Помощь в написании студенческих работ
Антистрессовый сервис

Разработка и исследование методов формирования решающих правил в медицинских диагностических системах

Диссертация: Разработка и исследование методов формирования решающих правил в медицинских диагностических системах
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработана методика построения признаковых пространств на основе метода стохастического кодирования сигналов. Исследованы статистические характеристики признаков. Исследованы возможности формирования признаков с использованием различных опорных распределений случайных процессов с заданным коэффициентом взаимной корреляции. Установлено, что максимальной разделяющей способностью обладают признаки… Читать ещё >

Разработка и исследование методов формирования решающих правил в медицинских диагностических системах (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ ФОРМИРОВАНИЯ РЕШАЮЩИХ ПРАВИЛ В ЗАДАЧАХ МЕДИЦИНСКОЙ ДИАГНОСТИКИ
    • 1. 1. Постановка задачи выбора модели сигналов, получаемых при функционально-диагностических исследованиях
    • 1. 2. Анализ методов формирования решающих правил, применяемых для решения задач распознавания и диагностики
    • 1. 3. Постановка задачи оптимизации признаковых пространств
    • 1. 4. Методы распознавания, основанные на теории статистических решений
    • 1. 5. Обзор методов оптимизации параметров распознающих систем в случае параметрической априорной неопределенности
    • 1. 6. Принятая классификация методов функциональных клинических исследований
    • 1. 7. Типовая структура автоматизированной диагностической системы
  • Выводы по материалам 1 главы
  • ГЛАВА 2. СВОЙСТВА И ХАРАКТЕРИСТИКИ МЕДИКО-БИОЛОГИЧЕСКИХ ПРОЦЕССОВ И ИХ ПРЕОБРАЗОВАНИЕ ДЛЯ РЕШЕНИЯ ЗАДАЧ ДИАГНОСТИКИ
    • 2. 1. Исследуемые процессы
    • 2. 2. Известные методы электроэнцефалографии и характеристики получаемых при этом процессов
    • 2. 3. Укрупнение описания медико-биологических процессов на основе обобщенного оператора преобразования
    • 2. 4. Выбор критерия оптимальности решения при использовании обобщенного оператора преобразования
  • Выводы по материалам 2 главы
  • ГЛАВА 3. РАЗРАБОТКА МОДЕЛЕЙ ПРИНЯТИЯ РЕШЕНИЙ ПРИ НЕПАРАМЕТРИЧЕСКОМ РАСПОЗНАВАНИИ СЛУЧАЙНЫХ ПРОЦЕССОВ
    • 3. 1. Синтез алгоритма принятия решения на основе аппроксимационного подхода
    • 3. 2. Формирование системы признаков на основе метода стохастического 84 кодирования
    • 3. 3. Построение решающего правила
    • 3. 4. Выбор критерия эффективности признаков
    • 3. 5. Построение процедуры обучения
    • 3. 6. Проверка предложенных алгоритмов на моделях ЭЭГ-сигналов
    • 3. 7. Оценка вычислительной сложности алгоритмов
  • Выводы по материалам 3 главы
  • ГЛАВА 4. АВТОМАТИЗАЦИЯ ЭКСПЕРИМЕНТА В ЗАДАЧАХ РАСПОЗНАВАНИЯ ОБРАЗОВ
    • 4. 1. Концептуальная модель сложной системы
    • 4. 2. Объектная модель инструментальной системы
    • 4. 3. Математическое обеспечение системы
    • 4. 4. Модель системы распознавания образов
    • 4. 5. Экспериментальное исследование предложенных алгоритмов
    • 4. 6. Аппаратная часть системы
  • Выводы по материалам 4 главы

Развитие науки и техники происходит по пути усложнения процессов и систем. В связи с этим усложняются естественные и искусственные сигналы, как переносчики информации о процессах и системах. Особенно резко возрастает сложность человеко-машинных информационных и управляющих систем, играющих все более важную роль в производстве, разработках и исследованиях.

Сложное радиоэлектронное оборудование нашло широкое применение во всех главных направлениях современной медицины: диагностике заболеваний, терапии и медицинских исследованиях.

Специфика диагностики заболеваний состоит в том, что на ранних стадиях многие заболевания обладают плохой симптоматичностью, даже опытному врачу достаточно сложно выявить признаки, указывающие на наличие недуга. В таких случаях приходит на помощь медицинское диагностическое оборудование, позволяющее объективно оценить состояние пациента.

Методы функциональной диагностики являются наиболее сложными, с точки зрения технической реализации, но в то же время дают наиболее объективные результаты (по сравнению, например, с методами диагностики, основанными на анализе внешних симптомов). При этом развитие новых методов или усовершенствование уже существующих во многом определяется уровнем медицинского технического оборудования, предназначенного для их реализации.

При построении новых систем диагностики, предназначенных для работы с данными клинических функциональных исследований, в частности таких, как электрокардиография (ЭКГ), электроэнцефалография (ЭЭГ), электромиография (ЭМГ), возникает задача синтеза алгоритмов, позволяющих автоматизировать процесс принятия решения о принадлежности совокупности измеряемых сигналов тому или иному семейству (классу) сигналов, соответствующему тем или иным состояниям исследуемой внутренней системы человека. При этом важной проблемой является обеспечение устойчивости показателей качества принятия решений в условиях априорной неопределенности относительно параметров входных сигналов. Такую устойчивость могут обеспечить непараметрические алгоритмы распознавания [ISO, 9У]. Преодоление трудностей, связанных с отсутствием статистических характеристик входных сигналов, возможно путем разработки алгоритмов, требующих для работы лишь протяженной кластеризованной выборки (обучающих последовательностей). В ряде случаев применение известных непараметрических методов распознавания может быть затруднено из-за значительной технической сложности их реализации на ЭВМ. Поэтому возникает необходимость разработки приближенных непараметрических методов обучения и распознавания, несколько уступающих известным непараметрическим алгоритмам, но при этом существенно превосходящих их по простоте технической реализации [?з].

С точки зрения распознавания данных ЭКГ, ЭЭГ, ЭМГ, являющихся шумо-подобными сигналами, наибольший интерес представляют алгоритмы, предназначенные для распознавания случайных процессов. Несмотря на несомненную актуальность проблемы классификации сигналов, имеется относительно небольшое (по сравнению, например, с задачами распознавания геометрических изображений или речевых сигналов .50,51,63, (о? ]) число опубликованных работ, посвященных этому вопросу? Ц, 2 2']. Методы, положенные в основу большинства этих исследований, отличаются от общепринятых статисти-ко-вероятностных методов распознавания, а именно методов теории статистических решений при изучении многомерного вектора признаков. Это позволяет избежать обработки большого объема выборок реализаций при эмпирическом определении законов распределения признаков классифицируемых процессов. Так, в частности, в работах [Я/, 7i, 31 ] предлагается использовать методы нелинейного преобразования входных сигналов. Сущность методов заключается в том, что при формировании признакового пространства осуществляется переход от пространства значений входных сигналов к пространству функционалов, предварительно подвергнутых нелинейному преобразованию.

Основная идея такого подхода состоит в увеличении компактности сигналов каждого класса путем соответствующего выбора вида нелинейного преобразования или функционала. Такое контрастирование исходной информации облегчает установление соответствия величины номеру класса, к которому принадлежит анализируемый сигнал.

Данные методы при произвольных распределениях не претендуют на строгую оптимальность. Вместе с тем существует возможность построить алгоритмы инженерной реализации, близкие к оптимальным. При этом оптимизации подвергаются временные и пространственные параметры 1Щ системы распознавания, определяющие такие показатели качества, как достоверность распознавания, быстрота принятия решений и величина затрат на оборудование.

Основной преградой на пути развития алгоритмов классификации случайных процессов является сложность создания моделей источников сигналов (в том числе и медико-биологических), устройств передачи и обработки этих сигналов. Появление мощных вычислительных средств привело к развитию вычислительных моделей этих объектов.

Отмеченные сложности определяют необходимость анализа методов классификации случайных процессов с целью синтеза непараметрических алгоритмов распознавания медико-биологических сигналов, обладающих возможностью инженерной реализации, близкой к оптимальной, и гарантирующих заданные показатели качества, а также разработки новых подходов к проектированию гибких систем автоматизации функциональных клинических исследований, ориентированных на решение задач медицинской диагностики. Все это и явилось причиной появления настоящей работы.

Цель работы является разработка методов формирования решающих правил в диагностических исследованиях. Решение поставленной задачи проводится в несколько этапов:

1. Исследование свойств и характеристик медико-биологических процессов (МБП) и их преобразование для решения задач диагностики;

2. Выбор критериев эффективности признаков медико-биологических сигналов (МБС), используемых в алгоритмах распознавания.

3. Разработка и исследование методов принятия решений при непараметрической априорной неопределенности.

4. Разработка инструментальной среды для построения систем автоматизации функциональных клинических исследований.

5. Реализация аппаратно-программного диагностического комплекса на базе предложенной инструментальной среды.

Актуальность. В известных работах недостаточно внимания уделено методам построения эффективных алгоритмов распознавания медико-биологических сигналов, обладающих возможностью технической реализации, и учитывающих ограничения на время обучения и принятия решений, в связи с чем разработка таких методов считается актуальной.

Научная новизна. В работе получен ряд новых результатов, которые сводятся к следующему:

1. Предложен метод укрупнения описания МБП на основе неизоморфного оператора преобразования.

2. Разработан метод построения функции нелинейного преобразования первичных признаковых пространств, позволяющий оптимально (в рамках выбранного критерия) разделять классифицируемые сигналы.

3. На основе аппроксимационного подхода разработан метод синтеза решающего правила, обеспечивающего оптимальное решение при использовании метода стохастического кодирования сигналов.

4. Получены зависимости показателей эффективности классификатора моделей МБП от времени обучения и распознавания, от вида опорных распределений и размерности признакового пространства.

Практическая ценность. Результаты, полученные в работе, были использованы при разработке:

— медицинских приборов ультразвукового исследования головного мозга отдела 24 НКБ «Миус» по договору № 313 151Н.

— радиолокационного измерителя морского волнения отдела 24 НКБ «Миус» по договору № 324 057;

— приборе УЗИ с топографическим картированием («Эхотомоскоп») особого конструкторского бюро «Ритм» (г. Таганрог).

Результаты исследований были использованы при постановке курса специализации «Автоматизированная обработка данных и аппаратура медицинских диагностических систем» на кафедре РПрУ и ТВ Таганрогского государственного радиотехнического университета.

Достоверность изложенного подтверждается результатами экспериментальных исследований характеристик предлагаемых алгоритмов при классификации электроэнцефалограмм и случайных процессов с заданными статистическими характеристиками, апробацией на научных семинарах, конференциях, симпозиумах, актами внедрения.

Методы исследования основаны на использовании методов теории вероятности и математической статистики, статистической теории распознавания образов, функционального анализа.

Основные положения, выносимые на защиту, следующие:

— математические модели МБП и критерии эффективности признаков, сформированных на основе их нелинейного преобразования;

— метод построения функции нелинейного преобразования первичных признаков, обеспечивающий эффективное разделение множеств сигналов в преобразованном пространстве;

— метод синтеза решающего правила при использовании стохастического кодирования МБС;

— зависимости дисперсий оценок признаков и ошибок распознавания от времени обучения, вида опорных распределений, размерности признакового пространства;

— результаты экспериментальных исследований с использованием разработанного аппаратно-программного комплекса.

Апробация работы. Основные положения диссертационной работы обсуждались и докладывались: на IV Всероссийской научной конференции студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления» (Таганрог, 1998) — на V Всероссийской научной конференции студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления» (Таганрог, 2000) — на XLVII научно-технической конференции (Таганрог, 2002).

Публикации. Основные научные результаты диссертации опубликованы в 5-х статьях, 4-х тезисах докладов.

Структура диссертации. Диссертационная работа состоит из введения, Ч-* разделов, заключения.

Выводы по результатам 4 главы.

1. Разработана и описана объектно-ориентированная инструментальная среда для проектирования проблемно ориентированных систем автоматизации и моде-лирвоания, позволяющая упростить процесс построения таких систем.

2. Разработанная система была апробирована при реализации графической интерактивной исследовательской системы, ориентированной на автоматизацию задач оптимизации (и исследования) систем моделирования процессов распознавания образов и показала свою высокую эффективность.

3. В систему интегрировано устройство связи с объектом исследования, позволившим исследовать реальные медико-биологические сигналы с выходов измерительных датчиков-преобразователей.

4. Результаты использования системы показывают, что ее применение приводит к значительному сокращению времени экспериментирования, и, потому, может служить мощным инструментом автоматизации функционально-клинических исследований.

5. Реализация конкретной задачи классификации процессов с использованием разработанной системы показала ее значительные преимущества в виде удобства пользования, гибкости перестройки и адаптации к изменениям условий и алгоритмов в экспериментальных исследованиях.

6. Результаты экспериментального исследования алгоритмов классификации и выделения признаков подтверждают результаты моделирования в гл.З., что говорит о достаточно высокой степени адекватности модели.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе рассмотрен комплекс теоретических и практических вопросов, связанных с построением признаковых пространств и решающих правил в автоматизированных системах диагностики медико-биологических сигналов. Основную научную и практическую значимость имеют результаты исследования возможности оптимизации временных и пространственных параметров медицинских диагностических систем. При этом получены следующие основные результаты:

1. На основе анализа существующих методов формирования признаковых пространств при классификации сигналов показано, что существует возможность улучшать качество работы автоматизированных диагностических систем за счет нелинейного преобразования исходных пространств сигналов, которое обеспечивает сокращение избыточности описания исходных сигналов и сокращение временных и аппаратурных затрат при решении задач классификации медико-биологических сигналов.

2. Разработана методика построения признаковых пространств на основе метода стохастического кодирования сигналов. Исследованы статистические характеристики признаков. Исследованы возможности формирования признаков с использованием различных опорных распределений случайных процессов с заданным коэффициентом взаимной корреляции. Установлено, что максимальной разделяющей способностью обладают признаки, построенные на основе опорных процессов, имеющих плотности распределения вероятностей, совпадающие с распределением исследуемых сигналов.

3. Разработан алгоритм непараметрической классификации медико-биологических сигналов на основе формирования признаковых пространств по методу стохастического кодирования. Определены показатели качества и сложности разработанного алгоритма.

4. Исследованы два алгоритма классификации: на основе критерия минимального расстояния, на основе метода гиперсфер. Выработаны рекомендации по их применению.

5. Разработана объектно-ориентированная инструментальная среда для проектирования проблемно ориентированных систем автоматизации. Разработанная система была апробирована при реализации графической интерактивной исследовательской системы, ориентированной на автоматизацию задач оптимизации (и исследования) систем диагностики при функционально-клинических исследованиях. Результаты использования системы показывают, что ее применение приводит к значительному сокращению времени экспериментирования, и, потому, может служить мощным инструментом автоматизации функционально-клинических исследований.

6. Использование разработанных методов для классификации электроэнцефалограмм позволило выявить ЭЭГ-показатели, позволяющие достоверно различать классы электроэнцефалограмм, соответствующие различным функциональным состояниям головного мозга пациентов.

7. Научные и практические результаты, полученные в диссертации, внедрены на ряде предприятий при создании медицинских приборов УЗИ с топографическим картированием с целью выделения информативных признаков патологических состоянийпри разработке аппаратуры измерения статистических характеристик морского волнения для решения задач классификации сигналовв учебном процессе при постановке лабораторных работ по курсу «Автоматизированная обработка данных и аппаратура медицинской диагностики» .

Показать весь текст

Список литературы

  1. С.А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Исследование зависимостей: Справ изд. М.:Финансы и статистика, 1985.487 с.
  2. С.А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Основы моделирования и первичная обработка данных: Справ изд. М.: Финансы и статистика, 1983. 471 с.
  3. Александреску Андрей. Современное проектирование на С++. Серия С++ In-Depth, т. 3.: Пер. с англ. М.: Издательский дом «Вильяме», 2002. — 336 с.: ил. — Парал. тит. англ.
  4. В.В., Шеповальников А. Н., Шнейдеров B.C. Машинная графика электроэнцефалографических данных. Л.: Наука, 1979. 152 с.
  5. А.Г., Браверман Э. М. Обучение машины распознаванию образов. М.: Наука, 1964. 110 с.
  6. A.M., Елисеев Д. В., Костричко И. А. и др. Диагностический комплекс ЭКС-К1200 // Мед. техника. 1998. № 1. С. 37 40.
  7. А.В., Галкин С. В., Зарубин B.C. Методы оптимизации: Учеб. для вузов / Под ред. B.C. Зарубина, А. П. Крищенко. М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. — 440с. (Сер. Математика в техническом университете- Вып. XIV).
  8. В.П. Цифровое моделирование случайных процессов. М.: САЙНС-ПРЕСС, 2002. — 88с.: ил.
  9. . Методы оптимизации. Вводный курс: Пер. с англ. М.: Радио и связь, 1988. 128с.
  10. Н.С., Жидков Н. П., Кобельков Г. М. Численные методы М.: Лаборатория Базовых Знаний, 2000 г. — 624 е.: ил.
  11. Дж., Пирсол А. Измерение и анализ случайных процессов / Пер. с англ.- под ред. Г. Я. Мирского. М.: Мир, 1974. 464 с.
  12. Е.С., Колесов Ю. Б., Сениченков Ю. Б. Практическое моделирование динамических систем СПб.: БХВ-Петербург, 2002. — 464 е.: ил.
  13. Биопотенциалы мозга человека. Математический анализ / Под ред. В.С.Русинова- АМН СССР. М.: Медицина, 1987. 256 с.
  14. Г., Преториус Х. М. Выделение признаков из электроэнцефалограммы методом адаптивной сегментации //ТИИЭР. 1977.Т.65. № 5. С.59−71.
  15. Я., Крекуле М., Брожек Г. Применение ЭВМ в нейрофизиологических исследованиях. Л.: Наука, 1984. 240 с.
  16. Н.П. Моделирование сложных систем. М. Наука, 1988.
  17. Н.П., Калашников В. В., Коваленко И. Н. Лекции по теории сложных систем. М.: Сов. радио, 1973. 440 с.
  18. Буч Гради. Объектно-ориентированный анализ и проектирвоание с примерами приложений на С++, 2-е изд./Пер. с англ. М.: «Издательство Бином», СПб.: «Невский диалект», 1999 г. — 560 е., ил.
  19. В.В. Цифровое моделирование в статистической радиотехнике. М.: Советское радио, 1971. 328 с.
  20. В.И. Распознающие системы: Справочник. 2-е изд., перераб. и доп. Киев: Наукова думка, 1983. 423 с.
  21. В.Н., Червоненкис А. Я. Теория распознавания образов (статистические проблемы обучения). М.: Наука, 1974. 416 с.
  22. В.А. Теория подобия и моделирования (применительно к задачам электроэнергетики). Учеб. пособие для вузов. Изд. 2-е, доп. и перераб. М., «Высшая школа», 1976.
  23. Е.С. Теория вероятностей: Учеб. для вузов.- 6-е изд. стер. -М.: Высш. шк., 1999. 576 с. ил.
  24. Вероятность и математическая статистика: Энциклопедия/ Гл. ред. Ю. В. Прохоров. М.: Большая Российская Энциклопедия, 1999 г. — 910 с.
  25. В.М. Численные методы (линейная алгебра и нелинейные уравнения): Учеб. пособие для вузов. М.: Высш. шк., 2000. — 266.: ил.
  26. И.К., Зуев С. М., Цветкова Г. М. Случайные процессы: Учеб. для вузов / Под ред. B.C. Зарубина, А. П. Крищенко. М.: Изд-во МГТУ им. Баумана, 2000. — 448 с. (Сер. Математика в техническом университете- Вып. XVIII).
  27. Вопросы статистической теории распознавания / Под ред. Б. В. Барского. М.: Сов. радио, 1967. 400 с.
  28. Г. Г. Автоматизированные системы и аппаратура медицинской диагностики: Учебное пособие. Таганрог. Изд-во ТРТУ, 1998. 141 с.
  29. Г. Г. Классификатор случайных сигналов // Известия СКНЦ ВШ. Серия «Технические науки». Новочеркасск, 1984. № 3. С. 54−57.
  30. Г. Г. Теоретические и аппаратные основы, анализ и синтез сложных сигналов диагностических систем. / Диссертация на соискание ученой степени доктора технических наук. Таганрог. 1991.
  31. Г. Г. Укрупнение описания случайных процессов с целью их классификации // Меэведомственный тематический сборник «Вопросы медицинской электроники». Вып.6. Таганрог, 1986. С. 57−62.
  32. Г. Г., Галустов А. Г., Ковригин В. М. Синтез решающего правила классификатора сигналов при непараметрической априорной неопределенности. Журнал «Телекоммуникации»
  33. Г. Г., Ковригин В. М. Нелинейное преобразование случайных процессов в диагностических системах. Радиосистемы. Выпуск 62. Радиоэлектронные устройства и системы управления, локации и связи. 2002 г. № 2
  34. Э., Хелм Р., Джонсон Р., Влиссидес Дж. Приемы объектно-ориентированного проектирования. Паттерны проектирования. СПб: Питер, 2001. — 368 е.: ил. (Серия «Библиотека программиста»)
  35. Ф.Р. Теория матриц. М.: Издательство «Наука», 1966. 576 с.
  36. Ю.А. Гомоморфизмы и модели: логико-алгебраические аспекты моделирования. М.: Наука, 1975. 150 с.
  37. В .С. Вероятностные вычислительные модели. М.: Наука, 1973.300 с.
  38. В.М. Введение в кибернетику. Киев: Изд-во АН УССР, 1964.324 с.
  39. В.М. Кибернетика. Вопросы теории и практики. М.: Наука, 1986. 488 с. (Наука. Мировозрение. Жизнь.)
  40. В.В. Вызванные потенциалы мозга в клинической практике. Таганрог: Изд-во ТРТУ, 1997. 252 с.
  41. Дж., Ван Лоун Ч. Матричные вычисления: Пер. с англ. М.: Мир, 1999.-548 е., ил.
  42. А.Л., Скрипкин В. А. Методы распознавания: Учеб. пособие. 2-е изд., перераб. и доп. М.: Высшая школа, 1984. 208 с.
  43. А.Л., Скрипкин В. А. Построение систем распознавания. М.: Советское радио, 1974. 224 с.
  44. Горбунов-Посадов М. М. Расширяемые программы. М.: Полиптих, 1999.-336 е., ил.
  45. И.С., Рыжик И. М. Таблицы интегралов, сумм, рядов и произведений. М.: Наука, 1971.
  46. В.Г. Образный анализ экспериментальных данных. М.: Наука, 1982. 237 с.
  47. Р.В., Кемешис П. П., Читавичус А. Б. Распознавание речевых сигналов по их структурным свойствам. Л.: Энергия, 1977. 64 с.
  48. Гук М. Аппаратные средства IBM PC. Энциклопедия СПб: «Издательство „Питер“», 1999. — 816 е.: ил.
  49. Г. И др. Автоматический анализ ЭЭГ последние достижения // ТИИЭР. 1975. Т.63. № 10. С. 3−15.
  50. Дж. Вычислительная линейная алгебра. Теория и приложения. Пер. с англ. -М.: Мир, 2001. -430с., ил.
  51. Р., Харт П. Распознавание сигналов и анализ сцен. М.: Мир, 1976.511 с.
  52. Дюк В., Самойленко A. Data mining: учебный курс (+CD). СПб: Питер, 2001.-368 е.: ил.
  53. Е.А., Дубнер П. Н., Гутман С. Р. Перспективы применения моделей типа авторегрессии-скользящего среднего для анализа ЭЭГ // Успехи физиологических наук. 1984. Т.15. № 4. С. 6−22.
  54. Е.А., Лосев B.C. Системы описания и классификации электроэнцефалограмм человека. М.: Наука, 1984. 81 с.
  55. Е.А., Майорчик В. Е. и др. Терминологический справочник (словарь терминов, используемых в электроэнцефалографии) // Физиология человека. 1978. Т.4. С. 936−954.
  56. Л.С., Файзенберг Л. С. Об информационном подходе к оценке полезности признаков при статистическом распознавании образов // Техническая кибернетика. 1983. № 4. стр. 120.
  57. В.Д. Автоматизированная обработка данных клиническихфункциональных исследований. М.: Медицина, 1981. 352 с.
  58. Ю.И. Непараметрические задачи распознавания образов // Кибернетика. 1986. № 6. С. 83 103.
  59. Н.Г. Методы распознавания и их применение. М.: Советское радио, 1972. 208 с.
  60. JI.P. Клиническая электроэнцефалография (с элементами эпилептологии). Таганрог: Изд-во ТРТУ, 1996. 358 с.
  61. JI.P. Компьютерные методы обработки в клинической электроэнцефалографии // Журнал невропатологии и психиатрии. 1990. Т.90. № 12. С. 103−109.
  62. JI.P., Ронкин М. А. Функциональная диагностика нервных болезней: (Руководство для врачей). М.: Медицина, 1991. 640 с.
  63. Г. Б. Системология инженерных знаний: Учеб. пособие для вузов. М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. — 376., (Сер. Информатика в техническом университете).
  64. А., Веннберг А., Зеттерберг JI. Машинный анализ ЭЭГ-сигналов на основе параметрических моделей. ТИИЭР. 1981. Т. 61. № 4. С. 55 68
  65. В.В. Организация исследования сложных систем на базе агре-гативного подхода к моделированию. Техническая кибернетика. № 2. 1982. стр. 92.
  66. Н.И., Куликова Н. П., Лекомцев В. Т. и др. Диагностика эпилепсии в интерактивном режиме с использованием компьютерной технологии // Мед. техника. № 3. 1996. С. 40 42.
  67. Кардиомониторы. Аппаратура непрерывного контроля ЭКГ: Учебное пособие для вузов / Барановский A. JL, Калиниченко А. Н., Манило JI.A. и др. М.: Радио и связь, 1993. 348 с.
  68. Д., Моулер К., Нэш С. Численные методы и программное обеспечение: Пер. с англ. Изд. второе, стереотип. — М.: Мир, 2001. — 575 е., ил.
  69. Н.В. Методы построения систем распознавания и классификации негауссовых сигналов. JL: Изд во Ленингр. ун — та, 1986. 188 с.
  70. Н.В., Сечкин В. А. Техническая диагностика методами нелинейного преобразования. Л.: Энергия, 1980. 108 с.
  71. В.А. Методы оптимальных решений в распознавании изображений. М.: Наука, 1976. 328 с.
  72. В.М. Аппаратно-программный комплекс для исследования медико-биологических сигналов // V Всероссийской научной конференции студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления». Тезисы докладов. Таганрог 2000.
  73. И.М. Прикладная теория информации. М.:Радио и связь, 1981.216 с.
  74. А.Н. Основные понятия теории вероятностей. 3- изд. Москва: ФАЗИС, 1998. 144с.
  75. А.Н., Фомин С. В. Элементы теории функций и функционального анализа. М.: Наука, 1981. 543 с.
  76. А.В., Мирошников В. В. Исследование чувствительности оптимальных решений на имитационной модели сложной системы. Техническая кибернетика, № 4. стр 225.
  77. Т., Лейзерсон Ч., Ривест Р. Алгоритмы: построение и анализ. М.: МЦНМО, 2000. 960 е., 263 ил.
  78. Г. Моделирование случайных процессов на аналоговых и аналого-цифровых машинах. Пер. с англ. Е. В. Доброва и И. Б. Гуревича под ред. В. П. Яковлева. М.: Мир. 1968 г.
  79. Ю.М. Математические основы кибернетики: Учеб. пособие для вузов. 2-е изд., перераб. и доп. — М.: Энергия, 1980. — 424 е., ил.
  80. Г. Математические методы статистики. Пер. с англ. А.С. Мони-ни и А. А. Петрова под ред академика А. Н. Колмогорова. Изд. 2-е, стереотипное. М.: Мир. 1976. 648 с.
  81. Л.Т. Основы кибернетики. Т.1. Математические основы кибернетики. Учебн. пособие для студентов втузов. М."Энергия", 1973. 504 с. с ил.
  82. Л.Т. Основы кибернетики. Т.2. Основы кибернетических моделей. Учеб. пособие для студентов вузов. М."Энергия", 1979. — 584 с. с ил.
  83. А.П. Полное собрание сочинений в трех томах. Том 2. Компьютерная электрофизиология в клинической и исследовательской практике. М.: Информатика и компьютеры, 1999. — 329 с. ил.
  84. Леен Аммераль. STL для программистов на С++. Пер. с англ. / Леен Аммераль М.: ДМК, 1999 — 240 е., ил.
  85. В.В., Калантар В. А., Аракчеев А. Г. и др. Алгоритмы измерения длительности комплексов ЭКГ // Мед. техника. 1998. № 5. С. 6 14.
  86. В.И. Функциональный анализ и вычислительная математика.: Учебное пособие. 4-е издание, перер. у доп. — М.:ФИЗМАТЛИТ, 2000. -256 с.
  87. .Р. Теоретические основы статистической радиотехники. М.: Сов. радио, 1974−1976. Кн. 1 3. Кн. 1. 552 с. Кн.2. 392 с. Кн.З. 288 с.
  88. Э. Проверка статистических гипотез / Пер. с англ. Под ред. Ю. В. Прохорова. М.: Наука, 1979. 408 с.
  89. С.В. Курс лекций по методам оптимизации. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001, 368 стр.
  90. Математика. Большой энциклопедический словарь. /Гл. ред. Ю. В. Прохоров. 3-е изд. — М.: Большая Российская Энциклопедия, 1998. — 848 е.: ил.
  91. Математические основы кибернетики. Лапа В. Г. Издательское объединение «Вища школа», 1974, 452 с.
  92. Машинные методы расчета и проектирования систем электросвязи и управления: Учеб. Пособие / А. Н. Дмитриев и др. М.: Радио и связь, 1990.272 с.
  93. А.В. Классификация сигналов в условиях неопределенности (Статистические методы самообучения в распознавании образов). М.: Сов. радио, 1975. 328 с.
  94. .М., Панков А. Р. Теория случайных процессов в примерах и задачах. М.: Физматлит, 2002. — 320 с.
  95. Г. Я. Аппаратурное определение характеристик случайных процессов. Изд. 2-е перераб. и доп. М.: Энергия, 1972. 456 с.
  96. Г. Я. Характеристики стохастической взаимосвязи и их измерения. М.: Энергоиздат, 1982. 320 с.
  97. Н.Н., Иванилов Ю. Л., Столярова Е. М. Методы оптимизации. М.: Наука, 1978. 352 с.
  98. Нелинейные и линейные методы в распознавании образов. Сб. трудов института проблем передачи информации Академии наук СССР. М.: Наука, 1975. 160 с.10&- Неотложные состояния и экстренная медицинская помощь / Под ред. Е. И. Чазова. М.: Медицина, 1988.
  99. P.M. Количественный анализ и топографическое картирование ЭЭГ: методики, проблемы, клиническое применение // Успехи физиологических наук. 1992. Т.23. № 1. С. 20−40.
  100. В.А. Основы спектральной теории распознавания сигналов. Харьков: Вища школа, 1983. 159 с.
  101. Основы кибернетики. Теория кибернетических систем. Под ред. К. А. Пупкова. Учеб. пособие для вузов. М., «Высш. школа», 1976. 408 с. ил.
  102. Ю.Н. Имитационные модели и системы. М.: ФАЗИС: ВЦ РАН, 2000. -Х+134 с.
  103. Э. Основы теории распознавания образов: Пер. с англ. / Под ред. Б. Р. Левина. М.: Сов. радио, 1980. 408 с.
  104. В.В. Предельные теоремы для сумм независимых случайных величин. М.: Наука, 1987. 310 с.
  105. М.Л., Давидович М. И. Статистическое оценивание и проверка гипотез на ЭВМ. М.: Финансы и статистика, 1989. 191 с.
  106. .В. Разработка и исследование методов визуализации в диагностических системах. Дисс. на соискание уч. степени канд. техн. наук. Таганрог. 1997.
  107. Прикладная статистика: Классификация и снижение размерностей: Справ изд. / С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л.Д. Мешал-кин- Под ред. С. А. Айвазяна. М.: Финансы и статистика, 1989. 607 с.
  108. ПугачевВ.С. Теория вероятностей и математическая статистика: Учеб. пособие. 2-е изд. испр. и дополн. — М.: ФИЗМАТЛИТ, 2002. — 496 с.
  109. B.C. Теория случайных функций. М.: Физматгиз, 1962. 884 с.
  110. B.C., Синицын И. Н. Теория стохастических систем: Учеб. Пособие. М.: Логос, 2000. — 1000 е.: ил.
  111. Д. Абстракция и структуры данных: Вводный курс / Пер. с англ. М.: Мир, 1973.752 с.
  112. Распознавание образов. Состояние и перспективы: Пер. с англ. / К. Верхаген, Р. Дейн, Ф. Грун и др. М.: Радио и связь, 1985. 104 с.
  113. Распознавание образов: Теория и приложения. М.: Наука, 1977. 128 с.
  114. Х.Д. Исследование вопросов построения интегрированной экспертной системы для интерпретации электроэнцефалограмм на основе структурной модели ЭЭГ-сигнала: Автореф. дисс. к.т.н. С. Пб, 1993. 13 с.
  115. Г. И. Системное моделирование сложных процессов. М.: ФАЗИС: ВЦ РАН, 2000. — XII+276 с. (Математическое моделирование. Вып. 3)
  116. А.А., Михайлов А. П. Математическое моделирование: Идеи, Методы, Примеры. 2-е изд., испр. — М.: ФИЗМАТЛИТ, 2002. — 320с.
  117. А.Г. Распознавание случайных сигналов. Новосибирск: Наука. Сибирское отделение. 1974. 76 с.
  118. Словарь по кибернетике: Св. 2000 ст. /Под ред. B.C. Михалевича. 2-е изд. — К.: Гл. ред. УСЭ им. М. П. Бажана, 1989. — 751 с.
  119. .Я., Яковлев С. А. Моделирование систем: Учеб. для вузов 3-е изд., перер. и доп. -М.: Высш. шк., 2001. — 343 е.: ил.
  120. Д., Руссинович М. Внутреннее устройство Microsoft Windows 2000. Мастер-класс. / Пер. с англ. СПб.: Питер- М.: Издательско-торговый дом «Русская Редакция», 2001. — 752 стр.: ил.
  121. В.Н. Основы системного анализа: Учеб. пособие. СПб.: «Изд. дом «Бизнес-пресса», 2000 г. — 326 с.
  122. Справочник по системотехнике. Пер. с англ., под ред. Шилейко А. В., М., «Советское радио», 1970 г., 688стр.
  123. Сэвидж Джон Э. Сложность вычислений: пер. с англ. М.: Изд-во «Факториал», 1998. — 368 е.: ил.
  124. В.И. Статистическая радиотехника / 2-е изд., перераб. и доп. М.: Радио и связь, 1982. 624 с.
  125. В.Д., Кориневский А. В. ЭВМ в нейрофизиологических исследованиях. М.: Наука, 1978. 239 с.
  126. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. М.: Мир, 1978.416 с.
  127. С. Уилкс. Математическая статистика. М.: Наука, 1967. 632 стр. с илл.
  128. Философский словарь/ Под ред. И. Т. Фролова. 6-е изд., перер. и доп. -М: Политиздат, 1991. — 560 с.
  129. В.Н. Математическая теория обучаемых опознающих систем. Л.: Изд-во ЛГУ, 1976. 235 с.
  130. Я.А., Савич А. В. Оптимизация распознающих систем. М.: Машиностроение, 1993. 289 с.
  131. Я.А., Савич А. В. Оптимизация временных параметров системы распознавания одномерных нормальных совокупностей // Радиотехника. 1984. Т. 39. № 11. С. 28−31.
  132. Я.А., Савич А. В. Оптимизация системы распознавания многомерных нормальных совокупностей // Радиотехника. 1985. Т.40. № 12. С. 8 -11.
  133. Я.А., Тарловский Г. Р. Статистическая теория распознавания образов. М.: Радио и связь, 1986. 264 с.
  134. Фу К. Структурные методы в распознавании образов / Пер. с англ. Под ред. М. А. Айзермана. М.: Наука, 1977. 319 с.
  135. В.В., Борисов Ю. П. Математическое моделирование радиотехнических систем и устройств. М.: Радио и связь, 1985. 176 с.
  136. В.Г. Разработка и исследование методов формирования признаковых пространств в медицинских диагностических системах. Дисс. на соискание уч. степени канд. техн. наук. Таганрог 1999.
  137. Я.З. Основы теории обучающихся систем. М.:Наука, 1970. 252с.
  138. Е.И. Непараметрические оценки плотности вероятности в задачах обработки результатов наблюдений: обзор // Зарубежная радиоэлектроника. № 2. 1976. С. 3 33.
  139. Шаллоуей Алан, Тротт Джеймс Р. Шаблоны проектирования. Новый подход к объектно-ориентированному анализу и проектированию: Пер. с англ. М.: Издательский дом «Вильяме», 2002. — 288 е.: ил. — Парал. тит. англ.
  140. Р. Имитационное моделирование систем: искусство и наука.
  141. Пер. с англ. М.: Мир, 1978. — 414 с.
  142. Axelson Jan. USB Complete: Everything You Need to Develop Castom USB Peripherals. Lakeview Research. Madison, WI 53 704. 396 p.
  143. Chris Cant. Writing Windows WDM Device Drivers. Covers NT 4, Win 98, and Win2000. R&D Books. Lawrence, Kansas 66 046. 540 p.
  144. John Hyde. USB Design by Example: A Practical Guide to Building I/O Devices. Wiley Computer Publishing, 1999. 368 p.
  145. Paul M. Embree, Damon Daniel. С++ Algorithms for Digital Signal Processing. Prentice Hall PTR. 1999. Upper Saddle River, New Jersey 7 458. 579 p.
  146. Rogowitz В., Treinish L. Data visualization: the end of the rainbow. IEEE Spectrum. 1998. № 12. P.52−59.
  147. Walter Oney. Programming the Microsoft Windows Driver Model. Microsoft Press. 1999. 626 p.1. РОСС-«.'» .' «1. TnrVY' ' ¦-.•>• ¦ j •
Заполнить форму текущей работой

Сессия? Спокойно!