Построение амплитудно-частотных характеристик сетчатки глаза и формализация их параметров для использования в системах диагностики

В работе последовательно решаются две задачи. Первая - это обоснование возможности построения амплитудно-частотных характеристик (АЧХ) сетчатки глаза путем обработки ритмических электроретинограмм (РЭРГ). Вторая задача - аппроксимация полученных АЧХ сетчатки глаза в целях получения дополнительных формализованных признаков текущего состояния сетчатки в виде коэффициентов аппроксимирующих полиномов. При построении АЧХ сетчатки глаза учитывается спектр входного тестирующего воздействия (стимула). Световые стимулы представляют собой периодически повторяющиеся короткие световые прямоугольные импульсы пяти стандартных частот. В силу того что сетчатка глаза является нелинейным динамическим объектом, в работе оцениваются и учитываются изменения АЧХ сетчатки при построении частотных характеристик для каждой частоты подачи световых вспышек. Для полиномиальной аппроксимации полученных АЧХ сетчатки в работе предлагается выделить две характерные области частот: область низких частот (от 0 до 50 Гц) и область высоких частот (от 50 до 120 Гц). В области низких частот предлагается сглаживать АЧХ сетчатки полиномом второй степени, а в области высоких частот - полиномом первой степени. Предлагаемая аппроксимация АЧХ позволяет для одного субъекта исследований получить 25 дополнительных признаков по пяти экспериментально найденным АЧХ. При этом каждая АЧХ характеризуется пятью коэффициентами сглаживающих полиномов. Результаты работы позволяют проводить сравнение разных способов классификации (диагностики) с использованием получаемых признаков.

амплитудно-частотная характеристика, электроретинограмма, сетчатка глаза, диагностика, патология, аппроксимация, amplitude-frequency response, electroretinogram, retina, diagnosis, pathology, approximation

1. Гублер Е. В. Вычислительные методы анализа и распознавания патологических процессов. Л.: Медицина, 1978. 296 с.

2. Кореневский Н. А., Снопков В. Н., Бурмака А. А., Рябкова Е. Б. Проектирование медицинских интеллектуальных систем поддержки принятия решений на основе нечетких информационных технологий // Врач и информационные технологии. 2013. № 6. C. 48-53.

3. Мисюк Н. С. ЭВМ в диагностике нервных болезней. Минск: Беларусь, 1978. 159 с.

4. Реброва О. Ю. Математические алгоритмы и экспертные системы в дифференциальной диагностике инсультов: Дис. на соискание ученой степени докт. мед. наук. Москва, 2003. 325 с.

5. Бакуткин В. В., Зайко Ю. Н., Лепеско А. С., Скиданов А. Н. Разработка системы классификации и диагностики офтальмологических заболеваний на основе искусственных нейронных сетей // Известия Саратовского университета. Новая серия. Серия Физика. 2008. № 1, Т. 8. С. 36-41.

6. Дьяконов Д. Г. Анализ данных, обучение по прецедентам, логические игры, системы WEKA, RapidMainer и Matlab: учеб. пособ. М.: Издательский отдел факультета ВМК МГУ им. М. В. Ломоносова. 2010. 278 с.

7. Hall Mark, Frank Eibe, Holmes Geoffrey, Pfahringer Bernhard, Reutemann Peter, Witten Ian H. The WEKA data mining software: an update // SIGKDD Explorations. 2009. Vol. 11, July. P. 10-18.

8. Воронцов К. В. Курс лекций по методам оценивания и выбора моделей. URL: http://www.kdd.org/explorations/ issues/11-1-2009-07/p2V11n1.pdf

9. Dembele D., Kastner P. C-means method for clustering microarray data // Bioinformatics. 2003. Vol. 19(8). P. 973-980.

10. Орлов А. И. Прикладная статистика. М.: Издательство "Экзамен", 2004. 656 с.

11. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Springer, 2001.

12. Perlman I. The Electroretinogram: ERG. URL: http:// www.webvision.ERG.

13. Zueva M., Tsapenko I., Vaskov S. The components of human and rabbit 8-Hz and 12-hz flicker ERG as a function on intensity, size and position of stimuli // Abstracts of 42nd ISCEV Symposium (San Juan). 2004. P. 132.

14. Marmor F., Fulton A. B., Holder G. E., Miyake Y., Brigell M., Bach M. // ISCEV Standard for full-field clinical electroretinography (2008 update). Doc Ophthalmol. 2009. Vol. 118. P. 69-77.

15. Anisimov D. N., Vershinin D. V., Kolosov O. S., Zueva M. V., Tsapenko I. V. Diagnosis of the Current State of Dynamic Objects and Systems with Complex Structures by Fuzzy Logic Using Simulation Models // Scientific and Technical Information Processing. 2013. Vol. 40, N. 6. P. 365-374.

16. Jenkins G. M., Watts D. G. Spectral Analysis and Its Applications. San Francisco, CA: Holden-Day, 1968.

17. Колосов О. С., Баларев Д. А., Пронин А. Д., Зуева М. В., Цапенко Ц. В. Оценка частотных свойств динамического объекта с использованием импульсных тестирующих сигналов // Мехатроника, автоматизация, управление. 2017. Т. 18, № 4. С. 219-226.

18. Сергиенко А. Б. Цифровая обработка сигналов: учеб. пособ.: СПб. БХВ-Петербург, 2013. 768 с.

19. Применение цифровой обработки сигналов / Под ред. Э. Оппенгейма, Пер. с англ. под ред. А. М. Рязанцева. М.: Мир, 1980.