Методы и устройства быстрой сегментации ЭЭГ-сигнала тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Жаринов, Игорь Олегович

• Жаринов, Игорь Олегович
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Жаринов, Игорь Олегович

ВВЕДЕНИЕ.

1. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ЭЛЕКТРОЭНЦЕФАЛОГРАММЫ ЧЕЛОВЕКА.

1.1. Особенности и свойства процесса. Классы ЭЭГ.—

1.2. Авторегрессионный анализ в электроэнцефалографии

1.3. Постановка задачи формирования описания классов ЭЭГ и основные подходы к ее решению.

1.4. Математико-статистические методы в задаче параметризации описания ЭЭГ.

1.4.1. Описание классов ЭЭГ моделями авторегрессии.—

1.4.2. Описание классов ЭЭГ моделями авторегрессиискользящего среднего.

Выводы.

2. СЕГМЕНТАЦИЯ

ЭЛЕКТРОЭНЦЕФАЛОГРАММЫ ЧЕЛОВЕКА.

2.1. Постановка задачи сегментации ЭЭГ и основные подходы к ее решению.—

2.2. Математическое описание методов сегментации ЭЭГ-сигнала

2.2.1. Методы рекуррентных статистик .—

2.2.2. Методы кумулятивных сумм.

2.2.3. Методы динамических эталонов.

2.2.4. Пороговые уровни принятия решений.

2.3. Кратковременные нестационарности на ЭЭГ.

Выводы.

3. КЛАССИФИКАЦИЯ

ЭЛЕКТРОЭНЦЕФАЛОГРАММЫ ЧЕЛОВЕКА.

3.1. Динамическая классификация ЭЭГ.—

3.1.1. Постановка задачи классификации.—

3.1.2. Бинарная и многоальтернативная классификация.

3.1.3. Уравнения динамической классификации.

3.2. Алгоритмы многоальтернативной классификации ЭЭГ.

3.2.1. Алгоритмы на основе методов рекуррентных статистик.—

3.2.2. Алгоритмы на основе методов кумулятивных сумм.—

3.2.3. Алгоритмы на основе методов динамических эталонов.

3.3. Устройства многоальтернативной классификации ЭЭГ.

Выводы.

4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ПОКАЗАТЕЛЕЙ КАЧЕСТВА СЕГМЕНТАЦИИ И

КЛАССИФИКАЦИИ ЭЭГ.

4.1. Исходные данные.—

4.2. Статистические испытания методов сегментации и алгоритмов классификации ЭЭГ.

4.2.1. Классификация ЭЭГ в стационарном режиме.—

4.2.2. Сегментация ЭЭГ на участки квазистационарности в динамическом режиме.

Выводы.

Введение диссертации (часть автореферата) на тему «Методы и устройства быстрой сегментации ЭЭГ-сигнала»

Электроэнцефалография является, как известно, одним из основных методов объективного тестирования функций нервной системы человека. В настоящее время не существует универсальных алгоритмов, пригодных для всестороннего анализа электроэнцефалографической (ЭЭГ) информации или решения задач автоматической медицинской диагностики. Однако многие прикладные задачи решаются при помощи ЭВМ весьма успешно. Общие закономерности формирования биоэлектрических процессов составляют априорную информацию, которая используется для синтеза и оптимизации алгоритмов статистической обработки. В частности, экспериментально подтверждается /12, 43, 47,60,106,124/, что нестационарный случайный процесс, соответствующий ЭЭГ-процессу, может быть разделен на информативные квазистационарные участки различной длительности, в пределах которых его статистические свойства существенно не изменяются. Эти квазистационарные участки отражают физиологические состояния соответствующих отделов головного мозга и определяют ряд важных диагностических признаков. Оценивание границ квазистационарных участков составляет задачу сегментации ЭЭГ. При этом важное значение имеют статистические характеристики сегментов, поэтому, кроме задачи собственно сегментации, необходимо решать задачу классификации ЭЭГ.

Сегментный подход в ЭЭГ-исследованиях был впервые предложен /12/ в 1977 г. и заключался в попытке исследователей "научить" ЭВМ автоматически разделять реализацию биоэлектрического процесса на отдельные визуально отличающиеся друг от друга участки (сегменты) из заданного конечного набора (библиотеки) стандартизованных электрографических феноменов. При этом основу методологии составляли несколько гипотез, допускающих существование у каждого конкретного индивидуума конечного числа физиологических состояний, имеющих специфические проявления на ЭЭГ и поддающихся в силу этого распознаванию.

За более чем 20-ти летнюю историю исследования научно-практической проблемы сегментации ЭЭГ было предложено /13-15,95,98, 120/ немало различных методов и подходов к статистической обработке электроэнцефалографической информации, обеспечивающих формирование описания процесса как информационного потока событий — совокупности последовательно сменяющих друг друга различных типов электрических активностей. Это позволило приблизить и сопоставить эффективность перспективного автоматического анализа ЭЭГ традиционному визуальному анализу и представлению процесса в клинической медицинской практике.

Вместе с тем был предложен /117, 127/ ряд методов сегментации ЭЭГ, в которых граница между сегментами устанавливалась на основе не статистических, а эмпирических критериев (см. обзор в /79/, в /96/).

Отсутствие процедур, нацеленных на точное автоматическое определение момента или промежутка времени, в который происходят изменения статистических свойств ЭЭГ, в методах, доступных в открытой литературе, не позволяло использовать их в рамках диссертационного исследования. Тем не менее предоставляемые ими возможности учитывались при теоретическом анализе проблемы выделения из ЭЭГ информации, связанной с ее нестационарностью.

Актуальность сегментного подхода в ЭЭГ-исследованиях сегодня основана в первую очередь на необходимости серьезной теоретической проработки новых ключевых элементов операционального подхода /90/ (с элементами модельного и вероятностного подходов) в системном анализе электрофизиологических показателей человека с целью создания помехоустойчивых автоматических медицинских систем обработки информации в медико-биологическом эксперименте и диагностике.

Объектом исследования диссертационной работы являются реализации электрической активности головного мозга человека, зарегистрированные в лаборатории функциональной диагностики Федерального государственного учреждения науки "Северо-западный научный центр гигиены и общественного здоровья" Министерства Здравоохранения РФ на аппаратуре "Блок электроэнцефалографических усилителей «Телепат 104», программа регистрации и анализа WINEEG 1.Х" (Россия). Научные консультации по вопросам визуального анализа и экспертной классификации реализаций ЭЭГ проводились со специалистом-электрофизиологом — ведущим научным сотрудником, д-ром мед. наук В. Н. Никитиной.

В качестве предмета диссертационного исследования рассматриваются методики, математические методы и алгоритмы быстрой сегментации, бинарной и многоальтернативной классификации реализаций дискретных стохастических информационных процессов в реальном масштабе времени.

Цель работы состоит в разработке новых и усовершенствовании существующих инструментальных средств быстрой сегментации, бинарной и многоальтернативной классификации реализаций дискретных стохастических информационных процессов на примере обработки электроэнцефалографической информации.

Задачами диссертационного исследования являются:

• формализация и постановка задачи синтеза математического описания ЭЭГ-активности; анализ существующих методов формирования; синтез математических моделей основных классов ЭЭГ;

• формализация и постановка задач автоматической сегментации и классификации ЭЭГ; анализ существующих математических методов и подходов;

• синтез методик и алгоритмов, реализуемых в виде аппаратно - программных средств, для статистической обработки реализаций электроэнцефалографического процесса;

• проведение теоретического анализа и серии экспериментов для расчета точностных и вероятностных характеристик сегментации и классификации ЭЭГ.

В диссертационной работе использованы следующие методы исследования: основы электрофизиологии и электроэнцефалографии /11, 43, 44, 67/, теория вероятностей и математическая статистика /5, 57, 88/, теория случайных процессов /55, 85, 89/, авторегрессионный анализ /16, 23, 24, 69, 77, 84/, последовательный анализ /19,57/, теория обнаружения и оценивания параметров сигналов /6, 57, 90/, теория распознавания образов /86, 99/, теория проверки статистических гипотез /57, 75/, математическое моделирование /18, 82, 94/.

Научной новизной обладают следующие результаты работы:

• методики быстрой сегментации, бинарной и многоальтернативной классификации реализаций ЭЭГ в реальном масштабе времени;

• результаты теоретического анализа показателей качества процедур обработки электроэнцефалографического процесса;

• вероятностные характеристики классификации сегментов ЭЭГ.

Практическую ценность диссертационной работы составляют:

• результаты сравнительного анализа математических методов формирования описания электроэнцефалографических процессов;

• табулированные параметрические модели основных классов ЭЭГ;

• алгоритмы быстрой сегментации, бинарной и многоальтернативной классификации реализаций ЭЭГ в реальном масштабе времени;

• результаты сравнительного экспериментального анализа алгоритмов обработки ЭЭГ и рекомендации по области их практического использования.

Научные положения, выносимые на защиту:

1. Методика автоматизированного формирования описания классов электроэнцефалографических процессов в пространстве моделей авторегрессии.

2. Методика и результаты автоматической сегментации реализаций электроэнцефалографических процессов.

3. Методика и алгоритмы автоматической классификации реализаций электроэнцефалографических процессов.

Внедрение результатов диссертационной работы.

По итогам открытого конкурса научных исследований студентов ВУЗов РФ в области естественных, технических и гуманитарных наук автор награжден медалью "За лучшую научную студенческую работу" по исследованию математических методов сегментации ЭЭГ, Министерство Образования РФ, удостоверение от 21 января 2000 г. (науч. рук.: канд. техн. наук, доц. Л. Н. Прусова).

По итогам открытого конкурса научных исследований студентов, аспирантов, молодых ученых и специалистов в области гуманитарных, естественных, технических и медицинских наук, проводимого Министерством Образования РФ, Российской Академией наук и Администрацией г. Санкт-Петербурга в Северо-западном регионе РФ на базе Конкурсного центра фундаментального естествознания Минобразования РФ в рамках Федеральной целевой программы "Государственная поддержка интеграции высшего образования и фундаментальной науки", авторские исследования по теме диссертационной работы получали поддержку в форме четырех персональных грантов:

• Грант № М99-3.5Д-260: "Исследование методов и разработка программных средств быстрой сегментации ЭЭГ-сигнала", 1999 г., форма гранта "Дипломный проект", диплом победителя конкурса грантов: серия АСП № 299183 (науч. рук.: канд. техн. наук, доц. Jl. Н. Прусова).

• Грант № М01-3.5К-80: "Нейрофизиологический подход в исследовании качественных показателей программного обеспечения для персональных компьютеров типа IBM PC", 2001 г., форма гранта "Кандидатский проект", диплом победителя конкурса грантов: серия АСП № 301187 (науч. рук.: д-р техн. наук, проф. А. П. Шепета). ,

• Грант № М02-3.5К-127: "Исследование методов и разработка программных средств классификации ритмов ЭЭГ-сигнала", 2002 г., форма гранта "Кандидатский проект", диплом победителя конкурса грантов: серия АСП № 302181 (науч. рук.: д-р техн. наук, проф. А. П. Шепета).

• Грант № М03-3.5К-3: "Исследование порядковых характеристик (критериев) авторегрессионных моделей классов сигналов электроэнцефалограмм человека", 2003 г., форма гранта "Кандидатский проект", диплом победителя конкурса грантов: серия АСП №303122 (науч. рук.: д-р техн. наук, проф. А. П. Шепета).

По итогам открытого конкурса научных исследований аспирантов ВУЗов г. Санкт-Петербурга по специальностям: биология, математика, науки о Земле, физика, химия, проводимого Институтом "Открытое общество" — Фонд Сороса (Россия) и Администрацией г. Санкт-Петербурга в рамках Международной Соросовской программы поддержки образования в области точных наук (International Soros Science Education Program), авторские исследования диссертационной работы поддержаны персональным грантом № А232-03, 2003 г. по специальности "Математика" (науч. рук.: д-р техн. наук, проф. А. П. Шепета).

Ряд результатов, полученных в диссертационной работе, реализован в разработках Федерального Государственного унитарного предприятия "Санкт-Петербургское Опытно-конструкторское бюро "Электроавтоматика"1 — дочернего предприятии ФГУП "Российская самолетостроительная корпорация "МиГ". В частности, при создании функционального программного обеспечения блока преобразования сигналов были использованы:

• алгоритмы блочной цифровой обработки стохастических сигналов и алгоритмы последующего синтеза их математических моделей (эталонов);

• методика быстрой сегментации стохастических сигналов в реальном масштабе времени;

• методика и алгоритмы бинарной и многоальтернативной классификации структур и объектов, параметры которых аппроксимируются параметрическими моделями авторегрессии и авторегрессии-скользящего среднего.

Программы визуализации, моделирования и статистических испытаний на ЭВМ, разработанные на основе компьютерных методов обработки информации в рамках написания диссертационной работы, использованы в лабораторном практикуме дисциплины "Компьютерная томография" учебного процесса кафедры Измерительных технологий и компьютерной томографии Государственного образовательного учреждения высшего профессионального образования "Санкт-Петербургский Государственный университет информационных технологий, механики и оптики" (ГУИТМО), зарегистрированы в Информационно-библиотечном фонде и Отраслевом фонде алгоритмов и программ Министерства Образования РФ:

• ИБФ per. № 50200300301: Программа моделирования и статистических испытаний алгоритмов сегментации авторегрессионных дискретных последовательностей в реальном масштабе времени (авт. свид. ОФАП № 2491, 2003 г.).

1 Авторский вклад в научно-исследовательские и опытно-конструкторскис разработки ФГУП "СПБ ОКБ "Электроавтоматика" отмечен благодарностью и почетной грамотой "За добросовестный труд в авиационной отрасли .", приказ № 232лс по ФГУП "PCK "МиГ": "О поощрении .", 2003 г.

• ИБФ per. № 50200300257: Программный модуль алгоритмической поддержки решения задачи сегментации авторегрессионных дискретных последовательностей в реальном масштабе времени (авт. свид. ОФАП № 2466, 2003 г.).

Внедрение результатов работы подтверждается соответствующими документами, представленными в приложении.

Апробация результатов работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на:

• четвертой Санкт-Петербургской ассамблеи молодых ученых и специалистов (г. Санкт-Петербург, 1999 г.);

• первой международной конференции "Мехатроника и робототехника" (г. Санкт-Петербург, 2000 г.);

• научных семинарах кафедры Моделирования вычислительных и электронных систем ГУАП (г. Санкт-Петербург, ГУАП, 2001 —2003 г.г.);

• трех (четвертой, пятой, шестой) научных сессиях аспирантов и преподавателей ГУАП (г. Санкт-Петербург, 2001 —2003 г.г.);

• трех (31-ой, 32-ой, 33-ей) научных конференциях профессорско-преподавательского состава ГУИТМО (г. Санкт-Петербург, 2002 — 2004 г.г.);

• девятой международной Балтийской олимпиаде по автоматическому управлению (г. Санкт-Петербург, ГУИТМО, 2002 г.);

• пятой конференции молодых ученых "Навигация и управление движением" (г. Санкт-Петербург, ГНЦ РФ ЦНИИ "Электроприбор", 2003 г.).

Публикации. По теме диссертации опубликовано 19 печатных работ, из которых: 4 научные статьи /34,35,92,93/, 6 полных текстов докладов /27-30, 38, 39/ и 3 тезисов докладов /40-42/ на конференциях и симпозиумах международного уровня, один препринт /130/, а также пять электронных публикаций /31, 32, 33, 36, 37/ — зарегистрированных программ для ЭВМ.

Структура работы. Диссертационная работа изложена на 173 страницах, состоит из введения, 4-х глав с выводами, заключения, списка использованных источников литературы, включающего 130 наименований, и дополнена приложением. Основное содержание работы включает 39 рисунков и 7 таблиц.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Жаринов, Игорь Олегович

Выводы

1. Экспериментально полученные реализации ЭЭГ в значительной степени подвержены воздействию помех и артефактов физической и физиологической природы. Их влияние препятствует непосредственному использованию последовательных методов вторичной обработки на базе параметрических АР-или АРСС-моделей. Цифровая фильтрация реализаций ЭЭГ должна осуществляться как аппаратными (в процессе регистрации), так и программными средствами на этапе первичной обработки. Перспективными являются подходы по фильтрации ЭЭГ в области верхних частот, нижних частот, полосовая и режекторная фильтрация /48,49/.

2. Синтез классов стохастических процессов в пространстве параметрических моделей авторегрессии осуществляется цифровыми методами блочной обработки данных. Метод Юла-Уолкера, используемый для решения задачи формирования описания классов ЭЭГ, является асимптотически оптимальным, позволяет непосредственно получать оценки авторегрессионных компонентов, нижняя граница дисперсии которых определена неравенством Рао-Крамера с гарантированной устойчивостью формируемой модели.

3. Алгоритмы быстрой сегментации и многоальтернативной классификации ЭЭГ, программно или аппаратно реализующие методы последовательного анализа, описанные в главе 2 и 3, обладают различными показателями качества.

Беспороговые алгоритмы, дающие "пестрый" результат сегментации, следует применять для сегментаций процесса при ярко выраженных переходных участках и нестационарностях фоновой ЭЭГ-активности.

Пороговые алгоритмы дают "сглаженные" оценки общего характера экспериментально получаемых реализаций.

4. В стационарном режиме классификации наилучшим является пороговый алгоритм динамических эталонов с пороговым уровнем по критерию Неймана-Пирсона и пороговый алгоритм рекуррентных статистик с порогом по последовательному критерию Вальда.

В динамическом режиме при одновременной сегментации и классификации ЭЭГ наилучшим по времени запаздывания является пороговый алгоритм рекуррентных статистик с порогом по критерию Вальда и модифицированный вариант алгоритма динамических эталонов с порогами Сн и Св, определяемыми распределением статистики

5. Одновременное использование для сегментации реализаций ЭЭГ всех четырех синтезированных алгоритмов в обоих разновидностях (пороговой и беспороговой) возможно в реальном масштабе времени. Статистики вычисляются рекуррентно. Перспективно объединение алгоритмов для повышения достоверности классификации электроэнцефалографических процессов.

ЗАКЛЮЧЕНИЕ

С момента открытия феномена существования электрической активности головного мозга человека прошло уже более полувека, однако интерес к извлечению полезной информации из реализаций электроэнцефалографического процесса не теряет своей актуальности и сегодня. По мере развития и улучшения показателей качества вычислительной техники появляются новые, более сложные методы анализа и обработки ЭЭГ.

Проведенный автором экспериментальный анализ и статистический синтез эффективных инструментальных средств алгоритмической и интеллектуальной поддержки решения задач быстрой сегментации и многоальтернативной классификации ЭЭГ в реальном масштабе времени является как самостоятельным этапом автоматической медицинской диагностики, так и промежуточным этапом к созданию и внедрению библиотек стандартизованных электроэнцефалографических процессов. Полученные в работе результаты в совокупности обеспечивают повышение показателей качества методики обработки ЭЭГ и, в конечном счете, содействуют успешному использованию метода электроэнцефалографии как средства оперативного обнаружения патологий жизнедеятельности головного мозга человека.

Основными результатами диссертационной работы являются:

1. На основе проведенного теоретического и экспериментального анализа известных математических методов аппроксимации стохастических процессов сделан вывод о возможности адекватного описания реализаций фоновой ЭЭГ-активности на базе параметрических АР-моделей.

2. Проведена систематизация известных математических методов формирования параметрического описания экспериментальных данных. Формализована задача и предложена методика автоматизированного синтеза АР-моделей классов ЭЭГ. Разработано специальное программное обеспечение. Проанализированы свойства оценок коэффициентов. Получены зависимости точности аппроксимации электроэнцефалографического процесса от объемов обучающих выборок. Табулированы параметрические модели основных классов ЭЭГ.

3. Проведена систематизация известных математических методов сегментации ЭЭГ. Формализована задача и предложена методика автоматической сегментации ЭЭГ в пространстве АР-моделей, позволяющая принимать решения о МИ при поступлении каждого нового дискретного отсчета, что обеспечивает меньшее время запаздывания при принятии решения за счет вычисления статистик по рекуррентным выражениям.

4. Формализована задача и предложена методика автоматической многоальтернативной классификации сегментов ЭЭГ в пространстве АР-моделей на основе использования экспертной информации специалиста - электрофизиолога. Теоретически проанализированы уравнения классификации ЭЭГ по критериям Неймана-Пирсона и Вальда, а также поведение статистик в процессе классификации (для прямого и альтернативного каналов обработки). Методом Монте-Карло получены зависимости, связывающие порядок формируемых АР-моделей классов ЭЭГ и вероятность их правильной классификации.

5. Предложен и апробирован на практике подход по исключению отдельных видов артефактов и переходных процессов, свойственных реальному электроэнцефалографическому процессу, на базе устойчивых М-оценок. В качестве оценочной функции, аппроксимирующей нормированную ошибку прогноза, использована оценочная функция Хьюбера.

6. Предложены алгоритмы и разработано специальное программное обеспечение для интеллектуальной поддержки решения задач быстрой сегментации и многоальтернативной классификации ЭЭГ на базе рекуррентно вычисляемых статистик. Беспороговые (поотсчетные) алгоритмы дают "пестрый" результат сегментации. Их следует применять для сегментации ЭЭГ при ярко выраженных переходных процессах и нестационарностях фоновой активности. Пороговые алгоритмы сегментации ЭЭГ на основе эффекта накопления значений статистик дают "сглаженные" оценки статистических характеристик экспериментальных реализаций.

Перспективные направления дальнейших исследований:

Развитый в диссертационной работе подход к распознаванию одномерпых дискретных стохастических процессов выходит за рамки предметной области метода электроэнцефалографии. Достигнутые результаты носят не только важное практическое значение для обработки электроэнцефалографической информации, но и определенный научный интерес в целом, так как могут быть использованы для анализа и обработки дискретных информационных процессов, где будет показана адекватность применения аппроксимирующих моделей авторегрессии и авторегрессии-скользящего среднего.

Учитывая, что методика регистрации ЭЭГ позволяет получать одновременно реализации с поверхности головы по целой системе отведений, перспективным оказывается дальнейшее развитие подхода в исследовании показателей качества многомерных методов анализа. Специальные экспериментальные исследования "одновременности" моментов перехода ЭЭГ из класса в класс, проводимые в рамках исследовательской работы по персональному гранту №М01-3.5К-801 при параллельном одномерном анализе многоканальных записей на повышенной частоте дискретизации, показали, что "разладка" по каналам регистрации происходит не одновременно. Поэтому применение известных методов многомерного анализа стохастических процессов, иногда применяемых для анализа ЭЭГ, оказывается не всегда корректным. При этом в решающее правило необходимо вводить параметр "задержки" по каждому каналу и принимать решение о сегментации ЭЭГ отдельно. В известном смысле, такой подход, основанный на многоканальном последовательном анализе (с зависимыми или независимыми решениями) произвольного, но конечного числа М классов информационных процессов, позволяет подходить математически строго к решению "обратной задачи электроэнцефалографии" — по времени запаздывания в каждом канале, соответствующем определенному пространственному положению электродов на поверхности головы, судить о происхождении отдельных классов, направленности характера их распространения и т. д. Такую задачу необходимо решать в рамках отдельного исследования в тесном сотрудничестве с экспертами: специалистами-электрофизиологами.

1 Грант № МОI-3.5K-80: "Нейрофизиологический подход в исследовании качественных показателей программного обеспечения для персональных компьютеров типа IBM PC", 2001 г. (науч. рук. д-р техн. наук, проф. А II. Шепета).

Список литературы диссертационного исследования кандидат технических наук Жаринов, Игорь Олегович, 2004 год

1. А. с. 1160435 СССР, МКИ G 06 F №15/36. Устройство для классификации дискретных случайных сигналов / А. А. Елисеев, В. В. Изранцев,

2. A. С. Кузьмин и др. — № 3 669 056 / 24-24, заявл. 05.12.83, опубл. в Б. И., 1985, №21.

3. А. с. 1233185 СССР, МКИ G 06 G №7/52. Устройство для классификации случайных процессов / В. Ю. Малинаускас, A.-JI. К. Липейка. — № 3 761 285/24-24, заявл. 04.05.84, опубл. в Б. И., 1986, №19.

4. Айвазян С. А. и др. Прикладная статистика: Исследование зависимостей: Справ, изд. / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин; Под ред. С. А. Айвазяна. — М.: Финансы и статистика, 1985. — 487с., ил.

5. Айвазян С. А. и др. Прикладная статистика: Основы моделирования и первичной обработки данных: Справ, изд. / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин; Под ред. С. А. Айвазяна. — М.: Финансы и статистика, 1983. —471с., ил.

6. Азизов А. М., Курицын А. Г., Никитенко В. Г. Основы прикладной математики. Теория вероятностей и математическая статистика. — СПб.: Химия, 1994. —495с.

7. Акимов П. С., Бакут П. А., Богданович В. А. Теория обнаружения сигналов / Под ред. П. А. Бакута. — М.: Радио и связь, 1984. — 440с.

8. Бабков В. Ю., Вознюк М. А., Петраков В. А. Передача информации в системах подвижной связи. — СПб.: СПбГТУ, 1999.— 152с.

9. Бендат Дж., Пирсол А. Применение корреляционного и спектрального анализа: Пер. с англ. — М.: Мир, 1983. — 312с., ил.

10. Бесекерский В. А., Изранцев В. В. Системы автоматического управления с микро-ЭВМ. — М.: Наука, 1987. — 320с.

11. Биопотенциалы мозга человека. Математический анализ / Под ред.

12. B. С. Русинова. — М.: Медицина, 1987.— 158с.

13. Благосклонова Н. К., Новикова Л. А. Детская клиническая электроэнцефалография. Руководство для врачей. — М.: Медицина, 1994. — 202с.

14. Бодунов M. В "Алфавит" ЭЭГ: типология стационарных сегментов ЭЭГ человека // Индивидуально-психологические различия и биоэлектрическая активность мозга человека. — М.: Наука, 1988. — с.56-70.

15. Бодунов М. В. Особенности временных серий стационарных сегментов ЭЭГ и скоростные характеристики поведения человека // Психол. журн. — 1987. — т.8. — с.48-56.

16. Бодунов М. В. Соотношение нестационарных свойств ЭЭГ с временными характеристиками поведения // Психол. журн. — 1985. — т.6. — с. 125-134.

17. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление: Пер. с англ. — М.: Мир, 1974. — 408с.

18. Бородкин Л. И., Моттль В. В. Алгоритм обнаружения моментов измененияпараметров уравнения случайного процесса. // Автоматика и телемеханика.1976, — № 6. — с.23-32.

19. Быков В. В. Цифровое моделирование в статистической радиотехнике. — М.: Советское радио, 1971. — 328с.

20. Вальд А. Последовательный анализ. — М.: Физ. Мат. Гиз.— 1960. —328с.

21. Губанов В. С. Обобщенный метод наименьших квадратов. Теория и применение в астронометрии. — СПб.: Наука, 1997. — 318с., ил.

22. Дженкинс Г., Ватте Д. Спектральный анализ и его приложения. Вып.1. — М.: Мир, 1971. —238с.

23. Ф 24. Дженкинс Г., Ватте Д. Спектральный анализ и его приложения. Вып.2. —1. М.: Мир, 1972. —287с.

24. Елисеев А. А., Зиатдинов С. И., Изранцев В. В. и др. Управление движущимися объектами: Учеб. пособие / Под ред. А. А. Елисеева и А. А. Оводенко.

25. М.: Изд-во МГАП "Мир книги", 1994. — 427с.: ил.

26. Жаринов И. О. Методы и устройства быстрой сегментации ЭЭГ-сигнала // 5-ая научная сессия аспирантов ГУАП: Сб. докл.: в 2ч., — ч.1. (Технические науки), —СПб: ГУАП, 2002, —с. 341-345.

27. Жаринов И. О. Программа автоматизированного оценивания компонентов авторегрессионных моделей дискретных стохастических сигналов — М.: ВНТИЦ, 50200301065, 2003, (авторское свидетельство ОФАП №3016, 2003).

28. Жаринов И. О. Программа моделирования на ЭВМ независимых дискретных числовых последовательностей с различными законами распределения.

29. М.: ВНТИЦ, №50200300625, 2003, (авторское свидетельство ОФАП № 2755, 2003).

30. Жаринов И. О. Программа моделирования на ЭВМ нормально распределенных дискретных числовых последовательностей, заданных своими корреляционно-спектральными характеристиками. — М.: ВНТИЦ, №50200300624, 2003, (авторское свидетельство ОФАП № 2754, 2003).

31. Жаринов И.О. Статистический анализ информационных сигналов от датчиков медицинских приборов (электроэнцефалография). // Датчики и системы. — 2003, — № 7 — с. 23-29.

32. Жаринов И.О. Фоновый контроль физиологического состояния пилота летательного аппарата по его электроэнцефалограмме. // Авиакосмическое приборостроение. — 2003, — № 5 — с. 46-54.

33. Жаринов И. О., Трофимова А. А. Исследование методов и разработка программных средств быстрой сегментации ЭЭГ-сигнала. / Тезисы докладов четвертой Санкт-Петербургской ассамблеи молодых ученых и специалистов.—СПб.: СПбГУ, 1999, —с.55.

34. Жаринов И. О., Трофимова А. А. Математическое моделирование на ЭВМпроцесса цифровой фильтрации ЭКГ-сигнала. // Новые информационные технологии. / Тезисы докладов VII Международной студенческой школы-семинара. — М.: МГИЭМ, 1999, — с. 176.

35. Жаринов И. О., Трофимова А. А. Моделирование случайных процессов с одномерными законами распределения. // Новые информационные технологии. / Тезисы докладов VII Международной студенческой школы-семинара.

36. М.: МГИЭМ, 1999, —с. 145-146.

37. Жирмунская Е. А. и др. Перспективы применения моделей типа авторегрес-сии-скользящего среднего для анализа ЭЭГ // Е. А. Жирмунская, П. Н. Дубнер, С. Р. Гутман // Успехи физиологических наук. — 1984. —№4.т.69. — с.6-22.

38. Зенков JI. Р. Клиническая электроэнцефалография (с элементами эпилептологии). — Таганрог: Издательство ТРТУ. — 1996. — 358с., ил.

39. Иваницкий Г. А. Распознавание типа решаемой в уме задачи по нескольким секундам ЭЭГ с помощью обучаемого классификатора // Журн. высш. нервн. деят. — 1997. — т.47. — №4. — с.743-747.

40. Изранцев В. В. Динамическая классификация в задачах стохастического распознавания. // Наука и технология в России.— 1995. — №3. — с. 19-20.

41. Исакссон А. и др. Машинный анализ ЭЭГ-сигналов с использованием параметрических моделей. / А. Исакссон, А. Веннберг, JI. X. Зеттерберг. // ТИИЭР — 1981. —№ ц. т.69. — с.5-51.

42. Кардиомониторы. Аппаратура непрерывного контроля ЭКГ: Учеб. пособие для вузов / A. JI. Барановский, А. Н. Калиниченко, JI. А. Манило и др. Под ред. А.А.Барановского и А. П. Немирко. — М.: Радио и связь, 1993. — 248с.: ил.

43. Капеллини В. и др. Цифровые фильтры и их применение: Пер. с англ./ В. Капеллини, А. Дж. Константинидис, П. Эмилиани. — М.: Энергоатомиз-дат, 1983. — 360 с., ил.

44. Кашьяп Р. Л., Рао А. Р. Построение динамических стохастических моделей по экспериментальным данным: Пер. с англ. — М.: Наука, 1983. — 384с.

45. Кей С. М., Марпл С. JI. Современные методы спектрального анализа: Обзор. // ТИИЭР. — 1981, — № 11. — т.69. — с.5-51.

46. Клигене Н., Телькснис JI. Методы обнаружения моментов изменения свойств случайных процессов. // Автоматика и телемеханика. — 1983. — №10. —с.5-56.

47. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров: Пер. с англ. — М.: Наука, 1974. — 832с., ил.

48. Кукушкин Ю. А., Богомолов А. В. Методика количественного оценивания функциональных состояний человека. // Биомедицинская радиоэлектроника.2001, — № 2. — с.30-39.

49. Куликов Е. И. Методы измерения случайных процессов. — М.: Радио и связь, 1986. — 272с., ил.

50. Ларсен Р. Д. и др. Представление сигналов ЭЭГ посредством сплайнов / Р. Д. Ларсен, Е. Ф. Крофорд, Р. У. Смит // ТИИЭР. — 1977, — № 5. — т.65.с.247-250.

51. Левин Б. Р. Теоретические основы статистической радиотехники. — М.: Сов. радио, 1974 — 1976., кн. 1-кЗ. — кн. 1 — 522с., кн. 2 — 392с., кн. 3 — 288с.

52. Ливанов М. Н. Электроэнцефалограмма и мышление. // Психологический журнал.— 1982, — №2. — т.З. — с. 127-137.

53. Липейка А. К. Классификация авторегрессионных последовательностей со скачкообразно меняющимися параметрами. // Статистические проблемы управления — Вильнюс, 1978. — Вып.ЗО — с.9-29. — (Тр. ин-та физики и математики АН ЛитССР).

54. Липейка А. К., Малинаускас В. Автоматическое определение стадии сна по ЭЭГ. // Статистические проблемы управления — Вильнюс, 1981. — Вып.51с.83-98. — (Тр. ин-та физики и математики АН ЛитССР).

55. Липейкене И. Влияние оценочных функций на точность М-оценок. // Статистические проблемы управления — Вильнюс, 1986. — Вып.77 — с.35-46. — (Тр. ин-та физики и математики АН ЛитССР).

56. Липейкене И. М-оценка момента изменения свойств авторегрессионной последовательности. // Статистические проблемы управления — Вильнюс, 1984. — Вып.65 — с.110-120. — (Тр. ин-та физики и математики АН ЛитССР).

57. Лумельский В. Я. Один алгоритм обнаружения момента времени изменения свойств случайного процесса. // Автоматика и телемеханика. — 1972. — №10. — с.67-73.

58. Малинаускас В., Липейка А. К. Классификация нестационарных случайных процессов по минимуму суммарной ошибки прогноза. // Статистические проблемы управления — Вильнюс, 1981. — Вып.51 — с.49-71. — (Тр. ин-та физики и математики АН ЛитССР).

59. Малинаускас В. Техническая реализация классификаторов авторегрессионных случайных последовательностей. // Статистические проблемы управления — Вильнюс, 1989. — Вып.86 — с.89-103. — (Тр. ин-та физики и математики АН ЛитССР).

60. Мальцева И. В., Маслобоев Ю. П. Параметры альфа-ритма и продуктивность запоминания. // Физиология человека. — 1996, — № 3. — т.22. — с.11-17.

61. Маркел Дж. Д., Грэй А. X. Линейное предсказание речи: Пер. с англ. / Под ред. Ю. Н. Прохорова и В. С. Звездина. — М.: Связь, 1980. — 308с., ил.

62. Марпл.-мл. С. Л. Цифровой спектральный анализ и его приложения: Пер. с англ. — М.: Мир, 1990. — 584с., ил.

63. Моттль В. В. и др. Оптимальная сегментация экспериментальных кривых. / В. В. Моттль, И. Б. Мучник, В. Г. Яковлев. // Автоматика и телемеханика. —1983.—№8. —с.84-95.

64. Моттль В. В., Мучник И. Б. Скрытые марковские модели в структурном анализе сигналов.—М.: Физ. Мат. Лит., 1999. — 352с.

65. Мучник И. Б., Мучник Р. Б. Алгоритмы формирования языка для описания экспериментальных кривых. // Автоматика и телемеханика. — 1973. — №5.с.86-98.

66. Никифоров И. В. Последовательное обнаружение изменений свойств временных рядов. — М.: Наука, 1983.— 199с., ил.

67. Никифоров И. В. Применение кумулятивных сумм для обнаружения изменения характеристик случайного процесса. // Автоматика и телемеханика.1979. — №2. — с.48-58.

68. Охонский А. Г. и др. Помехоустойчивость информационных радиосистем управления. // Учеб. пособие. — М: МГАП "Мир Книги", 1994. — 216с.

69. Песаран М., Слейтер Л. Динамическая регрессия: Теория и алгоритмы / Пер. с англ.; Предисл. Э. Б. Ершова. — М.: Финансы и статистика, 1984. — 310с., ил. — (Математико-статистические методы за рубежом).

70. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов.

71. М.: Мир, 1978. — 848с., ил.

72. Разработка новых информационных технологий для медико-биологических электронных систем. Отчет о НИР 53-00-417-4 / СП6ГААГ1; №ГР 01980002027, — СПб, 1997. — 52 с.

73. Сахаров В. Л., Андреенко А. С. Методы математической обработки электроэнцефалограмм. // Учеб. пособие. — Таганрог: Издательство "Антон", 2000. — 44 е., ил. (World wide Web resource: http://www.tsure.ru/ rcnit/saharov.htm)

74. Силин Д. Я., Скрылев К. М. Автоматическая сегментация ЭЭГ // Жури, высш. нервн. деят.— 1986. — т.36. —№6. — с.1152-1155.

75. Скрылев К. М. Метод анализа скачкообразных изменений ритмики ЭЭГ // Физиология человека.— 1984. — т.Ю. — №2. — с.333-336.

76. Смит, Джон М. Математическое и цифровое моделирование для инженеров и исследователей.: Пер. с англ. Н. П. Ильиной; Под ред. О. А. Чембровского.

77. М.: Машиностроение, 1980. — 271с.

78. Теребиж В.Ю. Анализ временных рядов в астрофизике. — М.: Наука, 1992.392 с.

79. Фарбер Д. А., Вильдавский В. Ю. Гетерогенность и возрастная динамика альфа-ритма электроэнцефалограммы. // Физиология человека. — 1996, — № 5. — т.22. — с.5-12.

80. Фомин Я. А. Последовательный алгоритм различения случайных процессов по числу пересечений порогового уровня. // Радиотехника и электроника.— 1980. — №5. —т.25. — с.975-980.

81. Фомин Я. А., Тарловский Г. Р. Статистическая теория распознавания образов.— М.: Радио и Связь, 1986. — 264с.

82. Хампель Ф., Рончетти Э., Payccey П., Штаэль В. Робастность в статистике. Подход на основе функций влияния.: Пер. с англ. В. М. Золотарева — М.: Мир, 1989 — 512 с., ил.

83. Хименко В. И., Тигин Д. В. Статистическая акустооптика и обработка сигналов.— СПб.: Изд-во С.- Петербургского университета, 1996. — 292с.

84. Чебраков Ю. В. Теория оценивания параметров в измерительных экспериментах. — СПб.: СПб гос. ун-т (Институт химии), 1997. — Вып.1 — 300с.

85. Сер.: физика, химия и технология материалов.).

86. Шепета А. П. Синтез нелинейных формирующих фильтров для моделирования входных сигналов локационных систем. // Труды международной научно-технической конференции (доклады), май 1994. — Киев: АН Украины, Изд-во НПО Квант. — Вып. 1, С.81 -85.

87. Шепета А. П., Жаринов И. О. Перспективы применения в авиации интегрированных нашлемных систем нейрофизиологического контроля // Информационно-управляющие системы. — СПб., 2003 —№6 — с.58-62.

88. Шепета Д. А. Разработка математических моделей и синтез алгоритмов моделирования входных сигналов бортовых систем обработки информации и управления: Дис. к-татехн. наук: 05.13.14. — СПб.: ГУАП, 2000.— 156с.

89. Шишкин С. JI., Бродский Б. Е., Дарховский Б. С. и др. ЭЭГ как нестационарный сигнал: подход к анализу на основе непараметрической статистики // Физиология человека. — 1997. — т.23. — №4. — с. 124-126.

90. Шишкин С. Л. Исследование синхронности резких изменений альфа-ритма ЭЭГ человека: Автореф. дисс. . к-та биол. наук: 03.00.13. — М.: МГУ им. М.В.Ломоносова, 1997. — 31с. (World Wide Web resource: http: // brain. bio.msu.ru/shishkin/thesis/indexhb.htm).

91. Шпилевский Э. К. Динамическая классификация стохастических процессов и систем в дискретном времени. 4.1. // Автоматика и телемеханика. — 1980.11. —с.46-53.

92. Шпилевский Э. К. Динамическая классификация стохастических процессов и систем в дискретном времени. 4.II. // Автоматика и телемеханика. — 1980.12. —с.45-54.

93. Шпилевский Э. К. Динамическое распознавание шумовых сигналов акустического диапазона. // Статистические проблемы управления. — Вильнюс, 1980. — Вып.47 — с.9-33. — (Тр. ин-та физики и математики АН ЛитССР).

94. Шпилевский Э. К. Принципы динамической классификации стохастических процессов и систем. // Статистические проблемы управления — Вильнюс, 1978. — Вып.28 — с. 138. — (Тр. ин-та физики и математики АН ЛитССР).

95. Шпилевский Э. К., Клышко Г. Н. Эффекты конечной разрядности чисел в ЦВМ при реализации динамических классификаторов. // Статистические проблемы управления. — Вильнюс, 1978. — Вып.37 — с.63-82. — (Тр. инта физики и математики АН ЛитССР).

96. Яковлев В. Г. О выборе порогов для разладочного алгоритма сегментации экспериментальных кривых. // Автоматика и телемеханика. — 1983. — №9.с.95-101.

97. AmirN., Gath I. Segmentation of EEG during sleep using time-varying autore-gressive modeling//Biol. Cybern. — 1989. — v.61. — №6. — p.447-455.

98. Appel U., Brandt A. V. Adaptive sequential segmentation of piecewise stationary time series // Information Sciences. — 1983. — v.29. —№1. — p.27-56.

99. Aufrichtig R., Pedersen S. В., Jennum P. Adaptive segmentation of EEG signals // Ann Int. Conf. of the IEEE Eng. Med. Biol. Soc. Proc. Biol. Signals. — 1991.v.13. —p.l.

100. Barlow J. S. Methods of analysis of non-stationary EEGs, with emphasis on segmentation techniques: a comparative review // J. clin. Neurophysiology. — 1985. — v.2. — №.3. — p.267-304.

101. Barlow J. S. Computer characterization of trace alternant and REM-sleep patterns in the neonatal EEG by adaptive segmentation. An exploratory study // Electroenceph. clin. Neurophysiol.— 1985. — v.60. — № 2. — p.163-173.

102. Barlow J. S., Creutzfeldt O.-D., Michael D. Automatic adaptive segmentation of clinical EEGs // Electroenceph. clin. Neurophysiol. — 1981. — v.51. — №5. — p.512-525.

103. Gath I., Michaeli A., Feuerstein C. A model for dual channel segmentation of the EEG signal // Biol. Cybern. — 1991. — v.64. — №3. — p.225-230.

104. Grochulski W., PenczekP., Posielski J. Segmentation of the epileptic EEG by means of a finite state automaton // Int. J. Bio-Med. Comput. — 1986. — v. 18. №1. —p. 3544.

105. Inouye Т., Toi S., Matsumoto Y. A new segmentation method of electroencephalograms by use of Akaike's information criterion // Brain. Res. Cogn. Brain. Res.1995. — v.3. — № 1. — p.33-40.

106. Jansen В. H., Bourne J. R., WardJ. W. Identification and labeling of EEG graphic elements using autoregressive spectral estimates // Сотр. Biol. Med. — 1982. — v.12. — p.97-106.

107. Koski A., Juhola M. Segmentation of digital signals based on estimated compression ratio// IEEE Trans. Biomed. Eng.— 1996. — v.43.—№9. — p.928-938.

108. Krajca V., PetranekS., Patakova I. Automatic identification of significant gra-phoelements in multichannel EEG recordings by adaptive segmentation and fuzzy clustering // Internat. J. Bio-Med. Comput. — 1991. — v.28. — № 1 -2.—p.71 -89.

109. Lehmann D. EEG assessment of brain activity: spatial aspects, segmentation and imaging // Internat. J. Psychophysiol. — 1984. — v. 1. — p.267-276.

110. Lehmann D., Ozaki H., Pal I. EEG alpha map series: brain micro-states by space-oriented adaptive segmentation // Electroenceph. clin. Neurophysiol. — 1987. — v.67. —№3. —p.271-288.

111. Lipping Т., Jantti V., Yli-Hankala A. Adaptive segmentation of burst-suppression pattern in isoflurane and enflurane anesthesia // Int. J. Clin. Monit. Comput. — 1995. — v. 12. — №3. — p. 161 -167.

112. Pasqual-Marqui R. D., Michel С. M., Lehmann D. Segmentation of brain electrical activity into microstates: model estimation and validation // IEEE Trans. Biomed. Eng. — 1995. —v.42. —№7. —p.658-665.

113. Praetorius H., Bodenstein G., Creutzfeldt O. Adaptive segmentation of EEG records: a new approach to automatic EEG analysis // Electroenceph. clin. Neurophysiol. — 1977. — v.42. — № 1. — p.84-94.

114. Reschenhofer E., Vollmer R., DeistlerM. Segmentation of the EEG by minimization of the total gain in information // Neuropsychobiology. — 1987. — v. 18.p. 155-159.

115. Strik W. K., Lehmann D. Data-determined window size and space-oriented segmentation of spontaneous EEG map series // Electroenceph. clin. Neurophysiol.1993. —v.87. —№4. —p.169-174.

116. Thomsen С. E., Rosenfalck A., Christensen K. N. Assessment of anesthetic depth by clustering analysis and autoregressive modeling of electroencephalograms // Сотр. Meth. Progr. Biomed. — 1991. — v.34. — №.2-3. — p. 125-138.

117. Wackermann J., Lehmann D., Michel С. M. Adaptive segmentation of spontaneous EEG map series into spatially defined microstates // Internat. J. Psychophysiol. — 1993. — v.14. — № 3. — p.269-283.

118. Wright J. J., Kydd R. R., Sergejew A. A. Autoregression model of EEG. Results compared with expectations of a multilinear near-equilibrium biophysical process // Biomedical Cybernetics. — 1990. — v.62. — p.201-210.