CC BY
6
Таблица 2
Компонентный состав циркулирующего ВСГ после абсорбера К-3
Показатель качества Ед.изм. Значение
Азот % об. 18,84
Водород % об. 66,4
Изобутан % об. 3,16
Изопентан % об. 2,74
Метан % об. 0,28
Н-бутан % об. 2,87
Н-пентан % об. 1,25
Пропан % об. 2,07
Объёмная доля сероводорода (ГОСТ 22387.2-2021) % об. 0,27
Заключение
Данный способ оптимизации работы отпарной колонны установки гидроочистки дизельного топлива Г-24/1 позволяет снизить содержание воды в товарном продукте, снизить количество кислой воды. Также выведя блок колонн вакуумной осушки К-2/1,2,3 из технологической схемы установки, возможно будет сократить расходы на экспертизу промышленной безопасности, ревизию, ремонт и текущее обслуживание оборудования, что снизит капитальные и эксплуатационные затраты.
Список использованной литературы:
1. Гидроочистка. Блок осушки гидрогенизата/ Н.С. Нигметзянов [и др.]// Вестник технологического университета. 2017. Т.20. №19. С. 60-63.
2. Иванова Л.С., Илалдинов И.З. Проектирование установки гидроочистки дизельного топлива//Вестник Казанского Технологического университета. 2013. С.229-230.
3. Матюшонок Н.А. Сокращение потребления электроэнергии путем оптимизации схемы подачи регенерированного раствора амина//Вестник магистратуры.2019.№3-2. С.48-50.
© Золотухина А.А., 2023
УДК 004.021
Иванов К.О.
к.т.н., доцент ПГТУ,
г. Йошкар-Ола, РФ
АЛГОРИТМ СЕГМЕНТАЦИИ ЭЛЕКТРОЭНЦЕФАЛОГРАММЫ С ПОМОЩЬЮ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ
Аннотация
В статье показано, что необходимым условием классификации волн ЭЭГ, является предварительно проведенная процедура сегментации. Под волной ЭЭГ понимается ее участок, ограниченный точками глобально-локального минимума. Для определения границ между волнами ЭЭГ предложено использовать сверточную нейронную сеть, на базе архитектуры U-Net.
Ключевые слова:
Глубокое обучение, машинное обучение, нейронные сети, сверточная нейронная сеть,
сегментация электроэнцефалограммы
Ivanov K.O.
PhD in Teknik's, Associate Professor
VSTU, Yoshkar-Ola, RF
ALGORITHM FOR ELECTROENCEPHALOGRAM SEGMENTATION USING CONVOLUTIONAL NEURAL NETWORK
Abstract
The article shows that a necessary condition for classifying EEG waves is a preliminary segmentation procedure. An EEG wave is understood as its section limited by the points of global-local minimum. To determine the boundaries between EEG waves, it is proposed to use a convolutional neural network based on the U-Net architecture.
Keywords
Convolutional neural network, deep learning, electroencephalogram segmentation,
machine learning, neural networks
Введение. Обязательными условиями клинического заключения по ЭЭГ являются описательная характеристика ее активности и интепретативная характеристика ритмов, содержащихся в ЭЭГ [1]. Чтобы снизить уровень субъективности полученных характеристик, последние должны быть получены аналитическим путем по содержащимся в ЭЭГ количественным данным. Таким требованиям полностью соответствуют результаты спектрального анализа ЭЭГ в диапазонах 8, в, G,, ß и у ритмов, полученные
при помощи стандартного математического обеспечения [2]. Следует отметить, что вычисления спектральных и корреляционных характеристик дискретных последовательностей по своему характеру являются операциями взвешенного суммирования компонент ЭЭГ с выхода электроэнцефалографа, т.е. представляют собой результат усреднения всех ее компонент. В свою очередь, в основе получения количественных активности необходимо использование «точечных» методов анализа, в результате которых отдельная волна (импульс) по характеру своей формы, значениям длительности, размаха должна обоснованно отнесена к одному из видов биоэлектрической активности, например элементом «плоской волны», высокочастотной асинхронной низкоамплитудной активности, «острой волны» и др.
Как было отмечено ранее, необходимым условием для подобной классификации импульса (волны) ЭЭГ должна быть предварительно проведенная процедура сегментации.
Сегментация ЭЭГ с помощью сверточных нейронных сетей. В данной работе на основе верифицированных баз данных ЭЭГ, расположенных в открытом доступе в сети интернет была сформированная новая обучающая база данных, включающая 1500 фрагментов ЭЭГ, длительностью 0,5 секунды. Частота дискретизации сигналов равна 500 Гц [3, 4]. Фрагменты ЭЭГ включают основные элементы электроэнцефалограммы, такие как альфа-волна, бета-волна, гамма-волна, дельта-волна, тета-волна, спайк, пик, спайк-медленная волна. Для казанных фрагментов ЭЭГ вручную были определены границы волн, соответствующие точкам глобально-локального минимума сигнала. Далее для автоматической сегментации волн ЭЭГ была обучена сверточная нейроная сеть, на базе архитектуры U-Net.
Сети U-Net используются прежде всего для задач сегментации изображений, и они также могут использоваться для сегментации сигналов, таких как аудио или временные ряды [5]. Архитектура U-Net была изначально предложена для сегментации медицинских изображений, но ее применение расширилось на другие области. Применение U-Net к задаче сегментации сигналов требует некоторых изменений в архитектуре, чтобы учесть специфику данных. В частности, для решения задачи сегментации ЭЭГ, сверточные слои нейронной сети были адаптированы для работы с одномерными тензорами.
Размерность карты признаков между тензорными слоями была равна единице, а в качестве функции ошибки нейронной сети использовалось расстояние Евклида от найденной с помощью нейронной сети границы между волнами ЭЭГ и эталонным положением этой границе, определенной вручную.
Для обучения нейронной сети данные были разделены на обучающую и проверочную выборки. Для обучения использовалось 1200 фрагментов ЭЭГ, а для проверки 300. Переобучение нейронной сети наступало в районе 80 эпохи. В итоге ошибка определения положений границ между волнами ЭЭГ не превышала 0,01 секунды.
Заключение. Одной из актуальных задач в современной нейрофизиологии является установление законов связи значений и формы наблюдаемых в электроэнцефалограммах электрических потенциалов с различными аспектами работы головного мозга. В отличие от известных методов спектрального и корреляционного анализов, основанных на усреднении отсчетов такого статистически неоднородного сигнала, в данной работе предложен подход на основе анализа каждого отдельного колебания. Необходимым условием для реализации подобной структуры анализа сигнала является его предварительная сегментация. Одним из подходов к сегментации ЭЭГ является использование сверточных нейронных сетей. В данной работе показана возможность использования данного подхода на практике, поскольку погрешность определения границ между волнами ЭЭГ с помощью сверточной нейронной сети не превышала 0.01 секунды. Список использованной литературы:
1. Кулаичев, А. П. Компьютерная электрофизиология / А.П. Кулаичев. - М.: Изд-во Моск. ун-та, 2002. - 640 с.
2. Цыган, В.Н. Электроэнцефалография / В.Н Цыган, М.М Богословский, А.В. Миролюбов; под. ред. М.М Дьяконова - СПб.: Наука, 2008. - 192 с.
3. The TUH EEG Corpus [Электронный ре-сурс] // A rich archive of over 30,000 clinical EEG recordings collected at Temple University Hospital (TUH) from 2002 - present. URL: https://isip.piconepress.com/ projects/tuh_eeg/ downloads/tuh_eeg/ (дата обращения: 11.11.2023).
4. Siena Scalp EEG Database [Электронный ресурс] // Detti, P. (2020). Siena Scalp EEG Database (version 1.0.0). PhysioNet. https://doi.org/10.13026/5d4a-j060. URL: https://physionet.org/content/siena-scalp-eeg/1.0.0/ (дата обращения: 28.11.2022).
5. Ronneberger, O., Fischer, P., Brox, T. U-Net: Convolutional Networks for Biomedical Image Segmentation // 18th International Conference Medical Image Computing and Computer-Assisted Intervention. MICCAI. 2015. Munich, Germany. PP. 234-241.
© Иванов К.О., 2023
УДК 62
Куллыева О., преподаватель. Глыджева Ч., преподаватель. Батырова М., студентка. Хатджиева Э., студентка.
Институт инженерно-технических и транспортных коммуникаций Туркменистана.
Ашхабад, Туркменистан.
В ИНФОРМАТИКЕ СВОЙСТВА КОМПЬЮТЕРОВ И ИХ РЕАЛИЗАЦИЯ
Аннотация
Чтобы включить компьютер, необходимо подключить его к источнику питания. После подключения
