пульсометрії було
застосовано 4 алгоритми: метод ковзного середнього, експоненціальне зглажування,
медіанний фільтр та фільтр Савицького-Голая. Коротко наведемо дані про алгоритми.
Метод ковзних середніх (1) нівелює випадкові відхилення значень сигналу. При
згладжуванні, фактичні значення ряду у часі замінюються середніми значеннями, що
характеризують серединну точку вікна ковзання. Згладжування ґрунтується на складанні
нового ряду з середніх арифметичних, обчислених для проміжків часу довжиною q:
)1...,,2,1(,
)(
)( qnk
q
tx
kx
kq
kt
(1)
де q - довжина періоду згладжування, шо залежить від характеру часового ряду,
мети згладжування та вибирається дослідником, k - порядковий номер середньої.
Метод експоненційного згладжування застосовується для прогнозування
нестаціонарних часових рядів, що мають випадкові зміни рівня і кута нахилу. В якості
основної моделі ряду розглядається його локальна апроксимація у вигляді полінома
невисокого ступеня p:
httattattatatx
p
p
)(...)()()()(
2
210 (2)
А.Л. Бойко, Є.А. Настенко, В.А. Павлов, О.О. Коновал, М.А.Осадчий, А.В. Дємєнтьєв
25
Індуктивне моделювання складних систем, випуск 9, 2017
коефіцієнти якого iа повільно змінюються з часом.
В основі медіанного фільтру лежить обчислення ковзної медіани. Щоб одержати
розрахунок значення ковзної медіани в точці t, обчислюється медіана значень ряду в
часовому інтервалі [t-q,t+q]. Відповідне значення є (2q+1)-точкова ковзна медіана.
Основна перевага медіанного згладжування - стійкість до наявності викидів [4].
У фільтрі Савицького-Голая замість лінійного наближення сигналу в околі кожної
точки вимірювання будується за методом найменших квадратів поліном n-го порядку, що
апроксимує первинний ряд (3). Значення чутливості при заданому хвильовому числі k
замінюється значенням полінома в цій точці [5]:
)(...)()()( 11210 niniii kSXakSXakSXaakg (3)
На рис.2, 3, 4, 5 наведено графіки сигналу (рис.1), що згладжено чотирма
згаданими алгоритмами та їх кореляція Пірсона з оригінальним сигналом
Рис. 2. Графік сигналу пульсометрії, що згладжено за алгоритмом ковзних середніх
Рис. 3. Графік сигналу пульсометрії, що згладжено за експоненційним алгоритмом
Рис. 4. Графік сигналу пульсометрії, що оброблено медіаним фільтром
Ефективність алгоритмів попередньої обробки даних в задачі класифікації
26
Індуктивне моделювання складних систем, випуск 9, 2017
Рис. 5. Графік сигналу пульсометрії, що оброблено фільтром Савицького-Голая
Оцінюючи результат візуально, можна спостерігати деякі зсуви у результатах
роботи алгоритмів ковзного середнього та експоненціального згладжування, що
притаманно цим алгоритмам при високому значенні ширини вікна та малому значенні
параметру α відповідно. Фільтри Савицього-Голая та медіанний не мають помітних
відхилень, хоча видно, що медіанний фільтр значно менше реагує на викиди сигналу.
Для попередньої оцінки обробки даних використано коефіцієнт кореляції Пірсона
між оригінальним сигналом та його згладжених версій. Результати оцінки дозволяють
зробити висновок, що фільтр Савицього-Голая найменше міняє сигнал, при цьому
достатньо добре згладжує його. Медіанний фільтр має менший коефіцієнт кореляції, саме
через свій опір до викидів. Алгоритми ковзного середнього та експоненційний мають
найменші коефіцієнти кореляції через те, що вони мають властивість дещо зсувати
вихідний сигнал. Тож оцінюючи згладжуючи властивості алгоритмів з урахуванням
значення коефіцієнту кореляції можна зробити попередній висновок, що з формальної
точки зору (без врахування кінцевої мети використання даних) доцільним є використання
алгоритму Савицького-Голая.
Для оригінального сигналу та сигналів, отриманих в результаті фільтрації, було
розраховано оптимальні структури моделей за допомогою алгоритму РАМБА [2] із
застосуванням комбінованого критерію точності.
Оптимальна структура для оригінального сигналу:
3
5
3
2-
210
)( tatataatx (4)
Оптимальна структура для сигналу, згладженого методом ковзного середнього:
taatx
10
)( (5)
Оптимальна структура для сигналу, одержаного експоненціальним згладжуванням:
1
210
)( tataatx (6)
Оптимальна структура для сигналу, згладженого медіанним фільтром:
2
4
3
4
3
1
210)( tatatataatx (7)
Оптимальна структура для сигналу, згладженого фільтром Савицького-Голая:
2
5
1
4
3
4
3
3
4
210 tatatatataa (8)
А.Л. Бойко, Є.А. Настенко, В.А. Павлов, О.О. Коновал, М.А.Осадчий, А.В. Дємєнтьєв
27
Індуктивне моделювання складних систем, випуск 9, 2017
П'ять структур, що було одержано, застосовано для розрахунку п'яти наборів
коефіцієнтів моделей для кожного з об'єктів. Значення кожного з наборів параметрів
формують для класів, що відображають оцінку здоров'я студента, матрицю об'єкт-ознаки,
для свого алгоритму обробки сигналів.
Для оцінки впливу алгоритмів згладжування на класифікацію сигналів (належність
об'єкту до відповідної групи здоров'я) у просторі параметрів кожної з одержаних структур
розраховано класифікатори засобами програми GMDH Shell [6] (табл. 1-2).
Таблиця 1
Класифікатори, що одержано за умов застосування різних алгоритмів обробки
сигналу
Фільтр Клас Рівняння класифікатора
Е
к
сп
о
н
ен
ц
ій
н
и
й
1
3
22
3
21
3
2010
3 2
2
3
2
2
1
1
2
0
3 2
0
3
01
)05(55082.8663463.0
000303368.003971.00108346.0400891.0411465.0
5758.32)05(37549.445312.29329.289498.85
aaЕaa
aaaaaaa
aaЕaaY
2
3
20
3
22
3
20
2
2
3 2
22
0208818.0000901045.0
000244258.0)06(10941.50396022.0114344.0
aaaa
aaaEaY
3 3
20
3
20
3
23
187104.0000758409.011292.1496144.0 aaaaaY
4
3
01
3
20
3
212021
2
21
3 2
1
3
14
001.1000155316.0
956397.0)06(06587.50239248.0
)07(29275.56045.26165.15706461.0804524.0
aaaa
aaaaEaa
aEaaaY
5
3
21
3
11
3
22
2
21
3 2
2
3 2
1
3
2
3
15
0677184.0937.162
000398182.0)06(51828.1279.361
036608.0411.2860311318.00727.959718.11
aaaa
aaaEa
aaaaY
М
ед
іа
н
н
и
й
1
3
32
3
30
3 2
4
3 2
21
)09(988016)08(19222
)12(58198.1)13(60241.1741744.0
aaEaaE
aEaEY
2
3
21
3
22
3
21
1
3 2
3
3 2
1
3
32
)07(02225.1)27(45081.1)07(43588.6
78975.100228492.003392.10127192.0571778.0
aaEaaEaaE
aaaaY
3
3
43
3
41
3
31
3 2
43
)08(31727.9)06(15965.2
172468.0)12(18156.1444732.0
aaEaaE
aaaEY
4
3
43
3
21
3
31
3
40
2
4
3 2
1
3 2
0
3
14
)11(69134.3)07(09858.3
0937847.0)24(78777.6)36(78248.4
47099.1)13(99114.980097.1303899.0
aaEaaE
aaaaEaE
aaEaY
5
21
3
25
)20(18013.575875.2)07(31378.3609231.0 aEaaEY
К
о
в
зн
о
го
се
р
ед
н
ь
о
го
1
3
01
2
1
1
3 2
0
3
02
0054.1333829.4
65.11899203.28631.52565.232
aaa
aaaY
Ефективність алгоритмів попередньої обробки даних в задачі класифікації
28
Індуктивне моделювання складних систем, випуск 9, 2017
2
10
2
1
2
012
0200941.09968.20
)06(69187.133299.808675.0
aaa
aEaY
3
3
11
3
010
3
03
7073.34
92093.20141182.041808.49039.28
aa
aaaaY
4
2
1
2
0104
24184.2
)05(89183.19353356.169754912.027433.8
a
aEaaY
5
0
3 2
1
3 2
0
3
1
3
05
11262.177553.3
1029.3142617.3559.289866.898
aa
aaaY
О
р
и
гі
н
ал
1
3
30
3
03
3
31
2
3
2
0
3
31
45833.12516.50288.11
8.13127)06(18836.26605.16488232.0
aaaaaa
aaEaY
2
3 2
1
3 2
0
3
3
3
02
407841.0
211772.0541205.087846.33922.17
a
aaaY
3
30
3
23
0748.4500170536.00564133.025369.1 aaaY
4
3
32
3
31
3 2
3
3 2
0
3
1
3
3
3
04
755639.08069.3476.160
534345.056121.22116.101221.101998.47
aaaaa
aaaaY
5
2105
00014447.0549044.000204567.094998.1 aaaY
С
ав
и
ц
ь
к
о
го
-Г
о
л
ая
1 3
52
3
3
3
01
00817724.001742.10465457.00285225.0 aaaaY
2
3
76
3
21
3
72
3
52
3
74
3
75
3
10
3
31
3 2
4
3
6
3
5
3
4
3
12
)05(09735.2
0275363.000354493.0
0053635.0000375239.0000819375.0
0200976.0426867.0000452644.0
0134424.000479187.00103558.0617803.0
aaE
aaaa
aaaaaa
aaaaa
aaaaY
3
7551
2
6
5003
)10(05468.4)06(09872.2)12(31222.4
)10(2759.4)06(86628.1513531.0
aaEaaEaE
aEaaEY
4
3
1551
3
45
3
75
3
63
3
42
3
53
3
65
3
51
3 2
24
)06(12355.1)07(63505.6
)07(46439.2000190281.0002785.0
00401101.000380038.0000161437.0
00847078.00538055.0594861.0
aaEaaE
aaEaaaa
aaaaaa
aaaY
5
7
405
)06(0146.2
)06(98043.8)07(16243.7379021.0
aE
aEaEY
Показники якості класифікації кожного варіанту класифікаторів наведено у
таблиці 2.
А.Л. Бойко, Є.А. Настенко, В.А. Павлов, О.О. Коновал, М.А.Осадчий, А.В. Дємєнтьєв
29
Індуктивне моделювання складних систем, випуск 9, 2017
Таблиця 2
Результати класифікації
Тип
обробки
Міра класифікації 1 2 3 4 5
О
р
и
гі
н
ал
Відсоток правильно класифікованих 89,6 76,6 60,7 93,7 98,5
Середній відсоток 83,82
Правильно класифіковані у «своєму» класі 87,18
Середнє значення F-міри 0,874
Е
к
сп
о
н
ен
тн
и
й
Відсоток правильно класифікованих 88,7 83,1 81,5 92,1 83,5
Середній відсоток 85,78
Правильно класифіковані у «своєму» класі 94,91
Середнє значення F-міри 0,88
К
о
в
зн
о
го
се
р
ед
н
ь
о
го
Відсоток правильно класифікованих 72,9 90,1 66,7 89,0 94,1
Середній відсоток 82,56
Правильно класифіковані у «своєму» класі 86,78
Середнє значення F-міри 0,855
М
ед
іа
н
н
и
й
Відсоток правильно класифікованих 81,5 85,6 76,6 87,4 76,3
Середній відсоток 81,48
Правильно класифіковані у «своєму» класі 89,5
Середнє значення F-міри 0,857
С
ав
и
ц
ь
к
о
го
-Г
о
л
ая
Відсоток правильно класифікованих 98,5 97,9 65,2 90,1 69,7
Середній відсоток 84,28
Правильно класифіковані у «своєму» класі 86,46
Середнє значення F-міри 0,86
Кращі результати класифікації сигналу пульсометрії дали моделі, одержані при
умові використання алгоритму експоненційного згладжування. Середній відсоток
правильно класифікованих об’єктів і F-міра вищі, ніж в при використанні сигналів, що
згладжені іншими алгоритмами чи оригінального сигналу.
Ефективність алгоритмів попередньої обробки даних в задачі класифікації
30
Індуктивне моделювання складних систем, випуск 9, 2017
Висновки.
Результати класифікації дали підстави визначити алгоритм експоненційного
згладжування як найбільш ефективний для попередньої обробки даних сигналу
пульсометрії з точки зору збереження істотних для класифікації сигналу властивостей.
Для вирішення задач класифікації даного виду сигналів алгоритм експоненційного
згладжування буде інтегровано в єдину систему з програмною реалізацією алгоритму
РАМБА.
Література
1. Федотов А.А., Измерительные преобразователи биомедицинских сигналов систем
клинического мониторинга /Федотов А.А., Акулов С.А.;М.:Радио и связь, 2013. –250 с.
2. Павлов В.А. Коновал А.О. Рекуррентный аддитивно-мультипликативный
многоэтапный алгоритм МГУА для задачиклассификации объектов, заданных
множествами наблюдений. Індуктивне моделювання складних систем. Збірник наук.
праць. // К.: МННЦІТС, 2015. – Вип.7. – С. 220-232.
3. Ивахненко А.Г. Помехоустойчивость моделирования / А.Г. Ивахненко, В.С. Степашко
// Киев: «Наук.думка». – 1985.– 216 с.
4. Розенберг Г.С. Экологическое прогнозирование (Функциональные предикторы
временных рядов) / Розенберг Г.С., Шитиков В.К., Брусиловский П.М.; Тольятти, 1994.
- 182 с.
5. Никонов А. В. Фильтрация методом Савицкого-Голея спектральных характеристик
чувствительности матричных фотоприемных устройств / Никонов А. В., Давлетшин Р.
В., Яковлева Н. И., Лазарев П. С.; Успехи прикладной физики, 2016 – том 4, № 2 – С.
198-205
6. GMDH Shell Documentation [Електронний ресурс] – Режим доступу:
http://d.gmdhshell.com/docs/ (дата звернення: 22.04.2017)
|