Нечеткие сетевые модели и алгоритмы для диагностики состояния голосового аппарата на основе анализа фонем на вейвлет-плоскости тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Шаталова, Ольга Владимировна

• Шаталова, Ольга Владимировна
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Шаталова, Ольга Владимировна

ВВЕДЕНИЕ

СОДЕРЖАНИЕ

ГЛАВА 1. МЕТОДЫ ФОРМИРОВАНИЯ И КЛАССИФИКАЦИИ ИНФОРМАТИВНЫХ ПРИЗНАКОВ В СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ, ОСНОВАННЫХ НА АНАЛИЗЕ СИГНАЛА

ГОЛОСА.

1.1. Основные принципы классификации заболеваний гортани и их диагностики.

1.1.1. Воспалительные 'заболевания гортани.

112 Двигательные расстройства гортани.

1 1.3. Новообразования гортани.

1.1.4. Функциональные дисфонии.

1.2. Частотно-временные представления сигнала голоса.

1.3. Модели систем обработки и классификации данных при диагностике, прогнозировании и дифференцировании заболеваний.

1.4. Цель и задачи исследования.

ГЛАВА 2. СИНТЕЗ ПРИЗНАКОВОГО ПРОСТРАНСТВА ДЛЯ ДИАГНОСТИКИ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ГОЛОСОВОГО АППАРАТА.

2.1. Выбор тестовых голосовых сигналов и их метода анализа для дифференциальной диагностики функционального состояния голосового аппарата.

2.2. Разработка способа сегментации тестовых сигналов.

2.3. Сегментация вейвлет-плоскости тестового сигнала.

2.4. Выбор информативных признаков на вейвлет-плоскости тестового сигнала./.

2 4.1 Выбор первого информативного признака.

2.4 2 Выбор и вычисление второго и третьего информативных признаков.

2.4 3. Выбор четвертого и пятого информативных признаков

2.5. Выводы второй главы.

ГЛАВА 3. РАЗРАБОТКА МЕТОДОВ И СРЕДСТВ ДЛЯ АВТОМАТИЗИРОВАННОЙ ДИАГНОСТИКИ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ГОРТАНИ.

3.1. Нечеткий решающий модуль с трехстабильным выходом в инструментарии для исследований функционального состояния гортани.

3.2. Выбор целевой функции и разработка алгоритмов обучения для нечеткого решающего модуля с трехстабильным выходом.

3.3. Разработка и исследование автоматизированной системы для поддержки принятия решений по диагностике функциональных состояний гортани.

3.4. Разработка способа формирования функций принадлежности для фуззификатора решающего модуля.

3.5. Выводы третьей главы.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РЕШАЮЩЕГО МОДУЛЯ С ТРЕХСТАБИЛЬНЫМ ВЫХОДОМ В ЗАДАЧАХ ДИАГНОСТИКИ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ГОЛОСОВЫХ СКЛАДОК.

4.1. Объект, методы и средства исследования.

4.2. Синтез нечетких решающих правил для диагностики заболеваний гортани на основе информативных признаков, полученных по вейвлет-плоскости тестовых фонем.

4.3. Разработка алгоритмов для дифференциальной диагностики функционального состояния гортани.

4.4. Экспериментальные исследования качества диагностики функционального состояния гортани по вейвлет-плоскостям сигнала голоса.

4.5. Выводы четвертой главы.

Введение диссертации (часть автореферата) на тему «Нечеткие сетевые модели и алгоритмы для диагностики состояния голосового аппарата на основе анализа фонем на вейвлет-плоскости»

Расстройство голосового аппарата является наиболее распространенным заболеванием среди школьников, студентов и преподавателей. Многие хронические заболевания органов и систем, не входящих в состав голосового аппарата, могут обуславливать неполноценность его функции даже в случае отсутствия каких-либо изменений в гортани. Сюда относятся заболевания легких, сердечнососудистой, нервной и эндокринной систем. Установлена тесная связь между голосовыми расстройствами и нарушениями функции щитовидной железы.

Проведенные исследования показали, что в большинстве случаев оценка голоса пациента осуществляется оториноларингологом или фониатром субъективно, т.е. на слух, и присутствие человеческого фактора при этом неизбежно. Поэтому в практике фониатров используются компьютерные технологии, которые позволяют определить некоторые акустические параметры голоса, на основе которых может быть объективно определено состояние голосового тракта, например, путем балльных оценок. При этом используются различные методы компьютерного анализа сигнала голоса, ориентированные как на пространство сигналов, так и на пространство частот. Однако в настоящий момент они не могут удовлетворить специалистов, как по достоверности, так и по оперативности диагностики, так как в результате размытости границ классов обладают низкой специфичностью и требуют высокой квалификации эксперта для принятия решения о наличии или отсутствии патологии голосового аппарата.

Многочисленные исследования показали, что основой существования любой сложной биологической системы являются ритмические процессы (Глас JL, Скляров О., Чижевский А). Каждой биологической системе, находящейся в состоянии гомеостатического равновесия, соответствует ритм определенной сложности. Причем отклонение от этого состояния может сопровождаться как усложнением ритма (до хаотического ритма), так и упрощением его (метрономный режим) (Баевский Р.). Поэтому для исследования функционального состояния голосового аппарата и распознавания речи широко используют спектральные методы (Гоулд Б., Рабинер Л.).

Однако на спектральный состав сигнала голоса влияет множество системных факторов, не связанных с функциональным состоянием голосового аппарата (Василенко Ю.С., Васильев Ю.М.), поэтому использование классических спектральных методов анализа в этом случае затруднительно и для его анализа предпочтительно использовать частотно-временные преобразования (Макс Ж.).

Таким образом, разработка методов и средств диагностики функционального состояния голосового аппарата, позволяющих вести анализ нестационарных сигналов и обеспечивающих поддержку принятия решений в условиях нечетко выраженных границ классов, является ак1уальной задачей.

Работа выполнена в соответствие с научно-технической программой «Научные исследования высшейг школы по приоритетным направлениям науки и техники», подпрограмма 204 «Технология живых систем» 20022004 гг. и в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий».

Цель работы. Целью данной работы является повышение диагностической эффективности классификации функционального состояния голосового аппарата посредством частотно-временного анализа тестовых сигналов голоса и нечеткой логики принятия решений.

Для достижения поставленной цели необходимо решить следующие $ основные задачи: разработать метод синтеза пространства информативных признаков, выделяемых из кода тестового сигнала;

- разработать модель модуля нечеткого вывода, предназначенного для использования в системах поддержки принятия решений при диагностике функционального состояния голосового аппарата;

- предложить структуру системы поддержки принятия решений для врача-фониатра;

- разработать способ формирования функций принадлежности для классификации функциональных состояний голосовых складок;

- провести апробацию предложенных методов и средств на репрезентативных контрольных выборках.

Методы исследований. , Для решения поставленных задач использовались методы системного анализа, спектрального анализа, вейвлет-анализа, математической статистики, теории нечетких нейронных сетей и распознавания образов, экспертного оценивания и принятия решений. При разработке модуля нечеткого вывода в качестве инструментария использовался Matlab 6.0 с графическим интерфейсом пользователя для NN - NNTool и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной: метод синтеза признакового пространства по вейвлет-плоскости тестовой фонемы, отличающийся способами выделения тестовой фонемы из тестового сигнала, сегментации вейвлет-плоскости тестовой фонемы и процедурами определения статистических характеристик выделенных сегментов вейвлет-плоскости тестовой фонемы; способ выделения тестовой фонемы из тестового сигнала, основанный на анализе числа пересечений нулевого уровня тестовым сигналом в скользящем частотно-временном окне;

- способ сегментации вейвлет-плоскости тестовой фонемы, отличающийся анализом частотных компонент модулей вейвлет-коэффициентов и их нисходящих разностей в окнах, ширина которых равна длине строки вейвлет-плоскости; модель модуля нечеткого вывода, предназначенная для использования в системах поддержки принятия решений при диагностике функционального состояния голосовых складок, отличающаяся правилами вывода в агрегаторе и дефуззификаторе и алгоритмом уточнения настраиваемых параметров, основанном на итерационной процедуре минимизации числа объектов обучающей выборки, для которых не могут быть приняты ни нулевая, ни альтернативная гипотезы; способ формирования функций принадлежности для классификации функциональных состояний голосовых складок, заключающийся в сортировке .полигонов обучающих выборок двух разделяемых классов, с последующим применением к полученным полигонам процедур обработки гистограмм, определяемым относительной дислокацией полигонов выбранных классов;

- алгоритмы классификации функциональных состояний голосовых складок, отличающиеся наличием детектора ошибок, позволяющие контролировать достоверность полученных результатов при выделении подклассов функциональных состояний голосовых складок и при ситуациях, когда нечеткий решающий модуль не выдает конкретного диагностического заключения. г

Практическая значимость и результаты внедрения.

Разработанные методы, способы и алгоритмы составили основу построения автоматизированной системы поддержки принятия решения по управлению процессами диагностики и коррекции функционального состояния голосовых складок, практические испытания которой показали ее высокую диагностическую эффективность и приемлемое качество рекомендаций по реабилитации голосового аппарата.

Программные средства ориентированы на практическое здравоохранение и реализуют алгоритмы диагностики, способствующие ускорению процессов реабилитации больных с функциональными нарушениями голосовых складок.

Результаты работ используются при проведении научно-исследовательских работ в ГУП НИИ Новых Медицинских Технологий и используются в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению 200300.68 - «Биомедицинская инженерия».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих .научно-технических конференциях: Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы» (Биомедсистемы-2001) (Рязань, 2001); VI, VII, VIII и IX Международных научно-технических конференциях «Медико-экологические информационные технологии» г

Курск, 2003, 2004, 2005, 2006); 6-й Международной конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Распознавание-2003) (Курск, 2003); X Юбилейной и XI Российских научно-технических конференциях с международным участием «Материалы и упрочняющие технологии» (Курск, 2003, 2004); XXXI вузовской научно-технической конференции студентов и аспирантов в области научных исследований «Молодежь и XXI век» (Курск, 2003);

Всероссийской научно-технической конференции «Биотехнические системы в XXI веке» (С.-Петербург, 2004); научной конференции «Интеграция медицины и образования» (Курск, 2006).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 9 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] автором предложена модификация нечеткой нейронной сети Ванга-Менделя, в [2] автором предложена структура модуля нечеткого вывода с трехстабильным t выходом; в [4] соискателем предложен способ получения «картины» голоса, в [5] соискатель предложил способ сегментации сигнала голоса, в [6] автор исследовал структуру пятислойного нечеткого решающего модуля, в [8] и [9] соискателем предложены способы сегментации вейвлетплоскостей тестовых сигналов и выделения информативных признаков из полученных сегментов.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Шаталова, Ольга Владимировна

4.5. Выводы четвертой главы г

1. На основе предложенного программно-аппаратного обеспечения оцифровки сигнала голоса и способа синтеза функций принадлежности по информативным параметрам вейвлет-плоскости сигнала голоса получены функции принадлежности по пяти информативным признакам по классам р болен»/«здоров» и по классам, дифференцирующим функциональные нарушения голосового аппарата, позволяющие построить фуззификатор нечеткого решающего модуля с трехстабильным выходом, а также алгоритмы скрининг-диагностики функционального состояния гортани.

2. Предложен алгоритм скрининг- и дифференциальной диагностики функциональных состояний голосовых складок, отличающийся тем, что на первом этапе, на основе решающих правил, полученных путем анализа функций принадлежности, осуществляется скрининг-диагноз, а затем, на основе полученного скрининг-диагноза, выбирается подходящая модель нечеткого решающего модуля для постановки окончательного диагноза.

3. Разработаны алгоритмы классификации функциональных состояний голосовых складок, предназначенные для использования в случае, когда модель нечеткого решающего модуля находится в третьем состоянии, отличающиеся наличием детектора ошибок, позволяющего качественно контролировать степень достоверности полученных результатов при дифференцировании функционального состояния голосовых складок и при ситуациях, когда нечеткий решающий модуль не выдает конкретного диагностического результата. I

4. Получена база данных для формирования обучающих и контрольных выборок, позволяющая определить качественные показатели диагностики и дифференцирования функционального состояния голосовых складок.

5. В результате статистических исследований получены количественные результаты качества диагностики различных функциональных состояний голосовых складок, которые показали, что разработанные способы, методы и алгоритмы могут быть рекомендованы для практического использования.

ЗАКЛЮЧЕНИЕ

Предлагаемая работа посвящена решению научных и практических задач,' связанных с повышением диагностической эффективности классификации функционального состояния голосовых складок путем разработки способов, алгоритмов и программно-технических средств, обеспечивающих управление процессами диагностики функционального состояния голосовых складок в условиях нечеткого представления исходных данных и диагностируемых классов.

В результате выполнения работы получены следующие основные ре зультаты.

1. Разработан метод синтеза пространства информативных

• признаков, выделяемых из кода тестового сигнала, позволяющий классифицировать функциональные состояния голосового аппарата, включающий:

- способ выделения тестовой фонемы из тестового сигнала, основанный на анализе числа пересечений нулевого уровня тестовым сигналом в скользящем частотно-еременном окне;

- способ сегментации вейвлет-плоскости тестовой фонедоц, отличающийся анализом высокочастотной и низкочастотной составляющих модулей вейвлет-коэффициентов и их нисходящих разностей во временных окнах, ширина которых равна длине строки вей влет-плоскости;

- алгоритмы вычисления компонент признакового пространства, основанные на вычислении статистических характеристик модулей вейвлет-коэффициентов в выделенных сегментах вейвлет-плоскости тестовой фонемы.

2. Предложена модель нечеткого решающего модуля с тремя выходами, предназначенная для использования в системах поддержки принятия решений при диагностике и реабилитации функционального состояния голосового аппарата, позволяющая выделить в выборке объекты, для которых не мргут быть приняты ни нулевая, ни альтернативная гипотезы, отличающаяся правилами вывода в агрегаторе и дефуззификаторе модуля и алгоритмом коррекции их параметров, реализующим итерационный процесс повышения точности классификации за сч,ет контролируемого снижения области неклассифицируемых объектов.

3. Предложена структура системы поддержки принятия решений для диагностики и реабилитации функционального состояния гортани, включающая три функциональных уровня и обеспечивающая диагностическую эффективность решающих правил по классам «болен»/«здоров» не ниже 0,945 и диагностическую эффективность по классам «болен»/«болен» не ниже 0,917.

4. Разработан способ формирования функций принадлежности для классификации функциональных состояний голосовых складок, заключающийся в формировании полигонов обучающей выборки двух классов и, путем использования интерактивного режима, отнесения этих полигонов к одному из трех типов, в рамках которого:

- получены три алгоритма синтеза функций принадлежности, соответствующие трем типам полигонов выборок двух классов, предусматривающие учет относительной дислокации полигонов класса «болен» относительно полигона класса «здоров» и его эволюции в процессе применения способов видоизменения гистограмм;

- получены функции принадлежности по пяти информативным ф признакам по классам «болен»/«здоров» и по классам, соответствующим функциональным нарушениям голосового аппарата;

- разработаны алгоритмы классификации функциональных состояний голосовых складок, отличающиеся наличием детектора ошибок, позволяющие контролировать степень достоверности полученных 9 результатов при классификации функционального состояния голосовых складок и при ситуациях, когда нечеткий решающий модуль не выдает конкретного диагностического заключения.

5. Разработанные модели, методы и алгоритмы и соответствующее программное обеспечение прошли экспериментальную проверку в ГУП НИИ Новых Медицинских Технологий и используются в учебном процессе кафедры Биомедицинской инженерии Курского государственного технического университета. В результате проведенных статистических исследований получены количественные результаты качества диагностики различных функциональных состояний голосовых складок, которые показали, что разработанные способы, методы и алгоритмы могут быть рекомендованы для практического использования. г

Список литературы диссертационного исследования кандидат технических наук Шаталова, Ольга Владимировна, 2006 год

1. Аверкин, А.Н. Нечеткие множества в моделях управления и • искусственного интеллекта Текст. / А.Н. Аверкин и др. М.: Наука, 1987.430 с.

2. Автоматизированные медико-технологические системы Текст. : монография / А.Г. Устинов, В.А. Ситарчук, Н.А. Кореневский; под ред. А.Г. Устинова; Курск, гос. техн. ун-т. Курск, 1995. Ч.З. 105 с.

3. Автоматизированные медико-технологические системы Текст. : монография / А.Г. Устинов, В.А. Ситарчук, Н.А. Кореневский; под ред. А.Г. Устинова; Курск, гос. техн. ун-т. Курск, 1995. 4.2. 157 с.

4. Автоматизированные медико-технологические системы Текст. : монография / А.Г. Устинов, В.А. Ситарчук, Н.А. Кореневский; под ред. А.Г. Устинова; Курск, гос. техн. ун-т. Курск, 1995. 4.1. 128 с.

5. Айвазян, С.А. Прикладная статистика. Основы эконометрики Текст. : учебник для вузов. В 2 т. Т. 1. Теория вероятностей и прикладная статистика / С.А. Айвазян, B.C. Мхитрян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001.656 с.г

6. Ахутин, В.М. Биотехнические системы Текст. / В.М. Ахутин. Л.: ЛГУ, 1979. 257 с.

7. Барсуков, А.П. Электронные версии зрения и слуха Текст. / А.П. Барсуков // Техника кино и feлeвидeния. 2003. № 2.

8. Бегун, П,И. Биомеханика Текст. : учебник для вузов / П.И. Бегун, Ю.А. Шукейло. СПб.: Политехника, 2000. 483 с.

9. Боровиков, В. STISTICA. Искусство анализа данных на компьютере: Для профессионалов Текст. / В. Боровиков. 2-е изд. (+CD). СПб.: Питер, 2003. 688 с.

10. Брежнев, А.В. Модуль нечеткого вывода для разнотипных признаковых пространств Текст. / А.В. Брежнев, А.А. Бурмака // Научно-технический сборник. М.: ВУ РХБЗ, 2005. №2 (37). С. 64-67.

11. Брежнев, А.В. Способ выделения сигнала тремора голосовых связок посредством анализа вейвлет-плоскости цифровых отсчетов сигнала голоса Текст. / А.В. Брежнев // Научно-технический сборник. М.: ВУ РХБЗ, 2005. №2 (37). С. 30-36.г

12. Васильев, В.Н. Компьютерная обработка сигналов в приложении к интерферометрическим системам Текст. / В.Н. Васильев, И.П. Гуров. СПб.: БХВ — Санкт-Петербург, 1998. 240 с.

13. Воробьев, В.И. Теория й практика вейвлет-преобразования Текст. / В.И. Воробьев, В.Г. Грибунин. СПб.: ВУС, 1999. 204 с.

14. Галушкин, А.И. Синтез многослойных систем распознавания образов Текст. / А.И. Галушкин. М.: Энергия, 1974. 386 с.

15. Галягин, Д.К. Адаптивные вейвлеты (Алгоритм спектрального анализа сигналов) Текст. / Д.К. Галягин, П.Г. Фрик / ММСП. Пермь: ПГТУ, 1996. №4. С. 20-28.

16. Генкин, А.А. Новая информационная технология обработки данных (программный комплекс ОМИС) Текст. / Генкин А.А. СПб.: Политехника, 1999. 191 с.

17. Гимаров, В.А. Нейро-нечеткий метод классификации объектов с разнотипными признаками Текст. / В.А. Гимаров, М.И. Дли, С.Я. Битюцкий // Системы управления и информационные технологии. 2004. №4 (16). С. 13-18.

18. Голд, Б. Цифровая обработка сигналов Текст. : [пер. с англ.] / Б. Голд, Ч. Рэйдер. М.: Сов. радио, 1973. 368 с.

19. Гоноровский, И.С. Радиотехнические цепи и сигналы Текст. / И.С. Гоноровский. М.: Радио и связь, 1986. 512 с.

20. Горелик, A.J1. Методы распознавания Текст. / A.J1. Горелик, В.А. Скрипкин. М.: Высшая школа. 1989.

21. Даджион, Д. Цифровая'обработка многомерных сигналов Текст.: [пер. с англ.] / Д. Даджион, Р. Мерсеро. М.: Мир, 1988.488 с.

22. Дмитриева, Н.В. Индивидуальное здоровье и полипараметрическая диагностика функциональных состояний организма (системно информационный подход) Текст. '/ Н.В. Дмитриева, О.С. Глазачев. М., 2000. 214 с.

23. Дремин, И.М. Вейвлеты и их использование Текст. / И.М. Дремин, О.В. Иванов, В.А. Нечитайло // Успехи физических наук. 2002. Т. 171, №5. С. 465-500.

24. Дубров, A.M. Многомерные статистические методы Текст.: учебник / A.M. Дубров, B.C. Мхитрян, Л.И. Трошин. М.: Финансы и статистика, 2000. 352 с

25. Дуда, Р. Распознавание образов и анализ сцен Текст. / Р. Дуда, Р. Харт. М.: Мир, 1976.

26. Дьяконов, В. Обработка сигналов и изображений Текст. : специальный справочник / В. Дьяконов, И. Абраменкова. СПб.: Питер, 2002. 608 с.

27. Дюк, В. Обработка данных на ПК в примерах Текст. / В. Дюк. СПб: Питер, 1997. 240 с.

28. Елисеева, И.И. Логика прикладного статистического анализа Текст. / И.И. Елисеева, В.О. Рукавишников. М.: Финансы и статистика, 1982. 192 с.р

29. Заде, А. Основы нового подхода к анализу сложных систем,и процессов принятия решений Текст. / А. Заде // Математика сегодня. М., 1974.

30. Заде, J1.A. Понятие лингвистической переменной и ее применение к принятию приближенных решений Текст. / J1.A. Заде. М.: Мир, 1976. 312 с.

31. Заенцев, И.В. Нейронные сети: основные модели Текст. : учебное пособие по курсу «Нейронные сети» для студентов 5 курса магистратуры физического ф-та Воронежского государственного университета /И.В. Заенцев. Воронеж, 1999. 76 с.• ч • |д

32. Искусственный интеллект Текст. В 3-х кн. Кн. 2. Модели и методы: справочник / под общ. ред. Д.А. Поспелова. М.: Радио и связь, 1990.304 с.' • р

33. Использование видеоларингостробоскопии в фониатрической практике Текст. : пособие для врача / Московский научно-исследовательский институт уха, горла и носа. Москва. 1997. 22 с.

34. Казначеев, В.П. Донозологическая диагностика в практике массовых заболеваний населения Текст. / В.П. Казначеев, P.M. Баевский,г

35. А.П. Беренев. JL: Медицина, 1986.'216 с.

36. Калинцев, Ю.К. Разборчивость речи в цифровых вокодерах Текст. /Ю.К. Калинцев. М: Радио и связь, 1991. 218 с.

37. Кириллов, С.Н. Алгоритмы сегментации речевых сигналов в естественно-языковых интерфейсах Текст. / С.Н. Кириллов, А.С. Шелудяков, 0.3. Шустиков // ЭВМ и информационные технологии: сб. научн. статей. Рязань: РГРА, 1998. С. 4-8.

38. Кодзасов, С.В. Общая фонетика Текст. / С.В. Кодзасов, О.Ф. Кривнова. М.: Рос. гос. гуманит. ун-т, 2001. 592 с.

39. Колоколов, А.С. Предварительная обработка и сегментация речевого сигнала в частотной области для распознавания речи Текст. / А.С. Колоколов // Автоматика и телемеханика. 2003. №6. С. 152-162.

40. Кореневский, Н.А. Полифункциональная система интеллектуальной поддержки принятия решений по рационализациилечебно-диагностических процессов Текст. / Н.А. Кореневский // Вестник4 1 *новых медицинских технологий / АМНТ. 1996. Т. 3, № 2. С. 43-46.

41. Коротких, В.Ф. Система поддержки принятия решений поликлинического врача общей практики Текст. / В.Ф. Коротких, Ю.Н. Горобец, М.А. Желудева // Биомедицинская радиоэлектроника. 2001. №3. С. 28-34.

42. Кофман, А. Введение в теорию нечетких множеств Текст. / А. Кофман. М.: Радио и связь, 1982. 432 с.

43. Крашенинников, И.В. Методы определения периода речевых сигналов Текст. / И.В. Крашенинников // Ноосферные знания и технологии: труды Ульяновского научного цейтра / РАЕН. Ульяновск, 1999. Т. 2, Вып. 1. С. 111-116.

44. Круглов, В.В. Искусственные нейронные сети. Теория и практика Текст. / В.В. Круглов, В.В. Борисов. 2-е изд., стереотип. М.: Горячая линия1. Телеком, 2002. 382 с.

45. Кэнал, Л. Обзор систем для анализа структуры образов и разработки алгоритмов классификации в режиме диалога Текст. / Л. Кэнал

46. Распознавание образов при помощи цифровых вычислительных машин. М.: Мир, 1974. 157 с.

47. Леоненков, А.В. Нечеткое моделирование в среде Matlab и fuzzyTECH Текст. / А.В. Леоненков. СПб.: БХВ Петербург, 2005. 736 с.

48. Леонов, А.С. Артикуляторный ресинтез гласных Текст.11

49. АС. Леонов, И.С. Макаров, В.Н. Сорокин, А.И. Цыплихин // Информационные процессы. 2003. Т. 3, № 2. С. 73-92.

50. Леонов, А.С. Обратная задача для управления артикуляцией1.'

51. Текст. : доклады Академии наук / А.С. Леонов, В.Н. Сорокин. 2000. Т. 374, № 6. С. 749-753.

52. Ливенцев, Н.М. Курс физики Текст. / Н.М. Ливенцев. М.: Высшая школа, 1974. С. 114-115.

53. Макаров, И.С. 3-мерная модель речевого тракта и алгоритмгвычисления площадей поперечного сечения Текст. / И.С. Макаров, П. Баден, В.Н. Сорокин // Диалог: тр. Междунар. семинара. 2002. С. 352-359.

54. Макс, Ж. Методы и техника обработки сигналов при физических измерениях Текст. : в 2-х т. [пер. с франц.] / Ж. Макс. М.: Мир, 1983. Т. 2.4 256 с.'

55. Малышев, Н.Г. Нечеткие модели для экспертных систем в САПР Текст. / Н.Г. Малышев, Л.С. Бернштейн, А.В. Боженюк. М.: Энергоатомиздат, 1991.

56. Марпл.-мл., С.Л. Цифровой спектральный анализ и его приложения Текст.: [пер. с англ.}/ С.Л. Марпл.-мл. М.: Мир, 1990. 584 с.

57. Марр, Д. Зрение. Информационный подход к изучецщо представления и обработки зрительных образов Текст. : [Пер. с англ.] / Д. Марр. М.: Радио и связь, 1987. 400 с.t

58. Математическая обработка результатов исследований в медицине, * 0биологии и экологии Текст. : монография / С.А. Воробьев, А.А. Яшин; под общ. ред. А.А. Яшина. Тула: ТулГУ, 1999. 120 с.

59. Мелихов, А.Н. Расплывчатые ситуационные модели принятия решений Текст. : учеб. пособие / А.Н. Мелихов, J1.C. Берштейн, С .Я. Коровин. Таганрог: ТРТИ, 1986. 211 с.

60. Методика применения экспертных методов для оценки качества продукции Текст. М.: Стандарт, 1975. 31 с. 1

61. Нечеткие множества и теория возможностей. Последние достижения Текст. : [пер. с англ.] / под общ. ред. Р.П. Ягеря. М.: Радио исвязь, 1986. 408 с.

62. Нечеткие модели для экспертных систем САПР Текст. /Н.Г. Боженюк, Н.Г. Малышев и др. М.: Энегроатомиздат, 1991. 136 с.

63. Омельченко, В.П. Практикум по медицинской информатике Текст. : серия «Учебники, учебные пособия» / В.П. Омельченко, A.J1. Демидова. Ростов-на-Дону: феникс, 2001. 304 с.

64. Оппенгейм, А.В. Цифровая обработка сигналов Текст. : [пер.( с англ.] / А.В. Оппенгейм, Р.В. Шафер. М.: Связь, 1979. 416 с.

65. Орловский, С.А. Проблемы принятия решений при нечеткой исходной информации Текст. / С.А. Орловский. М.: Наука, 1981. 208 с.

66. Основы проектирования автоматизированных систем анализа медико-биологических сигналов Текст. / В.В. Губанов, J1.B. Ракитская, С.А. Филист / ГУИПП «Курск». Курск, 1997. 134 с.

67. Осовский, С. Нейронные сети для обработки информации Текст. / С. Осовский; пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.

68. Плис, А.И. Mathcad 2000. Математический практикум для экономистов и инженеров Текст. : учеб. пособие / А.И. Плис, Н.А. Сливина. М.: Финансы и статистика, 2000. 656 с.

69. Подвальный, Е.С. Модели индивидуального прогнозирования и классификации состояний в системах компьютерного мониторинга Текст. /Е.С. Подвальный. Воронеж: Изд-во ВГТУ, 1998. 127 с.

70. Половко, A.M. Matlab для студента Текст. / A.M. Половко. СПб.: БХВ Петербург, 2005. 320 с.

71. Прикладная статистика* классификация и снижение размерности Текст. / под общ. ред. С.А. Айвазяна. М.: Финансы и статистика, 1989. 315

72. Прэтт, У. Цифровая обработка изображений Текст. : в 2-х кн. /У. Прэтт. М.: Мир, 1982. Кн. 1. 312 е.; Кн. 2. 480 с.

73. Рабинер, JI. Теория и применение цифровой обработки сигналов Текст.: [пер. с англ.] / JL Рабинер, Б. Гоулд. М.: Мир, 1978. 848 с.

74. Растригин, JI.A. Метод коллективного распознавания Текст. / JLA. Растригин, Р.Х. Эренштейн. М.: Энергоиздат, 1981. 80 с.

75. Рутковская, Д. Нейронные сети, генетические алгоритмы инечеткие системы Текст. / Д. Рутковская, М. Пилиньский, JI. Рутковский;пер. с польск. И.Д. Рудинского. М.: Горячая линия Телеком, 2004. 452 е.:1.1

76. Скоромец, А.А., Скоромец Т.А. Топическая диагностика заболеваний нервной системы Текст. / АЛ. Скоромец, Т.А. Скоромец. СПб.: Политехника, 2000. 141 с.

77. Сорокин, В.Н. Модель многослойного первичного анализагречевых сигналов Текст. / В.Н. Сорокин // Труды 13-й сессии Российскогоакустического общества. 2003. С. 11-16.

78. Сорокин, В.Н. Сегментация и распознование гласных Текст. / В.Н. Сорокин, А.И. Цыплихин // Информационные процессы. М., 2004. Т. 4, № 2. С. 202-220.

79. Сорокин, В.Н. Синтез речи Текст. / В.Н. Сорокин. М.: Наука, . 1992. ,

80. Сорокин, В.Н. Теория речеобразования Текст. / В.Н. Сорокин. М.: Радио и связь, 1985.

81. Справочник по функциональной диагностике в педиатрии Текст. / под общ. ред. Ю.Е. Вельтищева, Н.С. Кисляк. М.: Медицина, 1979. 624 с.

82. Статические и динамические экспертные системы Текст. :учебное пособие / Э.В. Попов и др. М.: Финансы и статистика, 1996. 320 с.I

83. Толстов, Г.П. Ряды Фурье Текст. / Г.П. Толстов. М.: Наука, 1980.384 с.

84. Тьюки, Дж. Анализ результатов наблюдений. Разведочный анализ Текст. / Дж. Тьюки. М.: Мир, 1981.

85. Тюрин, Ю.Н. Статистический анализ данных на компьютере Текст. / Ю.Н. Тюрин, А.А. Макаров; под общ. ред. В.Э. Фигурнова. М.: ИНФА, 1998.528 с.

86. Уотерман, Р.Д. Построение экспертных систем Текст. : [пер. с ' айгл.] 1 Р.Д. Уотерман, Д. Ленат, Ф. Хойсе-Рот. М.: Мир. 1987.

87. Фант, Г. Акустическая теория речеобразования Текст. : [пер. с англ.] / Г. Фант. М.: Наука, 1964.284 с.г

88. Филист, С.А. Метод спектрального анализа биомедицинскихIсигналов Текст. / С.А. Филист, С.Ю. Багликов, Е.А. Юдина // Распознавание-95: сб. материал. 2-й Междунар. конф. Курск, 1995. С. 93.

89. Фомин, А.А. Статистическая теория распознавания образов Текст. / А.А. Фомин, Г.Р. ТарловСкий. М.: Радио и связь, 1986.

90. Фролов, М.В. Диагностика функциональных и депрессивных состояний по характеристикам интонации и временного потока речи Текст. / М.В. Фролов и др. // Биомедицинские технологии и радиоэлектроника.2004. № 12. С. 8-16.

91. Хансен, Г. Базы данных: разработка и управление Текст. : [пер. с англ.] / Г. Хансен, Д. Хансен. М.: БИНОМ, 1999. 704 с.

92. Хартли, О.Г. Многомерный дискриминационный анализ Текст. : [пер. с англ.] / О.Г. Хартли; под. общ. ред. И.С. Енюкова // Факторный, дискримйнантный и кластерный анализ. М.: Финансы и статистика, 1989. С. 98-122.

93. М.: Радио и связь, 1981. 496 с.

94. Чистович, Л.А. Физиология речи. Восприятие речи человеком

95. Текст. / JI.А. Чистович, А.И. Венцов, М.П. Гранстрем и др. М.: Наука, 1976. 388 с.'

96. Чэн, Ш.-К. Принципы проектирования систем визуальной информации Текст.: [пер. с англ.] / Ш.-К. Чэн. М.: Мир, 1994. 480 с.

97. Шаталова, О.В. Использование частотно-временных преобразований для диагностики нарушений голосового аппарата Текст. / О.В. "Шаталова, Н.В. Краснова // Интеграция медицины и образования: сб. материал, научн. конф. Курск: Изд-во КГУ, 2006. С. 118-121.

98. Шаталова, О.В. Методика вейвлет-диагностики дисфонии по фонеме И Текст. / О.В. Шаталова, С.А. Филист, Н.В. Краснова // Вестник новых медицинских технологий. Тула, 2006. Т. XIII, №2. С. 20.

99. Шаталова, О.В. Нейронные сети на основе нечеткойадаптирующейся иерархической структуры при наличии данных с пробелами*

100. Текст. / О.В. Шаталова, С.А. Филист, М.А. Ефремов // Медико-экологические информационные технологии 2006: сб. материал. IX . Междунар. научн.-техн. конф. / Курск, гос. техн. ун-т. Курск, 2006. С. 87-93.

101. Шаталова, О.В. Синтез информативных признаков на вейвлет-плоскости фонемы «И» для диагностики голосовых расстройств Текст.

102. О.В. Шаталова, С.А. Филист, Н.В. Краснова // Вестник новых медицинских технологий. Тула, 2006. Т. XIII, №2. С. 21.

103. Экспертные системы. Принципы работы и примеры Текст. : [пер. с англ.] / А. Брукинг, Д. Джонс, Ф. Кокс и др; под общ. ред. Р. Фройсата. М.: Радио и связь, 1987. 352 с.

104. Элти Кумбс, Дж. Экспертные системы: концепции и примеры Текст. : [пер. с англ.] / Дж. Элтй Кумбс. М.: Финансы и статистика, 1987. 251 с. ,I

105. Яковлев А.Н. Основы вейвлет-преобразования сигналов Текст. : учеб. пособие / А.Н. Яковлев. М.: САЙНС-ПРЕСС, 2003. 80 с.

106. Agranovsky, A.V. Variation of the Fundamental Tone Characteristics with the Emotional Changes in Man Text. / A.V. Agranovsky, D.A. Lednov // Proc / SPECOM-96. St Petersburg, Russia, Oct. 21-23, 1996. Pp. 186-187.

107. Dempster, A.P. Maximum-likelihood from incomplete data via the EM algorithm Text. / A.P. Dempster, N.M. Laird, D.B. Rubin // J. Royal Statist. Soc. Ser. B. 1977. Vol. 39.

108. Ganapathiraju, A. Syllable-Based Large Vocabulary Continuous

109. Speech Recognition Text. / A. Ganapathiraju, J. Hamaker, J. Picone, G.R. Doddington, M. Ordowski. // IEEE Transactions on Speech and Audio Processing. 2001, Vol. 9, No. 4. Pp. 358-366.

110. Kamakshi, Prasad. Automatic segmentation of continuous speech using minimum phase group delay functions Text. / Prasad Kamakshi, Nagarajan, Murthy Hema. // Speech Communication. 2004. Vol. 42. Pp. 429-446.

111. Matlab Manual, http://www.mathworks.com/access/helpdesk/help/ toolbox/optim/optim.shtml.

112. Pastel, L. Turbulent voice sources in vocal tract models Text. / L. Pastel // M.S. Thesis, MIT Cambridge. 1987.

113. Rabiner, L.R. A bootstrapping training technique for obtaining demisyllable reference patterns Text. / L.R. Rabiner, A.E. Rosenberg, J.G. Wilpon, T.M. Zampini //JASA. 1982. Vol. 71, No. 6. Pp. 1588-1595.

114. Seifritz, E. Spatiotempor^l pattern of neural processing in the human auditory cortex Text. / E. Seifritz, F. Esposito, F. Hennel, H. Mustofic,i l a

115. J.G. Neuhoff, D. Bilecen, G. Tedeschi, K. Scheffler, F. Di Salle // Science. 2002. Vol. 297, No. 5587. Pp. 1706-1708.

116. Sorokin V.N. Inverse problem for fricatives Text. / V.N. Sorokin // Speech Communication. 1994. Vol. 14, No. 2. Pp. 249-262.

117. Sorokin, V.N. Articulatory-to-acoustic mapping for inverse problem Text. / V.N. Sorokin, A.V. Trushkin // Speech Communication. 1996. Vol. 19. Pp. 105-118.

118. Sorokin, V.N. Determination of vocal tract shape for vowels Text.r

119. V.N. Sorokin// Speech Communication. 1992. Vol. 11, No 1. Pp. 71-85.

120. Sorokin, V.N. Estimation of stability and accuracy of inverse problem solution for the vocal tract Text. / V.N. Sorokin, A.S. Leonov, A.V. Trushkin // Speech Communication. 2000. Vol. 30, No. 1. Pp. 55-74.

121. Stevens, K.N. Acoustic Phonetics Text. / K.N. Stevens // MIT Press.2000.

122. Van Hemert, J.P. Automatic segmentation of speech Text. / J.P. Van Hemert // IEEE Transactions on Signal Processing. 1991. Vol. 39. Pp. 1008-1012.

123. Vernaz, Y. Mixture Modelling Software MIXMOD User's Guide Text. / Y. Vernaz, F. Langrognet, C. Biernacki et al. 1999. http.V/www-math.umvr-fcomte.fr/MIXMOD/usermdde/.

124. Walker, J. Fourier Analysis and Wavelet Analysis Text. / J. Walker < // Notiees of the AMS. 1997. Vol. 44, № 6. Pp. 658-670. '

125. Westbury J. X-ray Microbeam Speech Production Database. User's Handbook Text. / J. Westbury. Version 1. 1994.

126. Wilpon, J.G. An investigation on the use of acoustic sub-word units for automatic speech recognition Text. / J.G. Wilpon, B-H. Juang, L.R. Rabiner // Proc. Int. Conf. Acous., Speech, and Sig. Processing. Dallas, TX, 1987. Pp. 821824.r

127. Wu, C.F.J. On the convergence properties of the EM algorithm Text. /C.F.J. Wu//The Annals of Statistics. 1983. Vol. 11, No. 1. Pp. 95-103. f" № '

128. Xu, L. On the convergence properties of the EM algorithm for Gaussian mixtures Text. / L. Xu, M.I, Jordan // Neural Computation 1996. Vol. 8. Pp.] 2^-151.