CC BY
75
Раздел II. Окружающая среда и здоровье людей
УДК 615.47:616-072.7
Р.П. Бондаренко, Н.П. Заграй, И.И. Кириченко АНАЛИЗ ТОНАЛЬНЫХ АУДИОГРАММ В СРЕДЕ LAB VIEW
Представлены результаты разработки системы статистического анализа данных тональных аудиограмм. Рассмотрена структурная схема системы статистического ана-
k-
средних для различных видов нарушений слуха. Описаны методы генерации нечетких правил и особенности кластерного анализа аудиограмм. Рассмотрены результаты применения k- . -можность применения виртуального прибора для исследования слуха в среде LabVIEW.
Аудиограмма; анализ данных; виртуальный прибор.
R.P. Bondarenko, N.P. Zagraj, I.I. Kirichenko
ANALYSIS VOICE-FREQUENCY AUDIOGRAM IN THE ENVIRONMENT
OF LABVIEW
In job results of application of algorithm of k-intragroup averages for the analysis voice-frequency audiogram are considered. The block diagram of system of the statistical analysis on the basis of definition of factor of correlation and algorithm of k-intragroup averages for various kinds of a hearing disorder is considered. Methods of generation of indistinct rules and feature кластерного the analysis audiogram are described. Results of application of algorithm of k-intragroup averages for the analysis voice-frequency audiogram are considered. Possibility of application of the virtual device for research of hearing in the environment of LabVIEW is shown.
Audiogram; the analysis of data; the virtual device.
В основу большинства концепций построения систем диагностики слуховой функции положены задачи автоматического анализа тональных аудиограмм с по-
[1, 2]. -, -грамм имитировать работу аудиологических приборов [3]. Проектируются приборы медицинской диагностики в области систем исследования слуха на базе решений фирмы National Instruments и приложений в среде LabVIEW [4]. Задача автоматического анализа результатов исследования слуха может рассматриваться как задача классификации объектов, заданных дискретными признаками. Классификация параметров пороговых потерь слуха с использованием количественных характеристик приводит к ошибкам в распознавании объектов, соответствующих на. [5] -
ние регрессионного анализа данных аудиограмм. Проведена оценка коэффициента корреляции для различных видов нарушений слуха. Анализ полученных в [5] результатов позволил сделать вывод о том, что оценка силы корреляционной связи содержит информацию об отклонении потерь воздушной проводимости от нормы и может быть использована как классификационный признак для анализа данных .
Методика корреляционного анализа тональных аудиограмм, рассмотренная в [5], и реализованная с помощью программы Mathcad, может быть реализована в среде LabVIEW.
На рис. 1 представлена блок-диаграмма виртуального прибора в среде Lab-VIEW, позволяющего проводить оценку корреляционной связи тональных аудио.
Рис. 1. Блок-диаграмма виртуального прибора для регрессионного анализа данных
аудиометрии
При проведении профилактических исследований на первом этапе обработки результатов тональной аудиометрии необходимо выделить два класса состояния слуховой функции человека: «норма» и «отклонение от нормы (нарушение слуха)» [5, 6]. В такой постановке анализ тональной аудиограммы можно рассматривать как задачу распознавания принадлежности объекта к одному из двух классов. При этом класс «отклонение от нормы (нарушение слуха)» может быть в дальнейших исследованиях разбит на дополнительные классы (например, «нарушение звукопроводимости», «нарушение звуковосприятия» и «смешанные потери слуха»).
На рис. 2 показано окно лицевой панели терминала в среде ЬаЬУШ"^ демонстрирующего возможность статистического анализа тональных аудиограмм.
Рис. 2. Окно лицевой панели терминала в среде ЬаЬУШШ
В последнее время неуклонно растет интерес к методам анализа в базах данных и обработки данных по результатам исследований функционального состояния биологических систем, разработке новых алгоритмов анализа данных [5, 6]. Процесс поиска правил включает несколько этапов [7]: накопление данных, обобщение и преобразование данных, поиск закономерностей в данных, оценка, обобщение и структурирование найденных закономерностей. Обобщение данных и преобразование некоторых их совокупностей в форму нечетких множеств осуществить переход от отдельных числовых значений, характеризующих свойства объекта или системы, к интервалам, каждое значение которого определяется нечеткой степенью его принадлежности некоторому свойству.
Методы генерации нечетких правил основаны на двух подходах. Первый подход базируется на построении посылок правил в зависимости от функций принадлежности лингвистических значений атрибутов. Второй подход основан на кластеризации исходного множества обучающих примеров.
Для определения центров кластеров можно использовать любой алгоритм кластерного анализа. Для повышения точности вычислений применим алгоритм к.
нечетких правил состоит в определении формальных описаний лингвистических меток [7]. Имеется база данных, в которой собраны факты, относительно результатов исследования потерь слуха по воздушной и костной проводимости. Предполагается, что возможны два состояния системы слуха, в зависимости от значений : ( ).
численные факты в лингвистические оценки атрибутов с целью построения базы правил по классификации состояния системы слуха. Исходя из условий задачи, число кластеров k = 2.
В качестве примера используем результаты исследования потерь слуха, соответствующие диагнозу гипертоническая болезнь, представленные на аудиограмме [2].
На рис. 3 показана блок-диаграмма виртуального прибора, позволяющего реализовать алгоритм k-внутригрупповых средних в среде Lab VIEW.
Рис. 3. Блок-дии?раима виртуального прибора, реализующего алгоритм k-внутригрупповых средних
Наличие в рассматриваемой совокупности областей неоднозначности означа-
,
принадлежности к классам «норма» и «отклонение от нормы (нарушение слуха)». В этом случае результаты тональной аудиометрии не позволяют сделать окончательный вывод о состоянии системы слуха и необходимо проведение дополни. -ние ограниченность базы данных, записи которой рассматривались как обучающие .
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Бондаренко Р.П., Кириченко И.И. Биотехническая система комиьютериого анализа данных аудиометрии аудиограмм // Известия ЮФУ. Технические науки. - 2009. - № 7 (96).
- С. 29-34.
2. . ., . ., . . -ки аудиограмм // Известия ЮФУ. Технические науки. - 2008. - № 5 (82). - С. 157-159.
3. . ., . .
преобразованием речевого сигнала // Известия ТРТУ. - 2006. - № 11 (66). - С.160-161.
4. . ., . ., . .
решений фирмы National Instruments. Образовательные, научные и инженерные приложения в среде LabVIEW и технологии National Instruments: Сборник трудов // Международная научно-практическая конференция. - М.: Изд-во РУДН, 2005. - С. 122-127.
5. . ., . ., . . -
лиза данных в аудиометрии // Известия ЮФУ. Технические науки. - 2010. - № 9 (110).
- С. 199-200.
6. . ., . ., . ., . . -
// . . - 2009.
- № 10 (99). - С. 239-241.
7. . ., . ., . .
/ -темы. - Таганрог: ТРТУ, 2004. - № 4. - С. 11-24.
Статью рекомендовал к опубликованию д.т.н. С Л. Тарасов.
Бондаренко Роман Павлович
Технологический институт федерального государственного автономного образовательного учреждения высшего профессионального образования «Южный федеральный университет» в г. Таганроге.
E-mail bondarenkorp@gmail.com.
347928, г. Таганрог, пер. Некрасовский, 44.
Тел.: 88634371795.
Кафедра электрогидроакустической и медицинской техники; аспирант.
Заграй Николай Петрович
E-mail znp@tsure.ru.
Кафедра электрогидроакустической и медицинской техники; д.т.н.; профессор.
Кириченко Инна Игоревна
E-mail igork@fep.tsure.ru.
Кафедра электрогидроакустической и медицинской техники; студентка.
Bondarenko Roman Pavlovich
Taganrog Institute of Technology - Federal State-Owned Autonomous Educational Establishment of Higher Vocational Education “Southern Federal University”.
E-mail bondarenkorp@gmail.com.
44, Nekrasovsky, Taganrog, 347928, Russia.
Phone: +78634371795.
The Department of Hydroacoustics and Medical Engineering; Post-graduate Student.
Zagraj Nikolay Petrovich
E-mail znp@tsure.ru.
The Department of Hydroacoustics and Medical Engineering; Professor.
Kirichenko Inna Igorevna
E-mail igork@fep.tsure.ru.
The Department of Hydroacoustics and Medical Engineering; Student.
УДК 621.37.037+681.3.06
Е.Ю. Вайсов, И.И. Турулин
АЛГОРИТМ ОПРЕДЕЛЕНИЯ МОМЕНТОВ НАЧАЛА И ОКОНЧАНИЯ МИОСИГНАЛОВ МЫШЕЧНЫХ СОКРАЩЕНИЙ
Рассматривается алгоритм определения времени начала и окончания миоэлектриче-ского сигнала жевательных мышц для последующего сравнения амплитуд таких сигналов от разных жевательных мышц с целью подтверждения равномерной нагрузки на зубы и/или протезы при жевании. Приведена структурная схема алгоритма, а так же описаны . -,
и диагностики состояния человека, обладает высокой вероятность обнаружения сигнала и малой вероятностью обнаружения ложного сигнала. Алгоритм отличается высокой надежностью (высокой вероятностью правильного обнаружения и малой вероятностью неправильного) и точностью.
Цифровая обработка сигналов; электромиосигнал.
E.U. Vaysov, I.I. Turulin THE ALGORITHM FOR DETERMINING THE START AND END POINTS MIOSIGNAL MUSCLE CONTRACTION
This article describes an algorithm _ for determining the beginning and end of the chewing muscles electromiographic signal for comparing the amplitudes of signals from different masticatory muscles in order to confirm uniform load on the teeth and / or dentures during chewing. Shows the block diagram of the algorithm, as well as describes the components of the algorithm. Considered IMS is designed to control the quality of dental prosthetics, and can be used for other tasks of monitoring and diagnosis of the human condition, has a high probability of signal detection and low probability of detecting a false signal. The algorithm is highly reliable (a high probability of correct detection and low probability of wrong) and accuracy.
Digital signal processing; electromiographic signal.
Информационно-измерительные системы (ИИС) медицинского назначения широко применяются как для диагностики различных видов патологий, так и для оценки психофизиологического состояния здорового человека.
Применение дешевых персональных компьютеров в ИИС позволяет удешевить разработку и повысить ее качество. Аналоговая часть в этом случае вырождается в многоканальный высококачественный усилитель, подключенный к коммутатору и - ( ). -ки информации строится на языке высокого уровня. В случае высокой вычислительной сложности алгоритмов можно применять библиотеки цифровой обработки сигналов (ЦОС), например, Intel SPL, однако на практике стараются обойтись без них для снижения стоимости ИИС и улучшения переносимости программной части на различные аппаратные конфигурации и операционные системы.
