Методы и алгоритмы обработки электрофизиологических сигналов для автоматического распознавания стадий сна тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Дорошенков, Леонид Георгиевич

• Дорошенков, Леонид Георгиевич
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Дорошенков, Леонид Георгиевич

Список аббревиатур.

Введение.

Цель работы.

Научная новизна.

Практическая значимость работы.

Основные результаты работы.

Достоверность полученных результатов.

Апробации работы.

Глава 1 Исследования сна.

1.1. Феноменология сна.

1.2. Нарушения сна.

1.3. Применения электроэнцефалографии для исследования сна.

1.3.1. Система расположения электродов «10-20».

1.3.2. Ритмы и паттерны ЭЭГ.

1.3.3. Фазы сна и гипнограмма.

1.3.4. Классификация сна по правилам Рехчаффена и Кейлса.

1.4. Метод полисомнографии.

1.4.1. Регистрация данных.

1.4.2. Анализ данных.

1.4.3. Клиническое заключение.

1.5. Анализ рынка систем для проведения полисомнографических исследований.

1.6. Разработка аппаратно-программного комплекса для решения задачи автоматического распознавания стадий сна.

Глава 2 Алгоритмы для решение задачи автоматического распонаваия стадий снаЗО

2.1. Комплексное решение задачи автоматического распознавания стадий сна.

2.2. Подходы к автоматизации распознавания стадий сна.

2.3. Разработка методов сегментации записей.

2.3.1. Стационарный случайный процесс.

2.3.2. Метод фиксированных интервалов.

2.3.3. Параметрическая сегментация.

2.3.4. Непараметрическая сегментация.

2.4. Разработка методов параметризации.

2.4.1. Электроэнцефалографическая семиотика.

2.4.2. Параметризация на основе преобразования Фурье.

2.4.3. Параметризация на основе фрактальной размерности.

2.5. Разработка методов классификации.

2.5.1. Архитектура алгоритмов классификации.

2.5.2. Исследования и разработка однослойных классификаторов.

2.5.3. Исследования и разработка многослойных классификаторов.

2.5.4. Разработка линейной кластеризации.

2.5.5. Алгоритмы обучения на основе самоорганизации.

2.5.6. Алгоритм обучения на основе обратного распространения ошибки.

2.5.7. Методы обработки статистических весов примеров обучающей выборки

2.5.8. Разработка классификатора на основе скрытых моделей Маркова.

2.6. Выводы.

Глава 3 Программно-аппаратный комплекса для анализа показателей электрофизиологической активности человека во сне.

3.1. Назначение программно аппаратного комплекса.

3.1.1. Функциональные возможности аппаратной реализации.

3.1.2. Функциональные возможности программных модулей.

3.2. Состав программно-аппаратного комплекса.

3.3. Модуль предобработки ЭЭГ.

3.4. Модуль параметризации ПСГ.

3.4.1. Изменение размерности входного пространства.

3.5. Модуль классификации.

3.5.1. Выбор оптимального классификатора.

3.5.2. Алгоритм классификации стадий сна на основе многослойного персептрона.

3.5.3. Алгоритм классификации стадий сна на основе скрытых моделей Маркова.

3.6. Выводы.

Глава 4 Применение программно-аппаратного комплекса для автоматического распознавания стадий сна.

4.1. База данных.

4.1.1. Формирование обучающей и тестовой выборки.

4.2. Сегментация записей.

4.3. Параметризация записей.

4.4. Тестирование классификатора на основе многослойного персептрона.

4.4.1. Обучение классификатора.

4.4.2. Тестирование классификатора.

4.4.3. Пример применения классификатора на основе многослойного персептрона.

4.5. Тестирование каскадного классификатора на основе многослойного персептрона.

4.5.1. Обучение классификаторов.

4.5.2. Тестирование классификаторов.

4.5.3. Пример применения каскада классификаторов на основе многослойного персептрона.

4.6. Тестирование классификатора на основе скрытых моделей Маркова.

4.6.1. Пример применения классификатора на основе скрытых моделей Маркова.

4.7. Выводы.

Введение диссертации (часть автореферата) на тему «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 конкурсе -конференции «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);

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Дорошенков, Леонид Георгиевич

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.

Список литературы диссертационного исследования кандидат технических наук Дорошенков, Леонид Георгиевич, 2009 год

1. Айрапетянц М.Г., Вейн A.M. Неврозы в эксперименте и в клинике. М.: Наука, 1982.-272 с.

2. Вейн A.M. Нарушения сна и бодрствования. М.: Медицина, 1974. - 383 с.

3. Ротенберг B.C. Адаптивная функция сна: Причины и проявления ее нарушенияю. -М.: Наука, 1982. 175 с.

4. Демин Н.Н., Коган А.Б. и Моисеева Н.И. Нейрофизиология и нейрохимия спа. Л.: Наука, 1978. - 190 с.

5. А.И. Крюков, И.А. Лешкевич. Рекомендации по лечению храпа и синдрома обструктивного апноэ сна. М.: МЕДпресс-информ 2004. - 12 с.

6. Jewett D.L. An average response technique for recording potentials relative to a dislant point without EKG interference. // EEG and Clin. Neurophysiol., 1970 v.28. -pp.414-416.

7. Jewett D.L., Romano H.M., Williston J.S. Human auditory evoked potentials possible brain-stem components detected on the scalp. // Science, 1970, v.167. pp.15171518.

8. Jewett D.L., Willinston J.S. Auditory evoked far fields averaged from scalp of humans. // Brain, 1971, 94. pp.681-696.

9. Гнездицкий B.B. Обратная задача ЭЭГ и клиническая энцефалография. -Таганрог: ТРТУ, 2000. 453 с.

10. Пенфильд У, Джаспер Г. Эпилепсия и функциональная анатомия головного мозга человека. М.: ИЛ, 1958.- 130 с.

11. Зенков Л.Р., Ронкин М.А. Функциональная диагностика нервных болезней. Руководство для врачей. М.: МЕДпресс-информ, 2004. - 492 с.

12. Жирмунская Е.А. Клиническая электроэнцефалография. М.: МЭЙБИ, 1991.-77 с.

13. Saatchi M.R. and Jervis B.W. PC-based integrated systems developed to diagnose specific brain disorders. // Computing and Control Engineering J., 2(2), March 1991.-pp. 61-68.

14. Rechtschaffen A., Kales A.A. A Manual of Standardized Terminology,

15. Techniques and Scoring System for Sleep Stages of Human Subjects. Washington DC: U.S. Government Print. Office, National Institute of health Publications. No 204, 1968.

16. Вейн A.M., Хехт К. Сон человека. Физиология и патология. М: Медицина, 1989. -272 с.

17. Романов А.И. Медицина сна. М.: Слово, 1998. - 368 с.

18. Каллистов Д.Ю., Романов А.И. Инструментальная диагностика расстройств сна: показания и вопросы стандартизации. // Кремлевская медицина. (Клинический вестник) Тематический выпуск: Сомнология. — 1998. с. 42-46.

19. Белов А. М. Анализ процесса сна при полисомнографии. М.: ТГТПС, 2000.-81 с.

20. Kushida С.A., Littner M.R., Morgenthaler Т. Practice parameters for the indications for polysomnography and related procedures: an update for 2005. -Sleep 2005 Apr 1;28(4). pp. 499-521.

21. Захаров E.C., Скоморохов A.A. Современные средства и методы обработки нейрофизиологических сигналов для задачи исследования сна // Научный журнал "Современные наукоемкие технологии". 2008. №7. - с. 106-108.

22. Cvetkovic D., Cosic I. Sleep onset estimator: Evaluation of parameters. // IEEE Engineering in Medicine and Biology Society, 2008. pp. 3860-3863.

23. Schaltenbrand N., Lengelle R., Macher J.P. Neural network model: application to automatic analysis of human sleep // Computers and Biomedical Research 26. 1993. -pp. 157-171.

24. Schaltenbrand N. et.al. Sleep stage scoring using the neural network model: Comparison between visual an automatic analysis in normal subjects and patients // Sleep, 1(1) 1996.-pp. 26-35.

25. Robert C., Guilpin C., Limoge A. Review of neural network application in sleep research. // Journal of Neuroscience Methods 79, 1998. pp. 187-193.

26. Jobert M., Timer C., Oiseau E. Wavelets a new tool in sleep biosignal analysis //Journal of Sleep Research 3, 1994. - pp. 223-232.

27. Ebrahimi F., Mikaeili M., Estrada E. Automatic sleep stage classification based on EEG signals by using neural networks and wavelet packet coefficients // IEEE Engineering in Medicine and Biology Society, 2008. pp. 1151-1154.

28. Malinowska U., Durka P.J., Blinowska K.J. Micro- and macrostructure of sleep EEG // IEEE Engineering in Medicine and Biology Magazine, 2006. pp. 26-31.

29. Vetterli M., Kovacevic J. Wavelet and Subband Coding Prentice Hall Signal Processing Series, Prentice Hall. - 1995 488 p.

30. Rioul O., Vetterli M. Wavelets and Signal processing // IEEE SP Magazine. -1991, vol. 8,№.4.-pp. 14-38.

31. Oropesa E., Cycon FI.L., Jobert M. Sleep Stage Classification using Wavelet Transform and Neural Network // TR-99-008 March 30, 1999. pp. 1-7.

32. Phothisonothai M, Nakagawa M. EEG signal classification method based on fractal features and neural network // IEEE Engineering in Medicine and Biology Society, 2008. pp. 3880-3883.

33. Neal R.M. Bayesian Learning for Neural Networks // Springer, New York, 1996. 183 p.

34. Sykacek P., Roberts S., Rezekl I., Flexer A., Dorffner G. A probabilisticapproach to high-resolution sleep analysis 11 International conference in artificial neural networks, Vienna, 2001, Vol. 2130. pp. 617-624.

35. Schetinin V. Polynomial Neural Networks Learnt to Classify EEG Signals // In Proceedings of International Conference NIMIA-SC2001. Italy, October, 2001. - pp. 300-308.

36. Hassaan A.A., Morsy A.A. Adaptive hybrid system for automatic sleep staging // IEEE Engineering in Medicine and Biology Society, 2008. pp. 1631-1634.

37. Picot A., Charbonnier S., Caplier A. On-line automatic detection of driver drowsiness using a single electroencephalographic channel // IEEE Engineering in Medicine and Biology Society, 2008. pp. 3864-3867.

38. Riedmiller, M., Braun, H., A direct adaptive method for faster back propagation learning: The RPROP algorithm // Proceedings of the IEEE International Conference on Neural Networks, San Fransisco, USA, 1993, Vol. 1. pp. 586-591.

39. Heiss J.E., Held C.M., Estevez P.A., Perez, C.A., Holzmann C.A., Perez J.P. Classification of sleep stages in infants: a neuro fuzzy approach // IEEE engineering in Medicine and Biology, 2002, Vol. 21,1. 5. pp. 147 - 151.

40. Warakagoda N.D. A Hybrid ANN-HMM ASR system with NN based adaptive preprocessing// M.Sc. Thesis, Norges Tekniske Hogskole, Institutt for Teleteknikk, Transmisjonsteknikk, May 19, 1996.

41. Novak D., Al-ani Т., Hamam A., Lhotska L. Electroencephalogram processing using Hidden Markov Models. In Proceedings of the 5th EUROSIM Congres Modelling and Simulation CD-ROM. Vienna: EUROSIM-FRANCOSIM-ARGESIM, 2004, vol. II.

42. Flexer A., Sykacek P., Rezek I., Dorffner G. An automatic, continuous and probabilistic sleep stager based on a Hidden Markov Model // Applied Artificial Intelligence. 2002, Vol. 16, Num. 3. - pp.199-207.

43. Flexer A., Gruber G. and Dorffner G. Improvements on continuousunsupervised sleep staging // International conference on artificial neural networks, № 12, Madrid, 2002 , Vol. 2415. pp. 1013-1018.

44. Скоморохов А.А., Захаров E.C. Полисомнографические исследования и задача автоматизированного построения гипнограммы. // Известия ТРТУ. Тематический выпуск. «Медицинские информационные системы». Таганрог: ТРТУ, 2006. №11(66). - с. 135-138.

45. Захаров Е.С., Кравченко П.П., Скоморохов А.А. Метод автоматизированного построения гипнограммы. // Журнал «Известия ТПУ» -Томск: ТПУ, т. 311., №5/2007. с 136-139.

46. Захаров Е.С., Кравченко П.П., Скоморохов А.А. О решении задачи классификации стадий сна. // Вестник компьютерных и информационных технологий М.: Машиностроение, №5/2008 - с. 48-53.

47. Каплан А.Я. Проблема сегментного описания электроэнцефалограммы человека // Физиология человека. — 1999. том 25. - №1. - с. 125-133.

48. Kaplan A., Roschke J., Darkhovsky В., Fell J. Macrostructural EEG characterization based on nonparametric change point segmentation: application to sleep analysis. Journal of Neuroscience Methods, 2001, 106(1). - pp. 81-90.

49. Barlow J.S. Methods of analysis of nonstationary EEGs, with emphasis on segmentation techniques: a comparative review // J. Clin. Neurophysiol. 1985, V. 2, N.3. - pp. 267-304.

50. Jansen B.H., Hasman A., Lenten R. Piece-wise EEG analysis: an objective evaluation // Internet. J. Bio-Med. Comput. 1981, V. 1. - pp. 17-27.

51. Bodenstein G., Praetorius H.M. Feature extraction from theelectroencephalogram by adaptive segmentation // Proc. IEEE. 1977, V. 65. - pp. 642.

52. Penny W.D.; Roberts S.J. Dynamic Models for Nonstationary Signal Segmentation // Computers and Biomedical Research, 1999, 32 (6). - pp. 483-502.

53. Biscay R., Lavielle L., Gonzalez A., et al. Maximum a posteriori estimation of change points in the EEG // Int J of Biomed Computing. 1995, V. 38. - pp. 189-196.

54. Каплан А.Я. Нестационарность ЭЭГ: методологический и экспериментальный анализ // Успехи физиологических наук. М.: 1998, 29(3). -с. 35-55.

55. Brodskey В., Darkhovsky В., Kaplan A., Shishkin S. A nonparametric method for the segmentation of the EEG // Computer Methods and Programs in Biomedicine 60 (1999). pp. 93 - 106.

56. Бродский Б.Е., Дарховский B.C., Каплан А .Я. и др. Непараметрическая сегментация электрических сигналов мозга. // Автоматика и телемеханика. — М.: 1998, №2. с.23-32.

57. Шишкин С,Д., Бродский Б.Е., Дарховский Б.С, Каплан А.Я. ЭЭГ как нестационарный сигнал: подход к анализу на основе непараметрической статистики // Физиология человека. 1997. - Т. 23, № 4. - с. 124-126.

58. Егорова И.С. Электроэнцефалография. М.: Медицина, 1973. - 296 с.

59. Higuchi Т. Approach to an irregular time series on the basis of a fractal theory //Physica D 31. 1988. - pp. 277-283.

60. Higuchi T. Relationship between the fractal dimension and the power law index for a time series: a numerical investigation // Physica D 46, 1990. - pp. 254-264.

61. Оссовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2004. - 344 с.

62. Хайкин С. Нейронные сети полный курс. М.: Диалектика, 2009. - 1104 с.

63. Галушкин А.И. Теория нейронных сетей. М.: ИПРЖР, 2000. - 416с.

64. Kohonen Т. Self-organizing feature maps. Berlin.: 2001. - 501 p.

65. Bishop C.M. Neural networks for pattern recognition. Oxford.: 1995. - 504 p.

66. Терехов С.А. Гениальные комитеты умных машин. Нейроинформатика 2007. Лекции по нейроинформатике. Часть 2. М.: МИФИ, 2007.

67. Беспроводной усилитель ЭЭГ / ЭКГ для исследователей и клиницистов. Электронный ресурс. URL: http://www.mks.ru/news/2009/05/18/KARDi3.html (дата обращения 10.10.2009).

68. European Data Format Электронный ресурс. URL: http://www.edfplus.info/ (дата обращения 14.11.2008).

69. Open source software library for biomedical signal processing «BioSig» Электронный ресурс. URL: http://biosig.sourceforge.net/download.html (дата обращения 5.06.2009).

70. Cross-platform tool which allows the EDF files visualization and manipulation Электронный ресурс. URL: http://www.loria.fr/~kerkeni/jEDF.php (дата обращения 5.06.2009).

71. Карловский Д.В. Дорошенков Л.Г. Система Visual mind для анализа ЭЭГ сигналов в задаче проектирования нейрокомпьютерных интерфейсов. // Тезисы докладов II Международной конференции «Человек и электромагнитные поля». Саров: РФЯЦ-ВНИИЭФ 2007 г. с. 97.

72. Дорошенков Л.Г., Карловский Д.В. Система проектирования графов обработки ЭЭГ в задачах нейрокомпьютерного интерфейса // Медицинская техника. 2009. №3. - с. 16-19.

73. Brodsky В.Е., Darkhovsky B.S. Nonparametric methods in change-point problems. Kluwer Academic Publishers, 1993. - 209 p.

74. Virkkala J., Hasan J., Velin R., Himanen SL., Varri A., Van Someren EJ. Automatic sleep detection using activity and facial electrodes channel // IEEE Engineering in Medicine and Biology Society, 2008. pp. 1639-1642.

75. Virkkala J., Velin R., Himanen SL., Varri A., Muller K., Hasan J. Automatic sleep stage classification using two facial electrodes// IEEE Engineering in Medicine and Biology Society, 2008. pp. 1643-1646.

76. Карловский Д.В., Дорошенков Л.Г. Разработка программного модуля обработки и анализа ЭЭГ в режиме реального времени. // Человек и электромагнитные поля. Сборник материалов докладов II Международной конференции.: Саров: РФЯЦ-ВНИИЭФ, 2008. - с. 408.

77. Дорошенков Л.Г., Конышев В.А., Селищев С.В. Исследование фаз сна по ЭЭГ человека на основе скрытых моделей Маркова // Медицинская техника январь-февраль 2007, №1. с 24-28.

78. Дорошенков Л.Г., Понкратова О.Н. Детекция фаз сна по ЭЭГ человека на основе скрытых моделей Маркова // XX съезд Физиологического общества им. И.П. Павлова. Тезисы докладов. М.: Русский врач, 2007. - с. 216.

79. Дорошенков Л.Г. Детекция фаз сна по ЭЭГ человека на основе скрытых моделей Маркова // XIII всероссийская межвузовская НТК студентов и аспирантов: «Микроэлектроника и информатика 2006». Тезисы докладов. - М.: МИЭТ, 2006. -с. 312.

80. Дорошенков Л.Г. Определение фаз сна по ЭЭГ человека на основе скрытых моделей Маркова // Биомедицинские электронные системы: Сборник научных трудов. Под ред. д.ф.м.н. профессора С.В. Селищева. М.: МИЭТ, 2007. -с. 102-112.

81. Official site of St Vincent's University Hospital. Электронный ресурс. URL: http://www.stvincents.ie/ (дата обращения 7.08.2009).

82. Official site of Erich JAEGER company Электронный ресурс. URL: http://www.jaeger-toennies.com/ (дата обращения 14.09.2009).

83. Database. Sleep Recordings and Hypnograms in European Data Format (EDF). Электронный ресурс. URL: http://www.physionet.org/ (дата обращения 11.07.2007).