КЛАСИФІКАЦІЯ ЦИКЛІЧНИХ СИГНАЛІВ ЗА КОДОГРАМАМИ, ЩО ХАРАКТЕРИЗУЮТЬ ДИНАМІКУ ЗМІНИ ФОРМИ ЦИКЛІВ

Volume 67, Issue 3, 2022, pages 112-123

DOI: http://doi.org/10.34229/2786-6505-2022-3-9

Завантажити статтю

Файнзільберг Леонід Соломонович, Міжнародний науково-навчальний центр інформаційних технологій і систем НАН України та МОН України, м. Київ, fainzilberg@gmail.com


Abstract

Дослідження в техніці, біології, економіці та інших областях частоповʼязані з аналізом спостережуваних процесів, які мають характер, щоповторюється в часі. Один із перспективних підходів до вирішенняпроблеми аналізу та інтерпретації таких сигналів заснований на перетворенні вихідного циклічного сигналу на послідовність символів деякого алфавіту, для якої можуть бути використані методи математичної лінгвістики. Лінгвістичний підхід до обробролення циклічних сигналів передбачає побудову кодограми, що характеризує динаміку зміниформи послідовних циклів. Для побудови кодограм запропоновано використовувати двозначні та тризначні індикаторні функції. Запропоновано процедуру визначення оптимального значення порогу нечутливості до зміни параметрів сигналу, що забезпечує мінімум внутрішньокласових відстаней та максимум міжкласових відстаней. Побудовуеталонів класів, що розпізнаються, засновано на матриці парних відстаней Левенштейна між кодограмами навчальної вибірки кожного зкласів і визначенні кодограми, яка знаходиться на мінімальній сумарній відстані від інших кодограм аналізованого класу. Запропоновано обчислювальні процедури, що дозволяють визначати домінантні патерни класів у вигляді трисимвольних патернів кодограм. Розробленовирішальні правила, що дозволяють класифікувати оброблюваніциклічні сигнали за еталонами кодограм та домінантними патернами.На прикладах оброблення електрокардіограм продемонстровано ефективність запропонованого підходу. Встановлено, що побудованевирішальне правило забезпечує чутливість і специфічність при класифікації електрокардіограм хворих на ішемічну хворобу серця і здорових добровольців навіть за відсутності на ЕКГ загальноприйнятихдіагностичних ознак ішемії міокарда. Доцільно продовжити дослідження, спрямовані на вивчення можливості подальшого підвищення ефективності запропонованого підходу, зокрема, на основі оброблення кодограм з використанням алгоритмів вирівнювання послідовностей, які активно застосовують у біоінформатиці.


REFERENCES

  1. Kanjilal P.P., Bhattacharya J., Saga G. Robust method for periodicity detection and characterisation of irregular cyclical series in terms of embedded periodic components. Phys. Rev. 1999. 59.P. 4013–4025.
  2. Fainzilberg L.S. Generalized method of processing cyclic signals of complex form in multidimension space of patameters. Journal of Automation and Information Sciences. 2015. 47,N 3. P. 24–39. https://doi.org/10.1615/JAutomatInfScien.v47.i3.30.
  3. Lupenko S.A. Deterministic and random cyclic functions as models of oscillatory phenomena andsignals: definition and classification. Electronic modeling. 2006. 28, N 4. P. 29–45 (in Russian).
  4. Dragan J.P. Mathematical and algorithmic software support of computer tools for statistical processing of stochastic fluctuations (rhythmic processes). Bulletin of the National Lviv PolytechnicUniversity: Information systems and networks. 2008. № 621. P. 124–130 (in Ukrainian).
  5. Zvarich V.N., Marchenko B.G. Linear autoregressive processes with periodic structures as models of information signals. Radioelectronics and Communications Systems. 2011. 54, N 7.P. 367–372.
  6. Shachikov A.D., Shulyak A.P. Development of principles for analyzing the structure of cyclic biomedical signals for their detection, recognition and classification. Bulletin of NTUU «KPI». Series Instrumentation. 2015. 49, N 1. P. 169–179. (in Russian).
  7. Lytvynenko I.V. The problem of segmentation of the cyclic random process with a segmentalstructure and the approaches to its solving. Journal of Hydrocarbon Power Engineering. 2016. 3,N 1. P. 30–37.
  8. Pavlidis T. Linguistic analysis of waveforms. Software Eng. 1971. 2, N 4. P. 203–225.https://doi.org/10.1016/B978-0-12-696202-4.50019-X.
  9. Mottl N.V., Muchnik I.B., Jakovled V.G. Linguistic analysis of experimental curves. Proceedingsof the IEEE. 1979. 67, N 5. P. 12–39.
  10. Fainzilberg L.S., Dykach Ju.R. Linguistic approach for estimation of electrocardiogramsʼs subtlechanges based on the Levenstein distance. Cybernetics and Computer Engineering. 2019. N 2(196). P. 3–26. https://doi.org/10.15407//kvt196.02.003.
  11. Uspenskiy V.M. Diagnostic system based on the information analysis of electrocardiogram.Proceedings of MECO 2012. Advances and Challenges in Embedded Computing (Montenegro, June 19–21). 2012. P. 74–76.
  12. Levenshtein V.I. Binary codes with correction of occurrences, inserts and symbol substitutions.Reports USSR Academy of Sciences. 1965. 163, N 4. P. 845–848 (in Russian).
  13. Wagner R.A., Fischer M.J. The string-to-string correction problem. Journal of the ACM. 1971.21, N 1. P. 168–173. https://doi:10.1145/321796.321811.
  14. Fainzilberg L.S., Dykach Ju.R. Development of a linguistic approach to the problem ofthe computer electrocardiogramʼs classifications. Control systems and computers. 2021. N. 2–3.P. 28–39. https://doi.org/10.15407/csc.2021.02.028.
  15. Cole R. Tight bounds on the complexity of the Boyer-Moore string matching algorithm. SIAMJournal on Computing. 1994. 23, N. 5. P. 1075–1091. https://doi:10.1137/ S0097539791195543
  16. Althaus E., Caprara A., Lenhof H.P., Reinert K. Multiple sequence alignment with arbitrary gapcosts: computing an optimal solution using polyhedral combinatorics. Bioinformatics. 2002. N 18.P. 4–16. https://doi: 10.1093/bioinformatics/18.suppl_2.s4.