Разработка метода и алгоритмов автоматического распознавания стадий сна и построения гипнограммы тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Захаров, Евгений Сергеевич

• Захаров, Евгений Сергеевич
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Захаров, Евгений Сергеевич

ВВЕДЕНИЕ.

ГЛАВА 1 СОВРЕМЕННОЕ СОСТОЯНИЕ ТЕОРЕТИЧЕСКОГО И АППАРАТНОГО ОБЕСПЕЧЕНИЯ ИССЛЕДОВАНИЙ СНА.

1.1. Исторические предпосылки и сущность задачи исследований сна.

1.2. Типы сигналов и характеристики регистрируемых физиологических показателей.

1.2.1. Электроэнцефалограмма.

1.2.2. Движения глаз (электроокулограмма, ЭОГ).

1.2.3. Мышечная активность (электромиограмма, ЭМГ).

1.2.4. Электрокардиограмма.

1.2.5. Дыхание.

1.2.6. Кожно-гальваническая реакция.

1.2.7. Уровень содержания кислорода в крови (Sp02).

1.3. Оборудование, применяемое для проведения полисомнографических исследований.

1.3.1. Общие сведения.

1.3.2. Каналы ЭЭГ, ЭМГ, ЭОГ и ЭКГ.

1.3.3. Канал рекурсии дыхания.

1.3.4. Канал положения тела.

1.3.5. Диктофон.

1.3.6. Регистрация данных, временная разметка записи.

1.3.7. Измерение амплитудно-временных и спектральных параметров ЭЭГ-сигнала.

1.3.8. Программное обеспечение.

1.4. Расчётные физиологические показатели, применяемые для решения задачи распознавания стадий сна.

1.5. Классификация стадий сна согласно стандарту R&K.

1.5.1. Стадия бодрствования (W).

1.5.2. Первая стадия сна (S1).

1.5.3. Вторая стадия сна (S2).

1.5.4. Третья стадия сна (S3).

1.5.5. Четвертая стадия сна (S4).

1.5.6. Стадия REM.

1.5.7. Сочетание стадии REM и других стадий сна.

1.5.8. Время движения.

1.5.9. ЭЭГ-активации.

1.5.10. Сводная таблица признаков стадий сна.

1.6. Выводы.

ГЛАВА 2 МЕТОДЫ РАСПОЗНАВАНИЯ СТАДИЙ СНА И ПОСТРОЕНИЯ ГИПНОГРАММЫ.

2.1. Анализ задачи классификации стадий сна и построения гипнограммы.

2.2. Обзор литературы по вопросам задачи распознавания стадий сна и построения гипнограммы

2.3. Общие принципы работы, классификация и базовые подходы, применяемые для распознавания данных многопараметрической диагностической системы.

2.3.1. Использование методов кластерного анализа для решения задач классификации.

2.3.2. Применение корреляционного анализа для решения задач классификации.

2.3.3. Нейросетевой подход к решению задачи распознавания стадий сна.

2.4. Использование аппарата нечёткой логики для решения задач классификации.

2.5. Методы обработки данных, получаемых с помощью многопараметрической диагностической системы.

2.5.1. Методы математической обработки электроэнцефалограмм.

2.5.2. Применение периодометрического анализа для исследования распределения значений размаха амплитуд сигналов ЭЭГ и поиска специфических графоэлементов.

2.6. Выводы.

ГЛАВА 3 РЕШЕНИЕ ЗАДАЧИ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ СТАДИЙ СНА И ПОСТРОЕНИЯ ГИПНОГРАММЫ

3.1. Сущность предлагаемого метода автоматического распознавания стадий сна и построения гипнограммы.

3.2. Обучение и дообучение на статистических данных.

3.3. Распознавание стадии сна и верификация полученной гипнограммы.

3.4. Представление функции принадлежности с помощью сплайнов.

3.5. Задание стандартов построения гипнограммы с распознаванием.

3.6. Полный алгоритм автоматического распознавания стадий сна и построения гипнограммы

3.7. Выводы.

ГЛАВА 4 РАЗРАБОТКА ПРОГРАММНОЙ МОДЕЛИ.

4.1. Структурная схема реализации алгоритма работы системы автоматического распознавания стадий сна н построения гипнограммы.

4.2. Структурные схемы программы.

4.3. Особенности программной реализации.

4.3.1. Структура классов.

4.3.2. Структуры данных.

4.3.3. Пользовательский интерфейс.

4.4. Реализация метода автоматического построения гипнограммы в составе программно-аппаратного диагностического комплекса «Энцефалан 131-01».

4.5. Выводы.

ГЛАВА 5 РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ.

5.1. Методика проведения экспериментальных исследований.НО

5.2. Распознавание по полному набору вторичных показателей.

5.3. Распознавание с обучением по одному исследованию.

5.4. Распознавание по выборочному набору вторичных показателей.

5.5. Исследование влияния логического вывода на достоверность распознавания.

5.6. Исследование влияния способа оценки расстояния в пространстве признаков на достоверность распознавания.

5.7. Исследование влияния на достоверность распознавания индивидуальных особенностей экспертов и состава выборки исходных статистических данных.

5.8. Распознавание с использованием максимального набора вторичных показателей.

5.9. Эксперименты с данными из базы PhysioNet.

5.9.1. Общая информация.

5.9.2. Обучение и распознавание на одном файле.

5.9.3. Исследование sc4002e0.

5.9.4. Исследование sc4012e0.

5.9.5. Исследование sc4102e0.

5.9.6. Исследование sc4112е0.

5.9.7. Исследование st7022j0.

5.9.8. Исследование st7052j0.

5.9.9. Исследование st712 ljO.

5.9.10. Исследование st7132j0.

5.9.11. Обучение на всех, распознавание всех.

5.9.12. Обучение на всех, распознавание каждого.

5.9.13. Обучение на каждом, распознавание каждого.

5.10. Выводы.

Введение диссертации (часть автореферата) на тему «Разработка метода и алгоритмов автоматического распознавания стадий сна и построения гипнограммы»

Актуальность проблемы. Современное состояние вычислительной техники и микропроцессорных технологий позволяет применять диагностическое оборудование, способное регистрировать и обрабатывать широкий спектр физиологических показателей на протяжённых промежутках времени. Это, в свою очередь, предоставляет специалистам возможность детально исследовать жизнедеятельность организма человека в различных состояниях: в процессе выполнения специфической деятельности, при воздействии на организм всевозможных нагрузок, в процессе сна. Результатом таких исследований являются длительные записи физиологических сигналов, которые необходимо обрабатывать - выявлять специфические признаки и осуществлять с их помощью классификацию различных сегментов исходной записи сигналов по определённым критериям. Одной из актуальных и интересных с научной и практической точки зрения задач в этой области является задача распознавания стадий сна и построения гипнограммы.

В настоящее время данная задача в большинстве случаев решается специалистами вручную путём длительной визуальной обработки многочасовых записей динамики изменений физиологических показателей (исследований). Такой анализ является с одной стороны трудоёмким и длительным, а с другой — субъективным. Исследования показывают, что у различных экспертов совпадение гипнограмм может составлять от 67% до 91%, в частности, сравнение построенных вручную гипнограмм для двух здоровых взрослых испытуемых в десяти лабораториях в Японии выявило их совпадение между собой лишь на 67-75,3%. Введение автоматизации процесса построения гипнограммы позволяет сэкономить большой объём рабочего времени, упростить работу специалистов в области исследования сна и сопутствующих ему процессов и явлений.

Изучение и автоматизация процесса распознавания стадий сна и построения гипнограммы - одна из современных проблем, стоящих на пути внедрения вычислительной техники в процесс обработки полисомнологических исследований. Данной теме был посвящен ряд работ: Гийяр Ж.М., Тиссо Р. 1973; Мартин В.Б., Джонсон Л.С. 1972; Кувахара X. 1988; Станус Е., Лакруа Б. 1987; Каплан А.Я 1999; Хайджонг П. 2000; Агарвал Р, Готман Д. 2001; Дорошенков Л.Г. 2007. Тем не менее, данная задача еще недостаточно проработна, и в рамках неё существует ряд ограничений и проблем, которые не позволяют говорить о полноценной применимости предложенных подходов.

Задача автоматизации этого процесса построения гипнограммы связана с рядом проблем. Стандарты и рекомендации, которыми руководствуются врачи, ориентированы, в первую очередь, на визуальный анализ и интерпретацию исходных данных, что приводит к неоднозначности их представления в виде математической модели. Длительность регистрации большого числа физиологических показателей приводит к получению больших объемов данных, что до недавнего времени являлось сдерживающим фактором на пути успешной автоматизации процесса обработки этих данных. В настоящее время прогресс в области компьютерных технологий позволяет манипулировать такими объёмами данных, однако ограничения по применимости стандарта по-прежнему являются сдерживающим фактором на пути эффективного решения данной проблемы.

В большинстве случаев для решения поставленной задачи использовались нейронные сети, что позволяло достичь практически значимой достоверности, однако процессы обучения и переобучения связаны с высокой вычислительной трудоёмкостью, а дообучение на основе новых статистических данных приводит к существенному снижению чувствительности к данным предыстории. В современной литературе присутствует информация об использовании скрытых сетей Маркова для построения гипнограммы, что также позволяет достичь сравнительно высокой достоверности в целом, однако не даёт равномерного по достоверности распознавания всех стадий сна в отдельности при низких вероятностях проявления отдельных стадий сна и переходов между стадиями в гипнограмме.

Необходимо отметить, что под достоверностью распознавания подразумевается процентное соотношение (или в пределах 0 1) суммарной длительности участков записи, для которых стадия сна, определённая экспертом, совпала со стадией сна, определённой автоматически, ко всей длительности записи.

Обобщение современных научных и практических результатов в области автоматизации процесса распознавания стадий сна и построения гипнограммы позволяет выделить следующие основные требования к решению данной задачи:

• высокая степень достоверности автоматического построения гипнограммы в целом, равномерность уровня достоверности по стадиям сна при сравнении с гипнограммой, построенной экспертом;

• возможность адаптации алгоритма под различные классификации стадий сна и правила построения гипнограммы;

• применимость алгоритма к данным различных групп пациентов (например, физиологические паттерны сна у различных возрастных категорий испытуемых могут существенно отличаться; в частности, у грудных детей, как правило, выделяют не пять, а всего две стадии сна);

• возможность обучения на статистических данных с возможностью дообучения по мере получения новых данных;

• низкие требования к вычислительным ресурсам и, как следствие, возможность функционирования в реальном времени (в настоящее время рядом исследовательских организаций прорабатывается возможность создания автономного прибора мониторинга сна);

• информационное обеспечение автоматизации распознавания стадий сна и построения гипнограммы для эффективной работы врача;

• возможность использования широкого набора физиологических показателей, помимо тех, на которые ориентирован стандарт.

Анализ достижений и обзор представленных в литературе методов решения данной задачи показал, что большинство методов не удовлетворяют всем перечисленным требованиям одновременно, а также, как правило, жёстко привязаны к какому-то одному стандарту. В связи с этим решение комплексной задачи с обеспечением указанных выше требований является актуальным и представляет практический интерес.

Целью работы является разработка метода и алгоритмов, позволяющих: расширить возможности автоматического распознавания стадий сна и построения гипнограммы путём комплексной реализации требований к решению задачи распознавания, в том числе обеспечить высокий уровень достоверности результатов, применимость алгоритма для различных экспертов и групп пациентов с возможностью обучения и дообучения на основе накопления статистической информации; реализовать сочетание возможностей распознавания на единой теоретической основе, как с помощью типовых стандартов, так и с помощью экспертных оценок; снизить требования к вычислительным ресурсам.

Объектом исследования являются методы и алгоритмы решения задачи автоматического распознавания стадий сна и построения гипнограммы.

Методы исследования основаны на использовании таких разделов теоретической информатики, как распознавание образов, нечёткая логика, кластерный анализ, корреляционный анализ, сплайн-интерполяция, а также на использовании специальных алгоритмов формирования признаков при обработке физиологических сигналов.

Научная новизна работы определяется следующими отличительными особенностями полученных существенных теоретических и практических результатов:

1. Метод комплексного решения задачи распознавания стадий сна и построения гипнограммы, позволяющий обеспечить высокий уровень достоверности распознавания и улучшить равномерность значений достоверности по отдельным стадиям, отличающийся простотой адаптации к стандартам построения гипнограммы и настройки под индивидуальные особенности работы специалистов (экспертов), возможностью обучения и дообучения на статистических данных.

2. Алгоритм обучения на основе статистических данных, отличающийся использованием принципов кластерного анализа для описания в многомерном пространстве распределений значений признаков с целью построения нечётких функций принадлежности, и алгоритм распознавания на основе элементов нечёткой логики, отличающийся возможностью обеспечения высокого уровня достоверности построения гипнограммы и равномерности значений достоверности распознавания отдельных стадий.

3. Алгоритм дообучения на вновь полученных статистических данных, состоящий в коррекции вида функций принадлежности и отличающийся малыми вычислительными затратами.

4. Методика и алгоритмизация аппроксимации функции принадлежности с помощью сплайна на основе дельта-преобразований второго порядка, отличающаяся возможностью обеспечения заданной точности аппроксимации и обеспечивающая низкую вычислительную трудоёмкость и высокое быстродействие при решении задачи распознавания.

Достоверность выводов и эффективность разработанного метода подтверждена проведением серий компьютерных экспериментов с применением базы клинических полисомнографических исследований, полученных с помощью сертифицированного оборудования, и построенных экспертами гипнограмм, апробацией на научных семинарах, публикацией результатов работ, внедрением полученных результатов. Эффективность разработанного метода и алгоритмов обусловливается тем, что на основе экспериментов было получено подтверждение высокой достоверности результатов распознавания ~85%.

Основные положения, выносимые на защиту:

• метод распознавания стадий сна и построения гипнограммы;

• алгоритм построения нечётких функций принадлежности на основе кластерного анализа и статистических данных;

• алгоритм коррекции функции принадлежности с учётом новых статистических данных;

• алгоритмизация аппроксимации функции принадлежности с помощью сплайн-функции на основе дельта-преобразований второго порядка.

Практическая ценность. Предложенные метод и алгоритмы имеют значимость для решения практической задачи распознавания стадий сна либо других психофизиологических состояний, которые могут быть описаны конечным числом вычисляемых показателей. Особый интерес представляет использование полученных результатов в составе программно-методического обеспечения программно-аппаратного диагностического комплекса «Энцефалан 131-01» производства ООО НПКФ «Медиком МТД». Это обеспечивает расширение спектра возможностей по применению комплекса в области исследований сна и, как следствие, повышает научную и практическую ценность этого оборудования. Кроме того, использование предлагаемого метода в арсенале возможностей по обработке физиологических данных значительно облегчает и ускоряет работу экспертов в автоматизированном режиме. Низкая требовательность алгоритма к вычислительным ресурсам, а также гибкость и простота адаптации к различным требованиям обусловливают его широкие возможности с практической точки зрения. Применения разработанных алгоритмов в сочетании с другими известными алгоритмами создают основу для эффективного комбинированного решения данной задачи.

Реализация и внедрение результатов работы.

Результаты работы использованы:

•в разработанном программно-методическом обеспечении «Электроэнцефалографические исследования» (подсистема «Сомнологические исследования») для прибора электроэнцефалографа-анализатора «Энцефалан-131-03», серийно выпускаемого ООО НПКФ «Медиком МТД»;

•в учебном процессе в Технологическом институте Южного федерального университета в г. Таганроге (ТТИ ЮФУ) на кафедре Математического обеспечения и применения ЭВМ при подготовке студентов специальностей 230105 «Программное обеспечение вычислительной техники и автоматизированных систем» и 010503 «Математическое обеспечение и администрирование информационных систем», в дисциплинах «Системы искусственного интеллекта» и «Цифровое управление, сжатие и параллельная обработка информации на основе оптимизированных дельта-преобразований второго порядка»;

•в учебном процессе в Технологическом институте Южного федерального университета в г. Таганроге (ТТИ ЮФУ) на кафедре Электрогидроакустической и медицинской техники при подготовке студентов по специальностям 200401 «Биотехнические и медицинские аппараты и системы» направления 200300 «Биомедицинская инженерия», в дисциплинах «Моделирование биологических процессов и систем» и «Управление в медицинских и биологических системах».

Использование результатов работы подтверждено актами об использовании.

Апробация работы. Основные результаты работы докладывались и обсуждались на: 5-ой международной конференции «Практикующий врач» (Италия, г. Римини, 9-16 сентября, 2006-й год), 4-ой ежегодной конференции студентов и аспирантов базовых кафедр Южного научного центра РАН (г. Ростов-на-Дону, 9-18 апреля, 2008-й год), 50-ой студенческой конференции ТРТУ (г. Таганрог, 20 марта, 2003-й год), 51-ой студенческой конференции ТРТУ (г. Таганрог, 25 марта, 2004-й год), 55-ой студенческой научной конференции (г. Таганрог, 27 марта, 2008-й год), всероссийской научно-технической конференции с международным участием «медицинские информационные системы» (г. Таганрог, 11-14 сентября 2006-й год).

Публикации. Результаты работы были представлены в 11 публикациях, из них 4 статьи в ведущих реферируемых изданиях, рекомендованных ВАК, 2 статьи в прочих изданиях, 5 тезисов докладов.

Структура и объем работы. Диссертация состоит из введения, 5-и глав, заключения, списка литературы и 4-х приложений. Материалы работы изложены на 168 страницах машинописного текста, содержат 21 таблицу, 24 рисунка, 73 библиографических источника, 24 страниц приложений, 1 акт о внедрении и 2 акта об использовании в учебном процессе.

Заключение диссертации по теме «Теоретические основы информатики», Захаров, Евгений Сергеевич

4.5. Выводы

Разработанная программная модель реализует в себе следующие алгоритмы:

1. Автоматическое построение функций принадлежности на основании экспертных данных.

2. Коррекция функций принадлежности с учётом вновь полученных данных.

3. Задание функций принадлежности вручную согласно стандартам.

4. Статистическая обработка распределений значений расчётных показателей.

5. Возможность импорта и экспорта данных, обеспечивающая взаимодействие с внешними программами.

6. Представление функций принадлежности в виде сплайнов.

7. Распознавание стадий сна и построение гипнограммы.

8. Анализ достоверности построенной гипнограммы.

9. Анализ достоверности выявления каждой из стадий сна.

10. Анализ ошибок распознавания.

Для отладки и апробации предложенного метода был разработан программный модуль для цифрового электроэнцефалографа-анализатора ЭЭГА-21/26 «Энцефалан-131-03», серийно выпускаемого ООО НПКФ «Медиком МТД» и предназначенного для проведения широкого спектра нейрофизиологических исследований. Такая интеграция позволяет осуществлять эксперименты с использованием реальных физиологических данных. Также в составе модуля реализованы средства визуального анализа данных. Модуль представляет собой гибкое программное средство, предназначенное для исследований стадий сна, позволяющее эффективно и наглядно осуществлять обучение на статистических данных и распознавание стадий сна. В архитектуру программы заложен принцип модульности, что позволяет с лёгкостью реализовывать альтернативные методы расчёта и визуализации. Модуль реализует описанный в главе 3 метод автоматического распознавания стадий сна и построения гипнограммы и осуществляет определение стадии сна для каждой конкретной эпохи. Для дальнейшего анализа эффективности работы алгоритма результаты представляются в виде классической гипнограммы (рис. 9) и сравниваются с экспертными гипнограммами, построенными по тем же самым данным.

Глава 5 Результаты экспериментальных исследований

5.1. Методика проведения экспериментальных исследований

В ходе экспериментальных исследований была поставлена задача подтверждения работоспособности предлагаемого метода и оценки его возможностей с помощью базы данных клинических полисомнографических исследований в качестве экспериментальной. Всего в базе находилось 7 исследований, построенных 3-мя экспертами для 7-ми различных пациентов. Сводные данные использованных исследований приведены в таблице 5.1.

Список литературы диссертационного исследования кандидат технических наук Захаров, Евгений Сергеевич, 2008 год

1. Айвазян А., Бухштабер В. М., Енюков И. С Мешалкин Л. Д. Прикладная статистика: классификация и снижение размерности. М.: Финансы и статистика, 1989.

2. Айвазян А., Енюков И. С Мешалкин Л. Д. Прикладная статистика: исследование зависимостей.М.: Финансыи статистика, 1985.

3. Айвазян А., Енюков И. С Мешалкин Л. Д. Прикладная статистика: основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.

4. Алиев. Р. А. Управление производством при нечёткой исходной информации М: Энергоатомиздат, 1991, 240 с.

5. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях Тюмень, Изд-во Тюменского университета, 2000. 352 с.

6. БеллманР.,Заде Л. Вопросы принятиярешений врасплывчатых условиях М.:Мир, 1976.

7. Борисов А.Н., Алексеев А.В., Меркурьев Г.В. Обработка нечёткой информации в системах принятиярешений М.: Радио и связь, 1989

8. БорисовА.Н.,Крумберг О.А., Федоров И.П. Принятиерешений на основе нечетких моделей. Примерыиспользования.Рига: "Зинатне", 1990.

9. Боровиков В.П., Боровиков И.П. Статистический анализ и обработка данных в среде Windows. М. ФИЛИНЪ. 1997. 600 с. Ю.Бразовский К.С.Оценка функциональных характеристик головного мозга у человека на основе совместной регистрации импеданса иэлектрической активности //Автореф. канд.дисс. Томск. 1999. 22 с. П.Вапник В. Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979.

10. Городецкий Й.Г., Захаров Е.С., Матцкевич В.А, Дорохов В.Б., государственного «Адаптивная модель операторской деятельности». Сборник трудов 133

11. Городецкий И.Г., Захаров Е.С, Скоморохов А.А. «Адаптивная модель совмещённой деятельности человека оператора в составе программноаппаратного комплекса Реакор» Известия ТРТУ. Тематический выпуск: «Медицинские информационные системы». Таганрог: 2004. №6. с. 36-39

12. Городецкий И.Г., Захаров Е.С, Скоморохов А.А. «Исследование и оценка психофизиологического состояния человека-оператора в процессе Изд-во ТРТУ, выполнения совмещённой операторской деятельности». Сборник трудов шестой международной научно-практическая конференция «Пилотируемые полёты в космос». Москва, Звёздный Городок: 2006, с.267-269

13. Городецкий И.Г., Захаров Е.С, Скоморохов А.А. «Экспериментальные исследования и анализ психофизиологического состояния и деятельности человека-оператора» Известия ТРТУ. Тематический выпуск: «Медицинские информационные системы». Таганрог: 2004.№6. с. 3912 Изд-во ТРТУ, 134

14. Гриняев Нечёткая логика в системах управления, Компьютерра №38/2001 г.

15. Дорохов В. Б. Применение компьютерных полисомнографических полиграфов в психофизиологии и для клинических исследований. ФИЗИОЛОГИЯЧЕЛОВЕКА, т. 28, №2/2002, с. 105-112

16. Журавлев Ю. И., Рязанов В. В., Сенько О. В. «Распознавание». Математические методы. Программная система. Практические применения. М.: Фазис,2006.ISBN5-7036-0108-8. 25.3агоруйко Н. Г. Прикладные методы анализа данных и знаний. Новосибирск:ИМСОРАН, 1999. ISBN5-86134-060-9.

17. Заде Л.А., Понятие лингвистической переменной и его применение к принятию приближенных решений., М.:Мир, 1976. 135

18. Каплан А.Я. Проблема сегментного описания ЭЭГ человека Физиология человека. 1/1999.Т. 25. с. 125

19. Каплан А.Я., Борисов СВ., Шишкин Л., Ермолаев В.А. Анализ сегментной структуры альфа-активности ЭЭГ человека. Российский физиол журн им.И.М.Сеченова. №4/2002 с 84-95. ЗО.Ковальзон В.М., Дорохов В.Б., Вербицкий Е.В. Третья международная конференция-школа "Сон окно в мир бодрствования". Журн. высш. нерв.деят. 2006. 56(3)

21. Кравченко П.П. Основы теории оптимизированных дельта- преобразований второго порядка. Цифровое управление, сжатие и параллельная обработка информации: Монография. Таганрог: Издательство ТРТУ, 1997. 200 с. ЗЗ.Кулаичев А.П. Компьютерная электрофизиология и функциональная диагностика, учебное пособие, Москва, Издательство «Форум», 2007, 639 с.

22. Малышев Н.Г., Берштейн Л.С., Боженюк А.В. Нечеткие модели для экспертных систем в САПР.М.: Энергоатомиздат, 1991.

23. Мандель И.Д. Кластерный анализ.— М.: Финансы и статистика, 1988. Зб.Мелихов А.Н., Берштейн Л.С., Коровин Я., Ситуационные советующие системы с нечёткой логикой, М. Наука, 1990 г.

24. Орловский А. Проблемы принятия решений при нечеткой исходной информации.,М.: Наука, 1981. 38.0совский Нейронные сети для обработки инофрмации. Москва: "Финансы и статистика", 2002. 136

25. Поспелова Д.А. Нечеткие множества в моделях управления и искусственного интеллекта, М., 1986.

26. Публикации в остальных изданиях

27. Сахаров В.Л., Андреенко А.С Методы математической обработки энцефалограмм -Таганрог: "Антон", 2000. -44 с

28. Сергеев Н.Е., Основы инженерных знание для задач ситуационного управления,ТРТУ, 1993 г.

29. Скоморохов А.А., Захаров Е.С. «Полисомнографические исследования и задача автоматизированного построения гипнограммы». Известия ТРТУ. Тематический выпуск. «Медицинские информационные системы». Таганрог: Изд-воТРТУ,2006.№11(66),с. 135-138

30. Скоморохов А.А., Захаров Е.С. Полисомнографические исследования и задача автоматизированного построения гипнограммы //Известия ТРТУ. Темат. выпуск: Медицинские информационныесистемы. 2006. 11. С 135-138.-ISBN 5-8327-0271-9.

31. Тэтано Т.,Асаи К.,Сугэно,Прикладные нечеткие системы,М: Мир, 1993.

34. Dement W., Kleitmann N., "The relation of eye movement during sleep to dream activity; an objective method for the study of dreaming," J. Exp. Psychol., vol. 55,pp.339-346, 1957.

35. Friedman L., Jones В. E. "Study of sleep-wakefulness states by computer graphics and cluster analysis before and after lesions of the pointine tegmentum in the cat," Electroencephalogr. Clin. Neurophysiol., vol. 57, pp. 43-56, 1984.

36. Gaillard J. M., Tissot R., "Principles of automatic analysis of sleep records with ahybrid system," Comput.Biomed. Res., vol. 6,pp. 1-13, 1973.

37. Gath L, Bar-On E. "Computerized methods for scoring of polygraphic sleep recordings," Comput.Programs Biomed., vol. 11,pp.217-223, 1980.

38. Haejeong P. Automated Sleep Stage Analysis Using Hybrid Rule-Based and Case-Based Reasoning: Ph. D. Dissertation: 05.07.2000 Seoul National University, 2000.-160 p.

39. Hastie Т., Tibshirani R., Friedman J. The Elements of Statistical Learning. Springer, 2001.ISBN 0-387-95284-5. 56.ГШ T. M., Shapiro D. M., Fink M., Kassebaum D. "Digital computer classifications of EEG sleep stages," Electroencephalogr. Clin. Neurophysiol., vol. 27,pp. 76-83, 1969.

40. Johnson L., Lubin A., NaitohP.,Nute C Austin M. "Spectral analysis of the EEG of dominant and nondominant alpha subjects during waking and sleeping," Electroencephalogr. Clin. Neurophysiol., vol. 26, pp. 361-370, 1969.

41. Kuwahara H., Higashi H., Mizuki Y., Tanaka S. M. M., Inanaga K. "Automatic real-time analysis of human sleep stages by an interval histogram method,"Electroencephalogr. Clin.Neurophysiol., vol. 70,pp.220-229, 1988. 138

42. Loomis A., Harvey F.,Hobart G.,"Cerebral states during sleep, as studied by human brainpotentials," J.Exp.Psychol., vol. 21,pp. 127-144, 1937.

43. Martin W. В., Johnson L. C Viglione S. S., Joseph P.N., Moses J. D. "Pattern recognition of EEG-EOG as a technique for all-night sleep stage scoring," Electroencephalogr. Clin.Neurophysiol., vol. 32,pp.417-427, 1972. 62.Pal S.K., Majumaer D.D. Effect of fuzzyfication on the plosive cognition system. "Int. J. Systems Sci.", 1978, v.9, N8, p.873-886

44. Putilov D.A., Verevkin E.G., Donskaya O.G., Putilov A.A. Segmental structure of alpha waves in sleep-deprived subjects. Somnologie Schlafforschung und Schlafmedizin. 2007; 11(3):202-210. 64.Ray S. R., Lee W. D.,Morgan С D.,Airth-Kindree W. "Computer sleep stage scoring-an expert system approach," Int. J. Biomed. Computing, vol. 19, pp. 43-61, 1986.

45. Rechtschaffen A., Kales A. A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects. Washington: DC National Instituteof health Publications, 1968. 204.

46. Smith J. D., Karacan I., "EEG sleep stage scoring by an automatic hybrid system," Electroencephalogr. Clin.Neurophysiol., vol. 31,pp.231-237, 1971.

47. Smith J., Negin M., Nevis A. H. "Automatic analysis of sleep electroencephalograms by hybrid computation," IEEE Trans. Syst. Sci. Cybern., vol. SSC-5,pp.278-284, Oct. 1969.

48. Sneath P.H.A., Sokal R.R. Numerical taxonomy: theprinciples and practice of numerical classification. SanFrancisco:Freeman, 1973. 573 p.

49. Stanus E.,Lacroix В., Kerkhofs M.,Mendlewicz J. "Automated sleep scoring: A comparative reliability study of algorithms," Electroencephalogr. Clin. Neurophysiol., vol. 66,pp.448-456, 1987. 139

50. Tryon, R. (1939). Cluster Analysis. Ann Arbor, MI: Edwards Brothers. 72.www.physionet.org исселодваний 73.www.sleep.ru Сон и сомнология, Профессиональный ресурс для Международный архив физиологических клиницистов и исследователей 140