ВИДіЛЕННЯ САМОПОДіБНИХ СТРУКТУР МОВНИХ СИГНАЛіВ В ЗАДАЧАХ іДЕНТИФіКАЦії ДИКТОРА Текст научной статьи по специальности «Компьютерные и информационные науки»

7. Глуховский, В. С. Разработка научных основ технологии выращивания сахарной свеклы без затрат ручного труда на формировании густоты насаждения [Текст]: автореф. дис. ... д-ра сельхоз. наук / В. С. Глуховский. - К., 1982. - 42 с.

8. Шевелев, В. М. Исследование процесса прикатывания почвы при посеве сельскохозяйственных культур [Текст]: автореф. дис. ... канд. техн. наук / В. М. Шевелев; Кишиневский СХИ. - Кишинёв, 1969. - 25 с.

9. Baker, C. J. No-tillage Seeding in Conservation Agriculture [Text] / C. J. Baker, K. E. Saxton, W. R. Ritchie, W. C. T. Chamen, D. C. Reicosky et. al.; C. J. Baker, K. E. Saxton (Eds.). - Wallingford: CAB International, 2006. - 341 p.

10. Uppenkamp, N. Einflub verschiedener nachlaufender Druckrollen von Einzelkornsägeräten auf die Rückverfestingung in der Saatfurche [Text] / N. Uppenkamp, W. Brinkmann // Die Zuckerrübe. - 1985. - Vol. 4. - P. 180-183.

11. Radamacher, Th. Wie betten und zudecken? Zur Arbeitsgualität von Zuckerrüben - Einzelkornsägezäten [Text] / Th. Radamacher // Landtechnik. - 1988. - Vol. 44, Issue 4. - P. 192-195.

12. Röper, W. Mulchsaat bei Zuckerrüben - Probleme und Erfahrungen [Text] / W. Röper, M. Sommer // Die Zuckerrübe. -1985. - Vol. 6. - P. 270-275.

13. Деграф, Г. А. Некоторые результаты исследований напряжений в почве [Текст] / Г. А. Деграф // Вестник сельскохозяйственной науки. - 1966. - № 10. - С. 87-89.

14. Набатян, М. П. Методика оценки бороздообразования [Текст] / М. П. Набатян, Д. В. Пологих. - М.: ВИМ, 1971. - 40 с.

Рекомендовано до публгкацИ д-р техн. наук, професор Сало В. М.

Дата надходження рукопису 11.05.2017

Артеменко Дмитро Юршович, кандидат техшчних наук, доцент, кафедра альськогосподарського ма-шинобудування, Центральноукрашський нацюнальний техшчний ушверситет, пр. Ушверситетський, 8, м. Кропивницький, Укра!на, 25006

Натоящий Владислав Анатолшович, кандидат техшчних наук, доцент, кафедра будiвельних, дорожшх машин та будiвництва, Центральноукрашський нацюнальний техшчний ушверситет, пр. Ушверситетський, 8, м. Кропивницький, Укра1на, 25006

УДК 004.89, 004.93

Б01: 10.15587/2313-8416.2017.101098

ВИД1ЛЕННЯ САМОПОД1БНИХ СТРУКТУР МОВНИХ СИГНАЛ1В В ЗАДАЧАХ 1ДЕНТИФ1КАЦП ДИКТОРА

© Я. А. Белозьорова

Досл1джена задача видтення ¡дентифгкацшних ознак диктора у виглядг параметргв частоти основного тону I розпгзнавання диктора на основI кратномасштабного та фрактального перетворення. Запропо-новано тдх1д видтення уткальних для особистостг самоподгбних структур I розробленг методики об-робки голосового сигналу дозволяють використовувати ¡х для побудови систем розпгзнавання мовних го-лосових сигналгв, для створення ттелектуальних систем взаемодИ користувача й комп'ютера Ключовi слова: мовний сигнал, самопод1бн1 структури, фрактальна розмгртсть, сегментацгя мови, розпгзнавання диктора

1. Вступ

Задача розтзнавання диктора та створення ал-горшшв видшення характеристик мовного сигналу е важливою складовою процесу взаемодп людини та програмно-апаратних систем в частиш отримання персошфжованого доступу до ресурав цих систем. Дослщження в обласп автоматичного розтзнавання голосу диктора протягом останшх десяти рошв приз-вело до створення досить ефективних системи розтзнавання [1]. 1снують рiзнi тдходи до практично! ре-алiзацii системи розтзнавання голосу диктора. Од-нак, до тепершнього часу немае достатньо точно! фь зично! модел^ що описуе iндивiдуальнi характеристики голосу.

2. Лггературний огляд

Дослвдженню мовного апарата, роздшенню мовного сигналу та алгоршадв щентификацп диктора присвячена значна шльшсть наукових робгг. Рант

дослвдження базувалися, в основному, на статистич-ному пiдходi з використанням прихованих маршвсь-ких ланцюгiв [2], критерш максимально! правдопо-дiбностi та нейронних мережах [3].

Основним результатом проведених досль джень технологii iдентифiкацii' голосу е висновок, що щентифжащя диктора за голосом не може бути виконана за принципами аналопчним кримшалюти-чним дослщженням при дактилоскопi! i аналiзi ДНК, де варiативна складова дослiдження дуже невелика, i в даний час не юнуе абсолютно надiйного методу визначення приналежносп мовних сигналiв конкретнiй людинi [4]. Так в кримшалютичних задачах розтзнавання диктора може мати тшьки iмо-вiрнiсний характер iз зазначенням правдоподiбностi того, що два мовних сигналу належать конкретному диктору. Результати дослщжень показують, що величина вибiрки голосового сигналу для аналiзу в бь льшостi реальних задач настшьки незначна, що вi-

ропдшсть такого дослiдження е низькою i прийнят-тя однозначного ршення з ймовiрнiсноi точки зору е неможливим [5].

Для опису локальних особливостей неоднорь дних сигналiв i зниження рiвня шуму останнш час ефективно використаеться вейвлет-перетворення. Дослщження показали високу стабiльнiсть спектра-льних коефщенпв, що дозволяе проводити оцшку параметрiв мови в частотнiй обласп з бiльш високим ступенем достовiрностi [6]. Таким чином, можна зро-бити висновок, що використання вейвлепв та крат-номасштабного аналiзу може значно розширити ал-горитмiчну i методичну базу для створення шформа-цiйних технологiй обробки i аналiзу мовних голосо-вих сигналiв.

3. Мета та задачi досл1дження

Мета дослщження - визначення параметрiв, описуючих акустичш характеристики мови особис-тосл на основi кратномасштабного аналiзу та шварь антних до iнтенсивностi сигналу.

Мобннн сигнал

Рис.

Блок попередньоi' обробки сигналу, що вщби-вае роботу барабанноi перетинки, молоточка та кова-дла, виконуе функцii ф№траци шуму мовного сигналу, що поступае на його вхiд.

Сегмент, що реалзуе роботу равлика вуха, пред-ставляеться двома взаемозв'язаними блоками: блоком фрактального аналзу та блоком кратномасштабного аналзу. Блок фрактального аналiзу вiдбивае дiю равлика вуха, що сам по собi представляе собою фрактальну самоподiбну структуру, яке виконуе сегментацш сигналу, вокалiзованi сегменти та паузи. Блок кратномасштабного аналiзу реалiзуе пошук самоподабних структур з метою ущiльнення шформаци в сигналi та визначення основних особливостей голосу диктора.

Блок сприйняття вiдбивае дiю слухових ней-рошв, з'еднаних з волосковими клiтинами базилярноi мембрани вуха. Вона враховуе таш слуховi ефекти, як однонапiвперiодне випрямлення i регулювання ш-дсилення.

Розглянемо математичне представления основних блошв, що виконують обробку мовного сигналу МС. Визначимо принципи необхiдностi використання фрактального аналiзу при дослщженш МС.

Згiдно з теоремою вкладення [7] вектор

Х(п) = ^(п)Мп+Тв),..^(п+(Ов -1)ТД)], (1)

складений iз зразкiв вихвдного сигналу i сповшьню-еться кратно постiйноi затримцi за часом Тв визна-

Для досягнення мети були поставлен наступнi

задачi:

- провести аналiз слухово1' системи людини та визначити характеристики мовного сигналу (МС), яш збериаються при будь-якому перетвореннц

- на базi методiв вейвлет-аналiзу розробити алгоритм видiления самоподiбних структур в мовних сигналах, що можуть бути використаш в якостi уш-кальних елементiв при iдентифiкацii диктора.

4. Модель слуховоТ системи людини, щенти-ф1кац1йм1 ознаки диктора, математичш принципи виявлення ознак диктора в мовному сигмалi (МС)

4. 1. Узагальнена модель слуховоТ системи людини

Враховуючи притаманну слуховiй системi людини властивють розпiзнавати голоси, в якосл моделi потенцшно1' системи для розтзнавання голосу розро-блено модель слухово1' системи переачно1' людини.

Структурну схему узагальнено1' моделi слухо-во! системи людини зображено на рис. 1.

3. CiyxoBi сенсор и (блок сприйняття)

I системи

чае рух в реконструйованому БЕ - вимiрному прос-торi, який подiляе стльт аспекти з вихiдною фазою -простором У(п) . Зокрема, iнварiантнi величини допустимо!' динамiчноi системи, таю як фрактальш розмь рносп з У(п) зберiгаються в реконструйованому про-сторi тобто простежуеться в Х(п) . Таким чином, ви-вчаючи конструктивну динамiчну систему

Х(п) ^ Х(п + 1),

можемо розкрити корисну iнформацiю про складности якi пов'язанi з цими iнварiантними величинами про оригiнал невщомо1' динамiчноi системи

У(п) ^ У(п + \).

Вказане можливо за умови, що розкриття динамiки успiшно, наприклад, розмiрнiсть вкладення БЕ до-сить велика.

Однак, теорема вкладення не вказуе методи визначення необхщних параметрiв (Тв, Ое), але тiльки встановлюе обмеження на !х значення. Наприклад, Бе повинно бути б№ше, нiж у два рази ввд вь кна пiдрахунку розмiрностi багатовимiрного набору.

Меншi значення Тв дають бiльш скорельованi значення, нiж повинш бути у послiдовних елементiв.

1. Структурна схема узагальнено! моделi

Навпаки, чим бiльше Тв , тим бшьше випадковою буде послщовшсть елементiв i будь-який iснуючий рашше порядок зникне. Середне взаемно! шформаци I для сигналу •(п), оцшюеться як

опису е застосування методiв апроксимацiï, заснова-них на базиснш декомпозицiï:

fj (t)=S cJjn (t ),

(6)

I(T) = N^P(s(n),s(n+T)) ■ log2

P(s(n),s(n+T)) P(s(n)) ■ P (s(n + T))

(2) де f e iL (R), Фр - базиснi функцiï простору iL (R).

де Р(•) функцiя щiльностi ймовiрностi оцiнена з пс-тограми ••(п) . 1(Т) е мiрою нелшшно! кореляцп мiж парами зразк1в сегмента сигналу, яш вiддiляються на Т позицп один вiд одного. Тод^ часова затримка Тв визначаеться

Для створення моделей, що адаптуються до структури сигналу, запропоновано використовувати нелiнiйнi схеми апроксимацп. У цьому випадку на-ближення / виконуеться М векторами, залежними вiд структури сигналу:

fM

(7)

Tn = min largmin I (T)>

D (. T >s 0 )

(3)

Таким чином, найважлившим елементом е оцiнка фрактально! розмiрностi фрагментiв голосового сигналу, яка збертае основнi його характеристики при будь-якому перетвореннi.

4.2. Iдентифiкацiйнi ознаки диктора, мате-матичм1 принципи виявлення ознак диктора в мовному сигналi (МС)

Припустимо, що можливiсть втзнавати особу за голосом е здiбнiстю видiляти у фрагментi голосу характерних ознак, притаманних особi, що утзнаеть-ся. Причому, iдентифiкацiя особи, е дiею по видшен-ню ознак, що повторюються в сигналi (е постшно присутнiми в сигналi), а отже можна зробити висно-вок, що в сигналi повиннi бути постшш самоподiбнi структури, якi формуються при мовленнi кожно! конкретно! особи. Подiбнiсть структур самим собi можлива за рахунок !хнього масштабування в мовних фрагментах. Тому найбшьш вдалим шструментом виявлення самоподiбних структур можна вважати кратномасштабний аналiз. Визначимо принципи ви-користання кратномасштабного аналiзу в задачi шен-тифiкацii диктора.

Зважаючи на розглянуту в роздiлi 3 побудову голосово! системи людини запропоновано подання сигналу у виглядi рiзномасштабних складових з рiз-ною структурою:

f(t) = xf (t) + x2f2 (t) + ... + Xsfs(t).

(4)

У випадку кореляцп коефiцiентiв хх,х2,...х3 , висновок про тип функцш апроксимацп зробити до-сить важко. Основним шляхом виршення такого ва-рiанту сигналу е подання його у виглядi ортонормо-ваних складових:

S gif(ti)f(ti)=älk, gl = 1/

(5)

Зважаючи на те, що функцп ^ в (4) мають рь

зну структуру, яка схильна до змш у випадковi мо-менти часу, то найбшьш ефективним способом !х

де !м - безлiч iндексiв, яка визначаеться властивос-тями функцii /.

Математична конструкция (4) з урахуванням введених властивостей (5)-(7) щодо опису структури сигналу названа структурною моделлю МС.

З огляду на пошук самоподабних структур в МС, !х рiзну форму та протяжнiсть, найбiльш вщповвдним простором для !х подання е проспр вейвлет-базисiв.

Вейвлет-коефiцiенти ^ =(> {Vj,п}0и)Е22 - ор-

тонормований вейвлет-базис, розглядаються як результат вшображення функцii / в проспр з роздшь-ною здатнiстю j.

Для побудови структурно! моделi в якосп ос-новних конструкцш, використовуваних для опису сигналу, визначеш - кратномасштабна апроксимацiя (КМА), що дозволяе враховувати структурне розкла-дання МС, i пакети вейвлепв (ПВ) для розкладання по частотно-часовим складовим МС.

При використанш КМА, представлення МС в вейвлет-базисах може мати вигляд:

Jo (t)= S( gj(t) + ej(t))+f

(8)

j=-i

- вейвлет-

де gJ еWj, Wj=closL2(R) (у (- и))

представлення функцп, у„ = 2J/2У(2J/ -п) - базис-ний вейвлет, е] - бiлий шум, f_т е У_т , W-m-l ,

Г-т=с10^ь2(К) (ф (2_т/ _ И)) .

Кожна складова (8) единим чином визначаеться послшовностями коефiцiентiв

d = {di} иег , 7 = {еП}nEZ и с-= {сПТL :

dJ = ( f,¥. ( , eJ = (е,¥. ( i c~m = ( f,m ( .

Використовуючи теорему Жаффара доведено [8], що для випадково! функцп, що описуеться струк-

n

n=1

m

турою (8), при зменшенш масштабу j значения ко-ефiцieнтiв |dj' | = f, ^ |, що визначають складову

Si.

е малими за винятком околиць, що мютять са-

моподiбнi структури сигналу.

Поступове зменшення масштабного параметра у дозволяе фокусуватися на локальних структурах складного сигналу i дослщжувати його структуру. Для кожного у складова ^ дае локалiзоваиу частотно-часову шформащю про / в у -й октав (частотному дiапазонi).

Метод видiления стiйких самоподiбних характеристик в структурi МС базуеться на аналiзi складо-во! /_т . Скалярнi твори функци / з функцiями Ф_т„ екшвалентш виконанню операцii згортки з фь льтром високих частот. Коли функщя ф мае Ь ну-льових момента i / СЬ , то для ^ поблизу 2тп

С =( f = 2-m/2f ( 2m n).

(9)

Отримуемо, що в складових сигналу f_m е F m

маемо наближення функци, що апроксимуеться f з

розд№ною здатнiстю 2-m . Самоподiбнi структури випадкового сигналу y вiдображаються в просторi

{0}. Автокореляцiйна функщя вщ

W и w

p(i)=Z f(t+i)f(t)= t

=Z| Z of Z cj,wj, (t)1 =ZZ *

t V il n+i J V J'n J t j, n

* ZZ С-тХ-т.п (t) = Z f-m (t + l)f-m (t) = P f_m , (10)

t n t

f е l2 (R) визначаеться як

де p, - автокореляцшна функцiя складово1 f .

-m

—-m

Отже, коефiцiенти c , що вщповщш складовi f m , мiстять стiйкi характеристики самоподiбних структур сигналу.

5. Результати дослiджень та ïx обговорення

Розглянемо фрагменти мови в аудюданих як дискретнi часовi ряди амплтгуди звуково1 хвилi. Пос-тавимо задачу визначення характеристик самоподiб-них структур в тимчасовому рядi, яким е дискретний часовий ряд амплгтуди звуково1 хвилi. Це можуть бути рiзнi геометрично подiбнi структури, що вiзуально спостерiгаються при розглядi графiкiв змiни амплгту-ди звуково1 хвил1. Будемо розглядати самоподобу, як геометричну подiбнiсть, пов'язану з перетвореннями стиснення, розтягуваиия, як по ос часу, так i по амп-лиудно1 координатi. Для виявлення наближено подi-бних структур використовуемо методи вейвлет-анал1зу з розкладаням за комплексним вейвлетом Морле. На рис. 2 наведена iлюстрацiя, на якш поед-нанi фрагменти аудiозапису мови i скейлограмма, побудована на основi розглянуто! моделi.

Рис. 2. 1дюстрац1я виявлення самоподiбиих структур

Причиною подiбностi структур типу "хребет" в частотнш областi на скейлограмме для одних i тих же характеристик голосу е специфжа спорiдненостi вейвлета Морле часовш структурi амплiтуди звуко-во! хвилi в областях локальних максимумiв. Вейв-лет-перетворення Морле ефективно при даному тд-ходi видiляе щ структури. Структури амплiтуди звуково1' хвилi в областi локальних максимумiв, ввд-повiдних частотi основного тону (ОТ), мають доста-тньо явно виражену геометричну симетрiю щодо амплiтуди локального максимуму. При цьому вейв-

лет Морле в силу спорщненосп дозволяе виявити цю симетрiю у виглядi явно виражених екстремумiв скейлограмм.

Алгоритм визначення частоти ОТ на основi тривимiрного спектру Морле складаеться:

- обчислюемо вейвлет Морле з фрагментом часового ряду амплиуди звуково1 хвил1 з врахуван-ням параметрiв фрактально1 розмiрностi [9, 10];

- для визначення положення кожно1 окремо1 вершини пика тривимiрного спектру Морле на даному iнтервалi виконуемо порiвияльний аналiз площи-

ни тд кривою кожного зрiзу тривимiрного спектру Морле на вказаному iнтервалi:

^ , (11)

де ^ - площина зрiзу тривимiрного спектру Морле на вiдповiдному часовому вгкт / на визначеному зрiзi (з максимальним значенням площини на штер-валi) тривимiрного спектру Морле, який був вщбра-ний для штервалу, що розглядаеться, знаходимо ко-ординати максимуму, значення координати у буде значенням частоти ОТ на цьому штервалу

Розроблений алгоритм на основi самоподiбних структур забезпечив правильне стеження за траекто-рiею основного тону протягом усього проголошення, навиъ при вiдносинах С/Ш=5 дБ, в той час як iншi алгоритми, включаючи метод ЛЛК, виявилися практично непрацездатш.

6. Висновки

Проведене дослщження дозволило:

1. Запропонувати модель слуховоï системи людини, описати елементи модел^ визначити в якостi щентифжацшних ознак диктора самоподiбнi структури в МС та математичш аспекти алгоритму виявлення самоподiбних структур в МС, що побудоваш

На основi наведених принципiв виявлення са-моподiбних структур сигналу побудована система вдентифжацп диктора та показанi попередш резуль-тати по оцiнцi можливостей компоненту видiлення частоти ОТ для побудови системи розтзнавання ди-кторiв по голосу.

Сумарнi результати випробувань за оцiнкою уза-гальнено! помилки представленi в табл. 1, по десяти дикторам чоловшам, десяти дикторам жшкам, для 300 мовних фрагменпв для кожного диктора. Узагальнену по-милку обчислювали за норматзованим коефiцiентом кореляцii з одиничною затримкою для розрахунками за кожним методом з наступним пiдсумовуванням.

на принципах фрактального та кратномасштабного аналiзу. Вперше запропоновано iнформативну ознаку для розтзнавання голоав, яка на вщмту вiд юную-чих ознак, використовуе значення коефiцiентiв три-вимiрного вейвлет-перетворення Морле мовного сигналу на вiдрiзках, де спостерiгаютъся екстремуми кореляцп частоти основного тону, що дозволяе комплексно враховувати наявшсть самоподiбних структур, яш вiдповiдаютъ за шдиввдуальшсть голосу.

2. Розробити алгоритм видшення самоподiб-них структур, яш використовувалисъ при щентифша-цiï диктора. Виконане дослщження ефективностi вде-нтифжацп в порiвняннi з iснуючими методами показало достатнъо високу ефектившсть.

Таблиця 1

Результати випробувань методiв видiлення ОТ

Метод Сигнал Самоподiб структур Шковий Кепстральний Автокореля-цшний Рабинер-Гоулд Фтт-руючий ЛЛК

Без шуму 0,92 0,54 0,49 0,39 0,61 0,44 0,7

С/Ш=5дБ 0,82 0,32 0,28 0,37 0,49 0,38 0,45

Телефонний 0,88 0,49 0,48 0,3 0,4 0,37 0,49

Клшшрування 0,9 0,51 0,45 0,36 0,6 0,42 0,68

Лiтература

1. Первушин, Е. А. Обзор основных методов распознавания дикторов [Текст] / Е. А. Первушин // Математические структуры и моделирование. - 2011. - № 24. - С. 41-54.

2. Adami, A. G. Modeling prosodie differences for speaker recognition [Text] / A. G. Adami // Speech Communication. -2007. - Vol. 49, Issue 4. - P. 277-291. doi: 10.1016/j.specom.2007.02.005

3. Kinnunen, T. An overview of text-independent speaker recognition: From features to supervectors [Text] / T. Kinnunen, H. Li // Speech Communication. - 2010. - Vol. 52, Issue 1. - P. 12-40. doi: 10.1016/j.specom.2009.08.009

4. Рыбальский, О. В. Разработка и исследования пригодности экспертного инструментария "фрактал-м" для идентификации диктора по параметрам голосовых сигналов [Текст] / О. В. Рыбальский, В. И. Соловьев // Регистрация, хранение и обрабработка данных. - 2014. - Т. 16, № 1. - С. 79-87.

5. Сорокин, В. Н. Верификация диктора по спектрально-временным параметрам речевого сигнала [Текст] / В. Н. Сорокин, А. И. Цыплихин // Информационные процессы. - 2010. - Т. 10, № 2. - С. 87-104.

6. Рыбальский, О. В. Спектральный анализ и современные речевые технологии [Текст] / О. В. Рыбальский, В. И. Соловьев, В. К. Железняк // Вестник Полоцкого государственного университета. - 2014. - № 4. - С. 2-6.

7. Пташник, Б. Й. Теорема вкладення для просторш нескшченного порядку [Текст]: мат. наук. конф. / Б. Й. Пташник, М. М. Симотюк. - Львш: Видавництво Национального ушверситету "Львшська полггехшка", 2009. - C. 26.

8. Плёнкин, А. В. Разрывы газодинамических функций в методах сквозного счета, их алгоритмическая локализация и классификация [Текст]: дис. ... канд. физ.-мат. наук / А. В. Плёнкин. - М., 2013. - 125 с.

9. Соловьев, В. И. Использование фрактальной размерности аудиофайлов в задаче сегментации звукового файла [Текст] / В. И. Соловьев, Я. А. Белозерова // Вюник Схдаоукрашського национального утверситету iM. В. Даля. - 2013. -№ 5 (194). - C. 165-169.

10. Solovjov, V. I. Multifractal approach in pattern recognition of an announcer's voice [Text] / V. I. Solovjov, Ya. A. Byelozorova // Tеka. Commission of motorization and energetics in agriculture. - 2014. - Vol. 15, Issue 2. - P. 13-21.

Рекомендовано до публгкацИ д-р техн. наук Осент Ю. I.

Дата надходження рукопису 19.04.2017

Белозьорова Яна Андрпвна, асистент, кафедра iнженерii програмного забезпечення, Нацюнальний авь ацшний ушверситет, пр. Космонавта Комарова, 1, м. Кшв, Украша, 03058 E-mail: bryukhanova.ya@gmail.com

УДК 004.4

Б01: 10.15587/2313-8416.2017.102296

СБОР РЕЗУЛЬТАТОВ ОПРОСА МЕТОДОМ ВИЗУАЛЬНО-АНАЛОГОВОЙ ШКАЛЫ ДЛЯ ДАЛЬНЕЙШЕЙ ОБРАБОТКИ В МЕДИЦИНСКОМ ВЕБ-ПРИЛОЖЕНИИ

©Я. Д. Даниель, А. П. Турута

Проанализированы существующие подходы к обследованию пациентов с затрудненным носовым дыханием и выделены их недостатки. Сформирован и поэтапно проработан на практике комплексный метод оценивания и отслеживания состояния пациента. Выделены основные преимущества предлагаемого подхода и пути его внедрения на рынок. Использование данного подхода повышает вероятность назначения правильного лечения

Ключевые слова: риноманометрия, комплексный метод, оценивание состояния пациента, визуально-аналоговая шкала, опросник

1. Введение

Отсутствие носового дыхания является довольно распространенной проблемой, которая сильно влияет на качество жизни и является одним из наиболее нежелательных симптомов. Риноманометрия - это исследование носового дыхания, которое применяется для диагностики заболеваний носоглотки и оценки проходимости носовых ходов. Этот вид манометрии является одним из наиболее объективных, современных и надежных методов.

Визуально-аналоговая шкала - это метод субъективной оценки или отношения к чему-либо, что не может быть измерено напрямую. Часто применяется в опросниках. Обычно представляет собой градуированную линию, крайние точки которой означают диаметрально противоположные значения.

Объединение результатов риноманометрии и опроса пациента позволит получить максимально полную общую картину заболевания и подобрать правильное лечение.

2. Литературный обзор

На сегодняшний день рынок устройств для проведения риноманометрии стремительно развивается, наполняется и поддерживается различными компаниями и производителями. Все они выполняют приблизительно одни и те же функции, незначительно отличаясь интерфейсом и реализацией функционала [1]. На основании полученных результатов, медицинский специалист получает детальную информацию о текущем состоянии носового дыхания, отслеживает патологию, проходимость носовых путей, и так далее. В зависимости от медицинских практик, пациентам назначается различное лечение. Ввиду

этого, не существует никаких сводных данных об эффективности тех или иных практик, основанных на словах "последней инстанции" - пациенте [2].

Желание получить общую картину и повысить вероятность успешного лечения пациента привели к необходимости систематизации медицинских назначений, их результатов и формирования общей статистики.

3. Цель и задачи исследования

Цель исследования - получение максимально полной информации о текущем состоянии пациента, формирование базы данных о пациентах, чтобы иметь возможность построить прогнозирующую модель на ее основе [3].

Для достижения цели были поставлены такие задачи:

- сформировать комплексный подход к оцениванию и отслеживанию состояния пациента;

- выделить вопросы, позволяющие выразить субъективную оценку пациента к важным с точки медицинской практики факторам, присущим различным заболеваниям дыхательных путей [4];

- сформировать строгие критерии оценивания методом визуально-аналоговой шкалы и методы обработки полученных результатов.

4. Сбор результатов опроса методом визуально-аналоговой шкалы для дальнейшей обработки в медицинском веб-приложении

4. 1. Обработка субъективной оценки пациента

В качестве инструментов для обработки субъективной оценки пациента используются метод главных компонентов и дерево принятия решений.