Abstract:
Магістерська дипломна робота: 61 с., 33 рис., 6 табл., 1 додаток, 50 посилань.
Об'єкт дослідження — процеси, що пов`язані з енцефалограмами та іншими процесами дослідження мозку людини та втілення моделі прогнозування віку клітин.
Мета роботи — розробити модель визначення впливу біопотенціалів головного мозку на прогнозування віку клітин.
Метод дослідження — Нечітка модель Сугено адаптивної мережі.
У магістерській дипломній роботі розглянуті найважливіші методи досліджень вікових змін біоритмів людини, використовуючи записи ритмів електроенцефалограми; дослідження використання нечіткої логіки з нейронною мережею; передбачення рівня пильності і віку клітин мозку; дослідження сну та вдосконалення існуючих методів аналізу ЕЕГ; задіяна попередня обробка вхідної вибірки та сформовані вибірки вхідних даних; відфільтровано найбільш впливові ознаки; на основі платформи MATLAB версії 9.13 створено модель розпізнавання сигналів ЕЕГ; проведені досліди з прогнозування віку клітин мозку за допомогою рівня пильності і методів нечіткої множини.
Description:
В цій роботі було проаналізовано сучасний стан застосування та вивчення ЕЕГ сигналів у наукових дослідженнях, були використані нейро-нечіткі системи, методи дослідження сну на основі машинного навчання. Виділено основний напрямок розвитку досліджень: використання нечіткої логіки з нейронною мережею, передбачення рівня пильності і віку клітин мозку, вдосконалення існуючих методів аналізу ЕЕГ та дослідження сну.
Для вирішення задач зв’язку в даному дослідженні були обрані наступні засоби: метод нечіткої логіки Сугено з нейронною мережею, метод вейвлет перетворення.
З бази, що складається з 30 суб'єктів, група складалася з 14 жінок і 16 чоловіків у віці від 18 до 65 років, середній вік 33,5 років і індекс маси тіла (ІМТ) 32,4 ± 7,3 кг/м2, в результаті попередньої обробки були виділені три класи даних: тривога, сонливість, сон.
Сигнали записували протягом 7 годин епізодів, а цифрові сигнали приймали кожні 20 хвилин для кожного блоку. Потім ці записи ЕЕГ були розділені на 5 сек. епохи і ці епохи були розділені на піддіапазони частот, такі як α, β, θ і δ. Потім спектральна щільність потужності (PSD) вейвлет піддіапазону частот δ (1–4 Гц), θ (4–8 Гц), α (8–13 Гц) і β (13–30 Гц) застосовуються до PSD. Cтан тривоги має змішані частоти: α і β. У сонному стані α зникне. Під час сну α і β втрачаються, δ і θ спостерігаються.
Кожен класифікатор ANFIS був реалізований за допомогою програмного пакету MATLAB (MATLAB версії 9.13 з набором інструментів нечіткої логіки). Кожен ANFIS містив 8 правил, з 2 функціями належності, призначеними кожній вхідній змінній, а загальна кількість модифікованих параметрів кожного ANFIS становила 44, які складаються з 12 передумовних параметрів і 32 послідовних параметрів.
У цьому дослідженні були сформовані тренувальні та тестові вибірки 405 прикладів (по 135 прикладів з кожного типу ЕЕГ). Близько 225 прикладів (по 75
прикладів з кожного типу ЕЕГ) з них було використано для процедури навчання. Решта 180 прикладів (по 60 прикладів з кожного типу ЕЕГ) були використані для процедури тестування. У цьому випадку співвідношення між навчальним набором даних і модифікованими параметрами становило 225/44.
Були отримані такі результати класифікації:
– ефективність класифікації запропонованої моделі ANFIS за статистичними параметрами (чутливість, специфічність і точність) склала 98,34%.;
– ця модель використовувала менше вхідних даних, ніж попередні методи.
Фінальний результат був отриманий за допомогою паралелограма розвитку пильності, де був встановлений взаємозв’язок між пильністю і віком клітин мозку. Було встановлено, що вік клітин мозку досягає свого максимуму приблизно в 20 років, а потім повільно починає знижуватись.