WWW.DISUS.RU

БЕСПЛАТНАЯ НАУЧНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

 

Распознавание сигналов и анализ нестационарных точечных процессов с использованием вейвлет-преобразования

На правах рукописи

ТУПИЦЫН Анатолий Николаевич

РАСПОЗНАВАНИЕ СИГНАЛОВ И АНАЛИЗ НЕСТАЦИОНАРНЫХ ТОЧЕЧНЫХ ПРОЦЕССОВ С ИСПОЛЬЗОВАНИЕМ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ

01.04.03 – радиофизика

Автореферат

диссертации на соискание ученой степени

кандидата физико-математических наук

Саратов – 2009

Работа выполнена на кафедре радиофизики и нелинейной динамики Саратовского государственного университета им. Н.Г. Чернышевского

Научный руководитель: кандидат физико-математических наук, доцент Павлов Алексей Николаевич.
Официальные оппоненты: доктор физико-математических наук, профессор Храмов Александр Евгеньевич, кандидат физико-математических наук, доцент Розанов Александр Владимирович.
Ведущая организация: Саратовский государственный технический университет

Защита состоится 18 июня 2009 г. в 12-00 на заседании диссертационного совета Д.212.243.01 при Саратовском государственном университете им. Н.Г. Чернышевского по адресу: 410012, г. Саратов, ул. Астраханская, 83, корп. 3, ауд.34

С диссертацией можно ознакомиться в Научной библиотеке Саратовского государственного университета.

Автореферат разослан "____" мая 2009 г.

Ученый секретарь диссертационного совета Аникин В.М.

Общая характеристика работы

Актуальность работы

Теория солитоноподобных базисных функций, называемых "вейвлетами", активно развивается в течение последних 25 лет. Несмотря на то, что важность использования в прикладных задачах функций, отличных от гармонических, обсуждалась и ранее (А. Хаар, Л.И. Мандельштам, П. Левий, Д. Габор), лишь после появления работ А. Гроссмана и Ж. Морле возник значительный интерес к новому научному направлению, названному вейвлет-анализом. Построение современной теории вейвлетов осуществлялось в работах И. Мейера, И. Добеши, С. Малла и многих других.

В отличие от преобразования Фурье, используемого в рамках классического спектрального анализа, вейвлет-преобразование позволяет получать двумерную развертку исследуемого сигнала и рассматривать масштаб (частоту) и время как независимые переменные. Использование быстро спадающих солитоноподобных функций обеспечивает возможность проведения локализованного анализа структуры сигналов, что особенно важно при изучении процессов с меняющимися во времени характеристиками (Г. Кайзер, Н.М. Астафьева и др.).

Первоначально вейвлет-анализ воспринимался как метод исследования структуры нестационарных процессов, которые встречаются в динамике самых разных систем. Но с течением времени стало ясно, что этот новый инструмент имеет значительно более широкую область применения. Особенно отчетливо возможности вейвлетов стали осознаваться, когда была разработана теория многомасштабного анализа (И. Мейер, С. Малла), которая использовала идеологию последовательного "огрубления" информации, содержащейся в исследуемом сигнале. После появления этой теории за вейвлет-анализом прочно закрепилось название метода "математического микроскопа", который позволяет проводить детальное исследования структуры сигналов на разных масштабах наблюдения. Стало понятно, что вейвлет-анализ представляет собой нечто гораздо большее чем просто альтернативный вариант спектрального анализа. В качестве примера перечислим лишь несколько направлений, где эффективно применяется теория вейвлетов: исследование структуры нестационарных процессов, цифровая фильтрация, распознавание образов, сжатие данных, компьютерная графика и т.д.

Одним из приложений теории вейвлетов является очень обширный круг задач, связанных с исследованием процессов кодирования информации в нейронных сетях. Соответствующая проблематика носит междисциплинарный характер и требует привлечения, в том числе, радиофизических подходов и методов. В частности, при изучении динамики нейронных ансамблей возникает необходимость решать задачи автоматического распознавания сигналов при наличии помех — регистрируемый в эксперименте процесс представляет собой последовательность электрических импульсов, включающих сигналы разных нейронов. Для того, чтобы проводить изучение генерируемого нейронами информационного кода, требуется вначале идентифицировать импульсы, которые генерируются каждым отдельным элементом рассматриваемого ансамбля. Наличие индивидуальных особенностей формы сигналов различных нейронов делает возможным решение этой задачи, однако присутствие сильных помех приводит к значительным сложностям на практике и к необходимости разработки новых эффективных методов автоматического распознавания зашумленных сигналов. Отмеченная проблема представляет собой необходимый предварительный этап исследования динамики нейронных ансамблей. После ее решения возникает следующая проблема — изучение структуры точечного процесса (последовательности времен, соответствующих моментам генерации импульсов каждым нейроном). Эта последовательность представляет собой генерируемый код, несущий информацию об особенностях воздействующего сигнала. Сложность решения данной проблемы определяется тем обстоятельством, что регистрируемые на практике точечные процессы являются нестационарными — при неизменном воздействии отклик с течением времени сильно меняется, что связано с процессами адаптации нейронной сети. Именно это обстоятельство чрезвычайно усложняет изучение процессов кодирования информации: как соотнести отклик сети с воздействующим сигналом, если последний будет неизменным, а первый меняется? Таким образом, чтобы изучать динамику нейронных сетей, необходимо: 1) решать задачи автоматического распознавания близких по форме сигналов при наличии помех; 2) анализировать структуру нестационарных точечных процессов.

Фактически, мы имеем дело с радиофизическими задачами, которые требуют применения и развития специальных методов анализа структуры сигналов. Заметим, что аналогичные задачи возникают не только при изучении нейронных сетей. Первая из них встречается в радиолокации (распознавание движущейся группы объектов), при приеме слабых голосовых сообщений в условиях сильных помех (распознавание отдельных звуков и слов) и т.д. Необходимость анализировать точечные процессы возникает в статистической радиофизике (например, при изучении пуассоновских процессов), при рассмотрении сигма-дельта модуляции и т.п.

Побудительный мотив исследований, проводившихся в рамках данной диссертационной работы, был связан с изучением процессов кодирования информации нейронными сетями, однако необходимо подчеркнуть, что методы анализа структуры сигналов, предлагаемые в диссертационной работе, имеют значительно более широкую область потенциального применения. Именно по этой причине в работе в основном используется достаточно общая терминология сигналов типа одиночных импульсов и их последовательностей.

Отметим, что существующий в настоящее время арсенал средств численного анализа далеко не всегда позволяет эффективно решать многие практические задачи, и порой возникает необходимость модификации методов для более успешного решения возникающих проблем, с учетом специфики той или иной задачи и особенностей анализируемых сигналов. В настоящее время многие исследователи рассматривают вейвлет-анализ в качестве замены классических методов обработки экспериментальных данных. Однако, это не вполне справедливо, и более предпочтительным и перспективным представляется воспринимать теорию вейвлетов как дополнение и развитие имеющегося арсенала средств обработки временных рядов. В частности, одним из вариантов успешного решения задач идентификации сигналов может служить совместное применение вейвлетов и искусственных нейронных сетей. Такое сочетание двух разных подходов позволяет предложить более эффективные методы распознавания зашумленных сигналов.

Целью диссертационной работы является развитие методов автоматического распознавания сигналов при наличии помех и анализ структуры нестационарных точечных процессов с использованием вейвлет-преобразования.

Для достижения указанной цели необходимо решить следующие основные задачи:

  1. Провести сравнительный анализ методов автоматического распознавания импульсных сигналов и предложить новую методику идентификации одиночных импульсов на основе вейвлет-преобразования, учитывающую зависимость ошибки от частотного диапазона присутствующих флуктуаций.
  2. Изучить возможность решения задачи автоматической идентификации сигналов импульсного типа на основе комбинированного алгоритма, предусматривающего совместное применение техники искусственных нейронных сетей как известного метода распознавания образов и вейвлет-анализа, позволяющего эффективно решать проблему "обучения" нейронной сети.
  3. Исследовать возможности применения непрерывного вейвлет-преобразования при решении задач анализа нестационарных точечных процессов на примере генерируемого нейронами информационного кода, представляющего собой отклик на периодическое внешнее воздействие.

Научная новизна работы состоит в следующем:

  1. Предложен новый параметрический метод автоматического распознавания сигналов типа последовательности одиночных импульсов (параметрический вейвлет-анализ с адаптивной фильтрацией). Показано, что предлагаемый подход способен существенно уменьшить ошибку идентификации сигналов по сравнению со стандартными алгоритмами, такими как анализ главных компонент и обычный вейвлет-анализ.
  2. Предложен новый метод решения задачи автоматического распознавания формы сигналов, основанный на совместном применении вейвлет-преобразования и техники искусственных нейронных сетей. На тестовых примерах и в ходе анализа экспериментальных данных показана эффективность данного метода при наличии помех.
  3. Впервые рассмотрена задача исследования фильтрационных свойств элементов нейронных ансамблей в условиях нестационарного отклика на периодическое внешнее воздействие, основанного на непрерывном вейвлет-преобразовании. Показано, что нейроны могут выполнять функции полосно-пропускающих фильтров, демонстрируя наиболее стабильный отклик на определенной частоте воздействующего сигнала.

Научно-практическое значение результатов работы:

  1. Предложенный метод, заключающийся в совместной использовании дискретного вейвлет-анализа и техники искусственных нейронных сетей может быть распространен для применения в решении задач распознавания сигналов различной формы при наличии сильных помех.
  2. Разработанные методики уменьшения ошибки автоматического распознавания сигналов представляют собой основу для создания прикладных программ предварительной обработки экспериментальных данных для специалистов, занимающихся проблемами исследования процессов кодирования информации нейронными ансамблями.
  3. Результаты диссертации могут применяться в учебном процессе. Часть результатов уже используется в рамках лабораторной работы специализированного практикума "Методы анализа сложных сигналов" для студентов физического факультета Саратовского государственного университета.

Достоверность научных выводов работы базируется на согласованности с существующими теоретическими представлениями, на соответствии результатов численных экспериментов и теоретических исследований и на устойчивости применяемых методов исследования структуры сигналов к малым изменениям параметров численной схемы.

Основные положения и результаты, выносимые на защиту:

Положение 1

Совместное применение дискретного вейвлет-преобразования и метода искусственных нейронных сетей позволяет решать задачи автоматической идентификации сигналов типа последовательности одиночных импульсов при наличии помех. Использование коэффициентов вейвлет-преобразования в качестве обучающей выборки для нейронной сети и дальнейшее проведение сетью распознавания сигналов снижает зависимость ошибки идентификации от статистики фонового шума по сравнению со стандартным методом решения данной задачи на основе вейвлет-анализа.

Положение 2

Анализ флуктуаций мгновенной частоты отклика на внешнее воздействие в виде периодической последовательности импульсов при изучении фильтрационных свойств пороговых систем позволяет диагностировать наличие эффектов полосовой и низкочастотной фильтрации воздействующих сигналов в условиях коротких, нестационарных откликов.

Результат 1

Предложен метод автоматического распознавания сигналов типа последовательности одиночных импульсов, предусматривающий подстройку характеристик фильтра под индивидуальные особенности формы исследуемых сигналов в качестве составной части процедуры выбора характеристик для идентификации близких по форме импульсов.

Результат 2

Предложен метод исследования стабильности отклика пороговой системы на внешнее воздействие, основанный на непрерывном вейвлет-преобразовании и предусматривающий расчет мгновенной частоты отклика по точечному процессу.

Апробация работы и публикации. Материалы диссертации были представлены на следующих научных конференциях: «Хаотические автоколебания и образование структур» (ХАОС, Саратов, 2007), «Complex Dynamics and Fluctuations in Biomedical Photonics — III, IV, V, VI» (Сан-Хосе, США, 2006, 2007, 2008, 2009), «Forum of Federation of European Neurosciences Societies» (FENS, Швейцария, Вилларс, 2008), «Нелинейные дни для молодых» (Саратов, 2005, 2006, 2007, 2008), «Методы компьютерной диагностики в биологии и медицине- 2008» (Саратов, 2008). Результаты неоднократно обсуждались на научных семинарах кафедры радиофизики и нелинейной динамики Саратовского государственного университета, научно-образовательного центра REC-006 «Нелинейная динамика и биофизика» (Саратовский государственный университет), центра динамики сложных систем Потсдамского университета (Германия, Потсдам), центра биофизики и сложных систем Датского технического университета (Люнгбю, Дания), лаборатории нейродинамики университета Комплютенсе (Испания, Мадрид). По теме диссертации опубликовано 15 работ: 5 статей в журналах (из них 3 статьи в журналах, рекомендованных ВАК РФ для опубликования результатов диссертаций), 10 статей в сборниках трудов конференций. Результаты работы использованы при выполнении грантов: СRDF и Министерства образования и науки РФ «Научно-образовательный центр ``Нелинейная динамика и биофизика'' (НОЦ REC-006)» (2005-2007), Министерства образования и науки РФ «Развитие научного потенциала высшей школы» (2006-2008), госконтракта с ФЦНТП № 02.442.11.7181.

Личный вклад автора. Основные результаты диссертации получены лично автором. В совместных работах автором проводились численные исследования и подготовка пакетов прикладных программ, реализующих разрабатываемые методы анализа структуры сигналов. Результаты второй главы полностью получены автором (включая идею предложенного метода, его практическую реализацию и численные исследования). Формулировка задач, решаемых в первой и третьей главах, а также объяснение и интерпретация полученных результатов проведены совместно с научным руководителем и соавторами.

Структура и объем диссертации. Диссертация состоит из введения, трех глав, заключения и списка цитированной литературы. В ней содержится 106 страниц текста, 32 страницы рисунков, библиография из 120 наименований на 13 страницах. Общий объем диссертации 138 страниц.

Содержание работы

Во введении обосновывается актуальность работы, формулируется цель исследования, ставятся основные задачи, раскрывается научная новизна полученных результатов и формулируются основные положения и результаты, выносимые на защиту.

В первой главе рассматривается проблема автоматического распознавания сигналов типа последовательностей одиночных импульсов при наличии помех на основе коэффициентов вейвлет-преобразования. Необходимость идентификации зашумленных сигналов возникает при решении многих радиофизических задач. Примером может служить задача выделения слабого голосового сообщения, принятого в условиях сильных шумов и искажений (распознавание отдельных звуков и слов). Похожая проблема с точки зрения методики анализа состоит в выделении сигнала отдельного элемента из коллективной динамики малого ансамбля (исследование процессов кодирования информации в нейронных сетях при регистрации внеклеточных сигналов).

Применительно к импульсным сигналам, задача распознавания состоит в том, чтобы из зарегистрированных данных выделить последовательности импульсов, которые генерируются лишь одним элементом малого ансамбля. Если таких последовательностей будет несколько, то появляется возможность изучать динамику нескольких элементов. В этом случае в пространстве характеристик, которые описывают форму сигналов, появятся кластеры точек, соответствующие разным типам импульсов. После отделения кластеров друг от друга задача считается решенной.

На практике такая задача представляется крайне сложной в присутствии сильных помех. В диссертации проводится сопоставление различных методов распознавания зашумленных сигналов в целях выявления их эффективности в различных условиях. Исследуется влияние статистики фонового шума на качество автоматического распознавания сигналов с помощью анализа главных компонент и стандартного метода идентификации сигналов на основе коэффициентов дискретного вейвлет-преобразования. Показано, что подбором характеристик фильтра на этапе предварительной обработки экспериментальных данных можно существенно улучшить результаты распознавания сигналов с помощью вейвлетного метода.

Предлагается специальный подход к решению задачи автоматической идентификации сигналов — параметрический вейвлет-анализ с адаптивной фильтрацией. Представлены теоретические основы данного метода. В предположении нормального распределения флуктуаций выведена формула для минимальной величины ошибки идентификации двух типов импульсов и показано, что для обеспечения минимальной ошибки требуется осуществить поиск максимального значения параметра разделения кластеров в пространстве характеристик, описывающих форму сигнала.

Фактически, предлагаемый подход подразумевает включение частоты среза фильтра нижних частот в качестве одного из параметров (наряду с параметрами масштаба и смещения вейвлет-преобразования), путем вариации которых достигается поиск максимального значения параметра разделения кластеров, что, согласно теоретическим результатам, должно обеспечить минимизацию ошибки идентификации последовательностей одиночных импульсов. Следует отметить, что предлагаемый алгоритм решения данной задачи предусматривает автоматическую подстройку под конкретный анализируемый сигнал в отличие от методов, основанных на произвольном выборе вейвлет-коэффициентов из некоторых общих соображений.

Метод был протестирован на ряде примеров и продемонстрировал свою эффективность. В частности, рис. 1 иллюстрирует, что предложенный подход позволяет в несколько раз уменьшить ошибку автоматического распознавания импульсных сигналов по сравнению со стандартными алгоритмами. Более того, в данном примере ошибка параметрического вейвлет-анализа с адаптивной фильтрацией приближается к теоретическому минимуму (составляющему примерно 0.3% при рассматриваемом уровне шума в предположении нормального закона распределения флуктуаций). Наряду с тестовыми данными были проанализированы реальные электрофизиологические записи внеклеточного потенциала, исследование которых также позволило убедиться в эффективности предложенного подхода.

 Рис.1: Тестовый пример классификации нейронных спайков различными-1
Рис.1: Тестовый пример классификации нейронных спайков различными методами: (а) гистограмма вычисленных характеристик спайков для метода анализа главных компонент, (б) гистограмма для стандартного метода классификации на основе вейвлет-анализа; (в) гистограмма для предложенного параметрического метода.

Несмотря на то, что в работе рассматриваются сигналы типа одиночного импульса (что обусловлено проблематикой изучения динамики нейронных сетей и процессов кодирования информации малыми ансамблями нейронов), сама идеология решения задачи распознавания не изменится, если выбрать сигналы другой формы. Все теоретические рассуждения и выкладки применительно к рекомендациям для решения проблемы автоматической идентификации останутся аналогичными. В связи с этим предлагаемый метод распознавания сигналов при наличии помех имеет более широкую область возможного применения.

Во второй главе обсуждается возможность решения задачи автоматической идентификации сигналов импульсного типа на основе комбинированного алгоритма, предусматривающего совместное применение техники нейронных сетей как известного метода распознавания образов и вейвлет-анализа, позволяющего эффективно решать проблему «обучения» нейронной сети.

Предложенный в первой главе диссертационной работы метод параметрического вейвлет-анализа с адаптивной фильтрацией позволяет эффективно решать задачи автоматического распознавания сигналов и обеспечивает малую ошибку их идентификации по сравнению с широко используемыми подходами, например, анализом главных компонент. Однако этот метод также не лишен недостатков — он предполагает длительную процедуру поиска оптимальных характеристик для распознавания форм сигналов. Такой подход действительно способен значительно улучшить качество решения проблемы распознавания близких по форме сигналов при наличии сильных помех, но за это приходится «расплачиваться» временем вычисления.

Альтернативный метод решения задач автоматического распознавания сигналов может быть основан на использовании искусственных нейронных сетей, которые наряду с вейвлетами находят многочисленные применения в самых разных областях естествознания. В диссертации представлены общие сведения об искусственных нейронных сетях и о задачах, которые решаются с их помощью. Отмечается, что отличительной особенностью нейронных сетей как математического метода обработки информации является наличие алгоритма обучения. Далее обсуждается архитектура и классификация искусственных нейронных сетей, кратко отмечаются особенности однослойных, многослойных сетей, а также сетей с обратными связями.

Представлен комбинированный алгоритм автоматического распознавания сигналов на основе совместного применения нейронных сетей и дискретного вейвлет-преобразования. Последнее может служить прекрасным инструментом для выявления особенностей в формах импульсных сигналов (на этапе предварительной обработки), после чего эта информации передается для дальнейшего анализа в нейронную сеть, которая позволяет решать задачу более качественного распознавания образов. Если на вход некоторой многослойной нейронной сети с прямым распространением подаются данные, содержащие набор характерных признаков анализируемых образов, то при наличии обучающей информации нейронная сеть будет в состоянии провести сортировку этих данных.

При этом можно выделить несколько этапов обработки временных рядов: 1) использование порогового метода для выделения импульсов, которые необходимо отсортировать; 2) проведение предварительной идентификации методом анализа главных компонент или методом дискретного вейвлет-анализа, получение картины кластеризации в пространстве характеристик; 3) нахождение областей с повышенной плотностью точек в обнаруженных кластерах, получение форм импульсов, соответствующих данным точкам (они в меньшей степени подвержены искажениям); 4) проведение вейвлет-преобразования выделенных импульсов, получение набора вейвлет-коэффициентов; 5) использование полученных коэффициентов в качестве обучающей выборки для нейронной сети; 6) проведение вейвлет-преобразования всех импульсов, анализ экспериментальных данных обученной сетью.

Таким образом, в качестве обучающей выборки для нейронной сети служат импульсные сигналы, принадлежащие центральной части разных кластеров, полученных другими методами автоматической идентификации, такими как анализ главных компонент или стандартный вейвлет-анализ. В качестве эталонных значений на выходе сети используются векторы координат пространства характеристик. Предложенный метод совместного использования вейвлет-анализа и нейронных сетей за счет индивидуального подхода к конкретной задаче позволяет уменьшить ошибку идентификации, то есть увеличить расстояние между кластерами. Индивидуальность подхода достигается благодаря тому, что обучение нейронной сети происходит на выборке, содержащей сигналы непосредственно из экспериментальных данных, представленных для анализа.

На тестовых примерах и в ходе анализа экспериментальных данных продемонстрирована эффективность предложенного метода при решении задачи автоматического распознавания импульсных сигналов (рис. 2).

а б
Рис.2: Картина кластеризации при применении стандартного метода классификации на основе вейвлет-анализа (а) и совместного метода вейвлет-анализа и нейронных сетей (б) для реальных экспериментальных данных.

Исследована зависимость ошибки идентификации метода от центральной частоты присутствующих флуктуаций. При этом установлена слабая зависимость данного алгоритма от статистики фонового шума по сравнению с другими подходами (анализ главных компонент, стандартный вейвлет-анализ). Продемонстрировано, что метод совместного применения вейвлет-преобразования и техники искусственных нейронных сетей позволяет уменьшить ошибку идентификации отмеченных стандартных подходов. Этот метод может быть распространен для применения в решении задач распознавания сигналов различной формы при наличии сильных помех.

В третьей главе рассматривается задача исследования структуры точечных процессов с помощью непрерывного вейвлет-преобразования. На примере генерируемого нейронами информационного кода обсуждается проблема анализа нестационарного отклика на периодическое внешнее воздействие.

В первых двух главах диссертационной работы обсуждалась проблема автоматической идентификации сигналов импульсного типа, в частности, позволяющая решать задачи предварительного анализа процессов кодирования информации в малых нейронных сетях. После решения таких задач исследователи имеют возможность проводить обработку информационного кода, генерируемого отдельным нейроном, который представляет собой реализацию случайного точечного процесса.

Так как при рассмотрении точечных процессов вся необходимая информация заключается лишь в последовательности времен t1,t2,...,tN, можно существенно упростить анализируемый сигнал, перейдя к его представлению в виде последовательности -функций, соответствующих этим временам. Это обеспечивает возможность аналитического вычисления непрерывного вейвлет-преобразования. Вейвлет-анализ предоставляет возможность проведения частотно-временного исследования структуры анализируемого процесса, причем, даже в случае быстрых изменений мгновенных характеристик.

Применение вейвлетов особенно актуально в случае анализа коротких нестационарных сигналов. Типичным примером может служить нестационарный точечный процесс, который регистрируется при записи генерируемого нейроном информационного кода в ответ на подаваемое в течение длительного времени периодическое воздействие. Для изучения подобного рода точечных процессов в работе рассмотрен метод исследования стабильности отклика пороговой системы на внешнее воздействие. Предлагается количественная характеристика стабильности отклика, вычисляемая с использованием непрерывного вейвлет-преобразования для идентификации мгновенной частоты отклика.

Представлены результаты анализа экспериментальных данных. Рассматривается динамика различных нейронов в зависимости от длительности стимулов и частоты стимуляции. Изменение частоты периодического внешнего воздействия влияет на отклик нейронов. При медленной стимуляции он успевает "реагировать" на каждый очередной стимул. Увеличение частоты воздействия приводит к тому, что нейрон будет "пропускать" некоторые импульсы, и это приводит к различным "сбоям" в откликах на стимуляцию. С этой точки зрения можно было бы ожидать, что увеличение частоты будет приводить к уменьшению динамической стабильности нейронного отклика. С другой стороны, нейрон может быть "настроен" на определенную частоту, то есть его отклик будет максимально стабильным при подаче импульсов с данной частотой (полосовая фильтрация стимулов). Проведенное исследование выявило наличие нейронов как первого, так и второго типа (рис. 3). Таким образом, предложенный подход позволяет осуществлять классификацию нейронов с точки зрения их фильтрационных свойств.

а б
Рис.3: Два основных типа зависимости характеристики динамической стабильности нейронного отклика от частоты внешнего периодического воздействия: (а) полосовая фильтрация стимула; (б) пропускание низких частот.

Основные результаты работы суммируются в заключении.

Основные результаты и выводы

  1. Показано, что уменьшение ошибки автоматической идентификации в рамках вейвлетного метода распознавания сигналов достигается путем включения процедуры предварительной фильтрации с индивидуальной подстройкой характеристик фильтра в качестве составной части методики выбора характеристик для идентификации близких по форме импульсов.
  2. Предложен параметрический метод автоматического распознавания сигналов типа одиночного импульса (параметрический вейвлет-анализ с адаптивной фильтрацией), предполагающий подстройку характеристик фильтра под индивидуальные особенности формы исследуемых сигналов.
  3. Предложен метод решения задачи автоматического распознавания формы импульсных сигналов, основанный на совместном применении вейвлет-преобразования и искусственных нейронных сетей. Показано, что коэффициенты вейвлет-преобразования, содержащие основную информацию об исследуемом сигнале, целесообразно применять в качестве обучающей выборки для нейронной сети с целью дальнейшего проведения сетью идентификации данных.
  4. Подход, основанный на совместном применении вейвлет-анализа и нейронных сетей, может быть распространен для применения в решении задач распознавания сигналов различной формы при наличии сильных помех.
  5. Метод исследования стабильности отклика пороговой системы на внешнее воздействие в виде периодической последовательности импульсов позволяет осуществлять классификацию нейронов с точки зрения их фильтрационных свойств, диагностируя наличие эффектов полосовой и низкочастотной фильтрации воздействующих сигналов в условиях коротких, нестационарных откликов на подаваемое воздействие.

Список публикаций по теме диссертации

1. Думский, Д. В. Классификация нейронных потенциалов действия на основе вейвлет-преобразования / Д.В. Думский, А.Н. Павлов, А.Н. Тупицын, В.А. Макаров // Изв. вузов, Прикладная нелинейная динамика. – 2005. – Т. 13, № 5–6. – С. 77-98.

2. Тупицын, А.Н. Классификация нейронных потенциалов действия на основе вейвлет-анализа / А.Н. Тупицын // Материалы научной школы-конференции "Нелинейные дни для молодых-2005"; Саратов: ООО ИЦ "Наука". – 2005. – C. 175-178.

3. Pavlov, A. N. Wavelet-analysis in application to studying spike separation and information encoding in neuron dynamics / A.N. Pavlov, D.V. Dumsky, A.N. Tupitsyn, O.N. Pavlova, F. Panetsos, V.A. Makarov // Complex dynamics and fluctuations in biomedical photonics III, Proceedings of SPIE; ed. by Tuchin V.V. – 2006. – Vol. 6085. – P. 60850I.

4. Павлова, О. Н. Эффекты влияния низкочастотного магнитного поля на характеристики физиологического тремора / О.Н. Павлова, А.Н. Тупицын, А.Н. Павлов // Изв. вузов, Прикладная нелинейная динамика. – 2006. – Т. 14, № 5-6. – С. 105-117.

5. Тупицын, А.Н. Анализ динамики нейронов на этапе первичной обработки информации / А.Н. Тупицын // Материалы научной школы-конференции "Нелинейные дни для молодых-2006"; Саратов: ООО ИЦ "Наука". – 2006. – C. 208-211.

6. Pavlov, A. N. Tactile information processing in the trigeminal complex of the rat / A.N. Pavlov, A.N. Tupitsyn, V.A. Makarov, F. Panetsos, A. Moreno, V. Garcia-Gonzalez, A. Sanchez-Jimenez // Complex Dynamics and Fluctuations in Biomedical Photonics IV, Proceedings of SPIE; ed. by TuchinV.V. – 2007. – Vol. 6436. – P. 64360R.

7. Pavlov, A. N. Using wavelet analysis to detect the influence of low frequency magnetic fields on human physiological tremor / A.N. Pavlov, A.N. Tupitsyn, A. Legros, A. Beuter, E. Mosekilde // Physiological Measurement. – 2007. – Vol. 28. – P. 321-333.

8. Тупицын, А.Н. Влияние длительности и частоты стимуляции на стабильность отклика ансамблей нейронов на этапе первичной обработки сенсорной информации / А.Н. Тупицын, А.Н. Павлов, А. Морено, В.А. Макаров // Материалы VIII научной школы-конференции "Хаотические автоколебания и образование структур" Хаос-2007; Саратов. – 2007. – С. 73-74.

9. Тупицын, А.Н. Исследование процессов первичной обработки тактильной информации / А.Н. Тупицын // Материалы научной школы-конференции "Нелинейные дни для молодых-2007"; Саратов: ООО ИЦ "Наука". – 2007. – C. 162-165.

10. Makarov, V. A. Optimal sorting of neural spikes with wavelet and filtering techniques / V.A. Makarov, A.N. Pavlov, A.N. Tupitsyn // Complex dynamics and fluctuations in biomedical photonics V, Proceedings of SPIE; ed. by TuchinV.V. – 2008. – Vol. 6855. – P. 68550M.

11. Макаров, В. А. Сортировка нейронных спайков на основе параметрического вейвлет-анализа с адаптивной фильтрацией / В.А. Макаров, А.Н. Павлов, А.Н. Тупицын // Цифровая обработка сигналов. – 2008. – № 3. – С. 26-31.

12. Тупицын, А.Н. Автоматическая сортировка потенциалов действия малых ансамблей нейронов на основе методов вейвлет-анализа и нейронных сетей, / А.Н. Тупицын, А.Н. Павлов, В.А Макаров // Материалы ежегодной Всероссийской научной школы-семинара "Методы компьютерной диагностики в биологии и медицине- 2008"; Саратов: Изд-во Сарат. ун-та. – 2008. – С. 75-77.

13. Анисимов, А. А. Вейвлет-анализ чирпов / А.А. Анисимов, О.Н. Павлова, А.Н. Тупицын, А.Н. Павлов // Известия вузов. Прикладная нелинейная динамика. – 2008. – Т. 16, № 5. – С. 3-11.

14. Makarov, V.A. Stability of the neuronal response in trigeminal sensory complex under variable mechanical stimulation of whiskers. / V. A. Makarov, A. N. Pavlov, A. N. Tupitsyn, A. Moreno, F. Panetsos // Forum of Federation of European Neurosciences Societies 2008; FENS Abstr. – 2008. – Vol.4. – P. 089.14.

15. Tupitsyn, A. N. Separation of extracellular spikes with wavelets and neural networks / A. N. Tupitsyn, A. N. Pavlov, V. A. Makarov // Complex dynamics and fluctuations in biomedical photonics VI, Proceedings of SPIE ; ed. by Tuchin V.V. – 2009. – Vol. 7176. – P. 71760M.

Тупицын Анатолий Николаевич

Распознавание сигналов и анализ нестационарных точечных

процессов с использованием вейвлет-преобразования

Специальность 01.04.03 – радиофизика

Автореферат

_____________________________________________________

Подписано в печать

Формат 60х84 1/16. Объем 1,0 п.л. Тираж 120 экз. Заказ

_____________________________________________________

Типография Издательства Саратовского университета.

410012, Саратов, Астраханская, 83.



 




<
 
2013 www.disus.ru - «Бесплатная научная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.