ВЕСТНИК ВОРОНЕЖСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА. СЕРИЯ: СИСТЕМНЫЙ АНАЛИЗ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

В статье предлагается новый подход к изучению взаимодействия сигналов биомедицинской природы, в частности, данных электроэнцефалограмм (ЭЭГ), путем анализа структуры временных задержек пар сигналов относительно друг друга. Анализ литературы показал, что большинство методов оценки взаимодействия сигналов при анализе ЭЭГ основаны на вычислении функции когерентности, что не учитывает задержки сигналов относительно друг друга по времени. Ввиду этого предлагается рассмотреть метод анализа структуры временных задержек пар сигналов на примере данных ЭЭГ, состоящий из следующих этапов: фильтрации сигналов в нескольких перекрывающихся частотных диапазонах; нахождения последовательности временных задержек пары сигналов; вычисления матрицы расстояний между рядами временных задержек сигналов с использованием расстояния Евклида, манхэттенского расстояния и расстояния Чебышева; оценки плотности распределения для расстояний между последовательностями временных задержек на тестовой выборке. В статье приводится исследование свойств предложенного метода на модельных сигналах, построенных на основе функций с хорошо известными свойствами, а также применение метода на реальных данных ЭЭГ, что позволило выявить и проанализировать задержки реакции людей на фотостимуляцию в зависимости от различных отведений ЭЭГ. Результаты показывают, что разница временных задержек сигналов между различными отведениями ЭЭГ в большинстве случаев у испытуемых отсутствует, но у некоторых испытуемых она составляет около 0,3 сек. (при вычислении с помощью евклидовой метрики), что является существенным запаздыванием на фотостимуляцию между различными участками мозга. При этом метрики, отличные от евклидовой, дают иную оценку расстояний между последовательностями временных задержек, позволяя получить более детализированную, или, напротив, более общую картину. Данный метод может быть полезен при картировании головного мозга на основе данных ЭЭГ.

Современные методы идентификации эффективных решений по распределенному хранению и распределенной обработке данных не предусматривают оптимизацию производительности вычислительных устройств, выделяемой каждому процессу, реализующему операции с данными, в зависимости от директивных сроков и бюджетов на их выполнение, задаваемых пользователями. В связи с этим разработаны две математические модели смешанного целочисленного линейного программирования, позволяющие оптимизировать распределенное хранение и обработку данных (в том числе оптимизировать производительность вычислительных устройств, выделяемую каждому процессу обработки), а также передачу данных между устройствами. Указанные модели реализуют идентификацию оптимальных решений при условии минимизации общей стоимости выполнения операций (с учетом ограничений на директивные сроки получения результатов и на общую производительность устройств), а также минимизации общей длительности реализации указанных операций (с учетом ограничений на бюджеты обработки данных и на производительность устройств). Полученные первоначально нелинейные модели линеаризованы путем введения дополнительных переменных. Разработанные модели реализованы программно с использованием пакета для решения задач дискретной оптимизации OR-Tools, позволяющего средствами его библиотеки и языка Phython осуществлять интерпретацию целевых функций и ограничений указанных моделей. Разработанное приложение позволило выполнить исследование процесса распределенного хранения, передачи и обработки данных при различных значениях параметров, его характеризующих. На основе анализа полученных результатов исследований сформулированы выводы, касающиеся зависимости общей длительности выполнения операций от значений директивных сроков при различных значениях количества выполняемых операций с данными, а также зависимости общей длительности обработки данных от задаваемых бюджетов и стоимости вычислительных операций и хранения данных

В статье предложена нечеткая система для классификации электроэнцефалограмм (ЭЭГ), разработанная для асинхронного интерфейса «мозг-компьютер». Основной целью работы является исследование применимости методов нечеткой логики для классификации ЭЭГ, направленной на распознавание реальных и мысленных движений верхних конечностей. Предложенный подход к классификации ЭЭГ-сигналов основывается на методе извлечения признаков, который включает расчёт взаимной информации между каналами ЭЭГ после предобработки сигналов. Этот метод направлен на выявление значимых корреляций между сигналами, поступающими от различных зон мозга, что позволяет формировать векторы признаков, отражающие связь между каналами ЭЭГ. Нечеткий классификатор удалось построить для 72 % испытуемых для реальных движений и 48 % испытуемых для воображаемых движений. В ходе экспериментов было установлено, что средняя точность классификации составляет около 74 % для реальных движений и 60 % для движений, выполняемых мысленно. Наилучший результат для отдельного человека достигает 96 % и 71 % точности для реальных и мысленных движений соответственно. С использованием деревьев классификации был выполнен прогноз влияния параметров предобработки на эффективность системы. Было установлено, что наиболее значимыми предикторами являются частота децимации при предобработке сигналов ЭЭГ и количество бинов при расчете взаимной информации между каналами ЭЭГ как для реальных движений, так и для движений, выполняемых мысленно. Точность прогноза достигла 73 % и 86 % для реальных и воображаемых движений соответственно. Таким образом, предложенный метод представляется интересным с точки зрения анализа сигналов ЭЭГ и формирования признаков. Работа демонстрирует возможности нечеткой логики для создания интерфейсов «мозг-компьютер», однако указывает на необходимость дальнейших исследований в области оптимизации параметров предобработки и преобразования лингвистических шкал нечеткого классификатора для повышения точности и интерпретируемости системы.