Технические науки/6.Электротехника и радиоэлектроника

Д.т.н. Щербань И.В., аспирант Красников С.О., студент Черноусова Н.С.

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

О РЕШЕНИИ ЗАДАЧИ ИДЕНТИФИКАЦИИ ПАТТЕРНОВ

БИОЭЛЕКТРИЧЕСКОЙ АКТИВНОСТИ КРЫСЫ

Известно, что крысы обладают высокой обонятельной чувствительностью. Поэтому предполагается [1,2], что факты предъявления разных запахов должны находить отражение в ответных сигналах биоэлектрической активности, снимаемых с обонятельного нерва крысы, в виде изменения временных и частотных характеристик этих сигналов. Основной проблемой в данном случае является проблема обнаружения и идентификации паттернов, соответствующих разным обонятельным раздражителям, в составе сигнала биоэлектрической активности. Для решения задачи 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 и – факторы соответствия исследуемого сигнала и образа искомого паттерна; – энергия дискретизированного (АИМ - амплитудно-импульсно модулированного) образа искомого паттерна; S_i – мгновенные значения амплитуд дискретизированного образа искомого паттерна; N – количество дискрет (отсчетов) АИМ-сигнала; – энергия исследуемого дискретизированного по времени (АИМ) сигнала; F_i – мгновенные значения амплитуд исследуемого входного АИМ-сигнала; . По коэффициенту K определяется степень соответствия энергий образа искомого паттерна и временного окна 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.

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. 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, после чего выбирается некоторый частотный диапазон, в котором находится искомый сигнал [3].

Выбранный частотный диапазон 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. Анализируемый паттерн преобразуется в последовательность кепстральных коэффициентов. 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.

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.

Рис. 3

Литература:

1. Zhuang L., e.t.c. Detection and classification of natural odors with an in vivo bioelectronic nose // Biosensors and Bioelectronics, 2015, Vol. 67, с. 694-699.

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

3. А. Г. Трофимов, В. И. Скругин Адаптивный классификатор многомерных нестационарных сигналов на основе анализа динамических паттернов // Наука и образование, 2010, №8.