Д.т.н. Щербань И.В., студент Знаменский Д.А., студент Судаков С.А.

Южный федеральный университет, г.Ростов-на-Дону, Россия

РЕШЕНИЕ ЗАДАЧИ ИДЕНТИФИКАЦИИ ХАРАКТЕРНЫХ ПАТТЕРНОВ БИОЭЛЕКТРИЧЕСКОЙ АКТИВНОСТИ ОБОНЯТЕЛЬНОГО НЕРВА ИЛИ ОБОНЯТЕЛЬНОЙ ЛУКОВИЦЫ КРЫСЫ

 

Ключевые слова: идентификация образа, распознавание, энергия сигнала, кепстральные признаки сигнала, пакет National Instruments LabView.

Несмотря на актуальность вопросов, связанных с выяснением принципов организации нейронных систем, ответственных за билатеральное тактильное восприятие, а также способов кодирования пространственных параметров тактильных стимулов, исследованы они лишь в первом приближении. Изучение подобных вопросов осуществляется на животных с использованием специализированных программно-аппаратных комплексов [1-3].

 

В настоящее время в НИИ "Нейрокибернетики" Южного федерального университета реализован программно-аппаратный комплекс для изучения параметров импульсных и фокальных электрических ответов обонятельного нерва и обонятельной луковицы крысы на различные запахи. Известно, что макросматики, в том числе, крысы, рецепторные нейроны которых содержат тысячи различных рецепторных белков, обладают чрезвычайно высокой обонятельной чувствительностью. Целями работы являются, во-первых, обнаружение электрических ответов обонятельного нерва (обонятельной луковицы) крысы в составе снимаемого сигнала, и, во-вторых, идентификация специфических паттернов биоэлектрической активности обонятельного нерва и обонятельной луковицы крысы, соответствующих разным обонятельным раздражителям, разным запахам.

Исследования проводятся на белых беспородных крысах в условиях острого опыта – животное обездвижено и переведено на искусственное дыхание. Голова крысы фиксируется с помощью игольчатых головодержателей. Потенциалы с обонятельного участка коры головного мозга крысы регистрируются четырехканальными электродами. Интервалы опытных наблюдений равны одной минуте, где на 20-й секунде системой поддержания дыхания животного подаются различные запахи. Для увеличения информативности измерений регистрируются уровень дыхания животного и частота сердцебиения.

Основной проблемой в данном случае является проблема обнаружения и идентификации паттернов, соответствующих разным обонятельным раздражителям, в составе существенно зашумленного сигнала биоэлектрической активности обонятельного нерва или обонятельной луковицы крысы. Для идентификации в составе зашумленного сигнала биоэлектрической активности обонятельного нерва или обонятельной луковицы крысы паттернов, соответствующих целевым запахам, были выбраны метод отношения энергий сигналов и метод кепстральных коэффициентов.

В методе энергии паттерн идентифицируется на основе сравнения отношений между энергиями эталонного паттерна и паттерна, регистрируемого в бегущем относительно ряда измерений временном окне:

,                                                       (1)

где – коэффициент соответствия;  и    –  факторы, соответственно, исследуемого сигнала и образа искомого паттерна;

 – энергия дискретизированного (АИМ - амплитудно-импульсно модулированного) образа искомого паттерна; Si – мгновенные значения амплитуд дискретизированного образа искомого паттерна; N – количество дискрет (отсчетов) АИМ-сигнала;  – энергия исследуемого дискретизированного по времени (АИМ) сигнала; Fi – мгновенные значения амплитуд исследуемого входного АИМ-сигнала. По коэффициенту K определяется степень соответствия энергий образа искомого паттерна и временного окна входного исследуемого сигнала. Максимальному коэффициенту и соответствует искомая область в полном входном исследуемом сигнале.

Если рассматривать задачу в векторной области информационного пространства, то существует два вектора – вектор образа и вектор анализируемого паттерна. Таким образом, задача сводится к определению наименьшего расстояния между векторами образа и снимаемых данных, а также установлением границы, выше которой система будет считать сигнал идентифицированным. Второе правило необходимо для уменьшения числа сравнений и, как следствие, служи сокращению количества действий программы.

Программа идентификации по методу энергий реализована средствами LabView. Программа сканирует данные во временном бегущем относительно ряда измерений окне. В ходе сканирования определяется длина вектора энергии анализируемого паттерна. Полученное значение сравнивается с длиной вектора энергии эталонного паттерна, характеризуемого воздействием эталонного запаха на обонятельную луковицу крысы. Определяется минимальное векторное расстояние для каждого входного паттерна. На выходе формируется массив из коэффициентов, где индекс максимального значения коэффициента и соответствует искомому паттерну.

Недостатком метода сравнения энергий является тот факт, что невозможно записать в память ЭВМ уже готовые значения свойств сигналов, а необходимо содержать в памяти все элементы свойств дискретного сигнала образа. Если частота дискретизации сигнала достаточно высокая, то распознавание сигнала по энергии будет занимать значительное количество памяти ЭВМ.

Второй метод, фактически, основан на сравнении энергетических спектров входного паттерна и паттерна образа. Здесь наличествует возможность привести образ к конечному числу свойств, что уменьшает потребляемый объем памяти.Входные данные делятся на фреймы произвольной длины. Их длина не должна быть слишком короткой, иначе возможна неверная идентификация. Деление на фреймы выполняется с "нахлестом", т.е., если первый фрейм имеет длину от 0 до 100 дискреты, то следующий будет не от 101, а, например, от 50-й дискреты и до 150-й. Таким образом повышается вероятность верного распознавания и уменьшается погрешность идентификации. Далее каждый фрейм переносится в частотную область с помощью процедуры дискретного преобразования Фурье (FFT), после чего выбирается некоторый частотный диапазон, в котором находится искомый сигнал. Данный диапазон переносится в Mel-область, представляющую собой выделенный характерный частотный диапазон из общего частотного спектра сигнала [2].

Выбранная область делится на равные участки и, тем самым, определяются значения так называемых опорных точек. Полученные коэффициенты с помощью масштабирующего модуля согласуются с дискретным числом элементов каждого фрейма в частотной области. Например, если ширина спектра равна 16 КГц и при этом в него умещается 256 элементов, то на один элемент приходится 62,5 Гц. При делении полученных коэффициентов на это значение с округлением до целого получаются согласованные элементы будущего цифрового фильтра. Следующим этапом является синтез цифрового фильтра и наложение его на фрейм.

После наложения фильтра для сжатия результатов и повышения значимости первичных коэффициентов к сигналу применяется процедура дискретного косинусного преобразования второго типа (DCT2). Анализируемый паттерн преобразуется в последовательность кепстральных коэффициентов (рисунок 1).

 

Рисунок 1 – График Mel-кепстральных коэффициентов каждого фрейма

 

Данные коэффициенты можно вычислить единожды и хранить в памяти без необходимости повторных вычислений. Распознавание производится на основе поиска средних значений наименьших евклидовых расстояний между последовательностью кепстральных коэффициентов. Программа идентификации по методу Mel-кепстральных коэффициентов реализована средствами LabView.

Использование второго метода оказалось более эффективным. Так, вероятность правильной идентификации характерных паттернов электроэнцефалограммы по второму методу была близка к единице, тогда как по первому методу не превышала 0,8. Однако, метод отношений энергии проще в реализации, так как для получения кепстральных признаков сигнала необходимо провести ряд ресурсоемких математических операций.

Литература:

1.     Назимов А.И. и др. Распознавание осцилляторных паттернов на электроэнцефалограмме на основе адаптивного вейвлет-анализа // Вестник ТГУ. – 2013. – Т.18, № 4. – С. 1431-1434.

2.      Трофимов А. Г., Скругин В. И. Адаптивный классификатор многомерных нестационарных сигналов на основе анализа динамических паттернов // Наука и образование. – 2010. – № 8. http://technomag.edu.ru/doc/151934.html

3.     Сухов, А.Г., Бездудная, Т.Г., Медведев, Д.С.  Особенности посттетанической модификации синаптической передачи в таламо-кортикальном входе соматосенсорной коры крыс // Журнал Высшей нервной деятельности. – 2003. – Т. 53, № 5. – С. 622-632.