Моделювання та методи ефективного опрацювання циклічних сигналів в нейроінтерфейсних та кардіодіагностичних системах

Abstract

Буцій Р. А. "Моделювання та методи ефективного опрацювання циклічних сигналів в нейроінтерфейсних та кардіодіагностичних системах". – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 113 "Прикладна математика". – Інститут телекомунікацій і глобального інформаційного простору НАН України, Київ, 2024. Зміст анотації. Дисертація присвячена розробці та аналізу нових математичних моделей та методів опрацювання циклічних біомедичних сигналів, перш за все, сигналів електроенцефалографії (ЕЕГ) та електрокардіографії (ЕКГ). Значна увага приділяється вдосконаленню методів цифрового опрацювання циклічних біомедичних сигналів, що сприяє підвищенню точності та зниженню часової обчислювальної складності опрацювання ЕЕГ сигналів в кардіо-діагностичних системах, системах біометричної аутентифікації особи та опрацювання ЕЕГ сигналів в неінвазивних нейроінтерфейсних системах. Одним із основних результатів дисертації є розробка нової математичної моделі векторної ЕЕГ, зареєстрованої в умовах багатократного повторення ментального керуючого впливу оператора нейроінтерфейсу, у вигляді вектора циклічних ритмічно пов'язаних випадкових процесів, яка має більший теоретичний та практичний потенціал у порівнянні з відомими моделями ЕЕГ сигналів. Ця модель враховує циклічність і стохастичність синхронно зареєстрованих біосигналів, змінність та спільність їх ритму, надаючи нові можливості для підвищення точності, інформативності методів статистичного цифрового опрацювання ЕЕГ в сучасних неінвазивних нейроінтерфейсних системах. Важливість цієї моделі для нейроінтерфейсних систем полягає у вдосконаленні методів ритмоадаптивного статистичного опрацювання ЕЕГ сигналів та алгоритмів ідентифікації (детекції) ментальних керуючих впливів оператора нейроінтерфейсної системи, що значно підвищує ефективність взаємодії між людиною та комп'ютером. Значна частина дисертаційного дослідження присвячена розробці ефективних методів ритмоадаптивного опрацювання ЕКГ сигналів в системах медичної діагностики та біометричної аутентифікації особи на основі математичної моделі ЕКГ сигналів у вигляді циклічного випадкового процесу. Розроблені методи та алгоритми забезпечують високу точність та низьку обчислювальну складність алгоритмів медичної діагностики та біометричної аутентифікації за ЕКГ сигналами. Дисертація також включає розробку програмного забезпечення на мові Python, яке реалізує вищезгадану математичну модель. Це програмне забезпечення дозволяє автоматизувати опрацюваня, аналіз та класифікацію ЕЕГ та ЕКГ сигналів. У вступі обґрунтовано актуальність дослідження, наведено зв'язок роботи з науково-дослідною темою, поставлено мету та визначено завдання дослідження, об'єкт та предмет дослідження, наведено перелік методів дослідження, що застосовувались для досягнення мети дисертаційної роботи. Сформульовано наукову новизну, практичне значення отриманих результатів та особистий творчий внесок здобувача. Подано відомості щодо апробації та опублікування результатів дослідження. У першому розділі проведено аналіз сучасних технологій аналізу біосигналів, які є критично важливими для розуміння фізіологічних процесів у живих організмах. Основну увагу приділено циклічним біосигналам, таким як ЕКГ і ЕЕГ, які відіграють ключову роль у медичній діагностиці, біометричній аутентифікації особи та у неінвазивних нейроінтерфейсних системах. Розглянуто напрями покращення методів збору біомедичних даних, що включають носимі технології та технології дистанційного моніторингу, які сприяють більшій зручності та точності в аналізі циклічних біосигналів. Також акцентується увага на використанні цих сигналів для потреб біометричної аутентифікації особи за ЕКГ сигналами. Досліджено відомі математичні моделі та методи аналізу циклічних біосигналів, які включають ЕЕГ та ЕКГ. Значна увага приділяється питанню адекватності та точності цих математичних моделей у задачах медичної діагностики, біометричної аутентифікації та детекції менальних керуючих імпульсів оператора нейроінтерфейсної системи. Розглядаються як стохастичні, так і детерміновані підходи до моделювання циклічних біомедичних сигналів, а також їхнє застосування в клінічних та дослідницьких цілях, з особливим акцентом на розвиток програмного забезпечення для імплементації цих моделей. Також у розділі проведено порівняльний аналіз відомих математичних моделей ЕКГ та ЕЕГ. Основна увага приділяється напрямам підвищення адекватності моделей та ефективності методів статистичного опрацювання ЕКГ та ЕЕГ в системах медичної діагностики, біометричної аутентифікації особи та в неінвазивних нейроінтерфейсних системах. У другому розділі розглянуто визначальні для математичного моделювання властивості векторної ЕЕГ. Встановлюється потреба у багатоциклових дослідженнях для навчання нейроінтерфейсних систем з ціллю ефективного виявлення ментальних впливів, а також залучення статистичних методів для моделювання циклічної структури векторної ЕЕГ. Детально розглядається процедура побудови вектора циклічних ритмічно пов'язаних випадкових процесів, який описує векторний ЕЕГ за умови багаторазового повторення ментальних керуючих впливів оператора нейроінтерфейсу. Описується методологія опрацювання ЕЕГ, яка має засоби ритмоадаптації та забезпечує точне відтворення часових інтервалів між циклами ЕЕГ, що має важливе значення для врахування повторюваності та мінливості ЕЕГ сигналів в методах їх ефективного опрацювання. Наведено ритмоадаптивні статистичні методи для оцінювання ймовірнісних характеристик ЕЕГ, що дозволило точніше досліджувати ймовірнісну структуру векторної ЕЕГ у системах інтерфейс мозок-комп'ютер. У третьому розділі дисертаційної роботи розглянуто ключові етапи опрацювання ЕЕГ сигналів у нейроінтерфейсних системах, що включають у себе реєстрацію ЕЕГ сигналів за допомогою платформи OpenBCI, їх попереднє опрацювання, статистичний аналіз на основі нової математичної моделі векторної ЕЕГ та класифікацію. На етапі попереднього опрацювання ЕЕГ сигналів здійснюється їх фільтрація для видалення шумів і зовнішніх артефактів, що підвищує якість даних для наступних етапів аналізу. Показано, що використання нових статистичних методів та алгоритмів дає змогу з високою точністю оцінити ймовірнісні характеристики ЕЕГ сигналів, що є критично важливим для ефективної класифікації ментального керуючого впливу оператора нейроінтерфейсу. У розділі описано розроблене програмне забезпечення на базі Python із застосуванням бібліотек таких як Pandas, Numpy, Scipy, Sklearn та Matplotlib, що надає зручні інструменти для автоматизованого опрацювання, аналізу та візуалізації ЕЕГ даних. Описано експериментальну частину дослідження, що включає детальну перевірку розробленої математичної моделі та аналіз ефективності нейроінтерфейсних систем у залежності від наявності чи відсутності досвіду та тренувань операторів нейроінтерфейсної системи. Завершується розділ дискусією про результати класифікації, де порівнюються різні методики і підходи до опрацювання ЕЕГ сигналів, з особливим акцентом на їх спектральному аналізі, який виявився особливо ефективним для ідентифікації ментальних команд. Висвітлено ключові ідеї та потенціал подальших досліджень у даній області, що відкриває шлях для удосконалення неівазивних нейроінтерфейсних систем. У четвертому розділі досліджуються методи статистичного ритмоадаптивного опрацювання електроенцефалографічних (ЕКГ) та сейсмокардіографічних (СКГ) сигналів в задачах медичної діагностики та біометричної аутентифікації особи. У розділі основну увагу зосереджено на аналізі характеристик ЕКГ та СКГ сигналів на основі ритмоадаптивних статистичних оцінок їх моментних функцій. Продемонстровано високу ефективність біометричної аутентифікації особи за її ЕКГ сигналами на основі розробленого у дисертації методу, демонструючи зв'язок між біометричними даними та потенціалом їх використання в безпекових системах. Обговорюються етапи опрацювання ЕКГ сигналів, включаючи їх реєстрацію, сегментацію, нормалізацію, а також класифікацію. Представлено порівняльний аналіз різних класифікаторів на основі їхньої ефективності у біометричній аутентифікації осіб з бази даних Combined Measurement of Electrocardiograms, Breathing, and Seismocardiograms. Демонструється, як статистичні характеристики і час опрацювання сигналів впливають на вибір класифікаторів, враховуючи потреби швидкості та точності в сучасних системах безпеки. Продемонтровано ефективність розробленого у дисертації підходу до опрацювання ЕКГ сигналів на прикладі вирішення актуального завдання автоматизованої діагностики аритмії у пацієнтів. Досліджено основні характеристики ефективності та часова обчислювальна складність алгоритмів для навчання та тестування класифікаторів у системах медичної діагностик аритмій за ЕКГ.