Эффективные критериальные функции спектральной энтропии для поиска высокочастотных паттернов в составе зашумленных электрограмм


https://doi.org/10.15217/issnl684-8853.2018.2.8

Полный текст:


Аннотация

Постановка проблемы: рассматривается класс задач, когда требуется выявлять скрытые закономерности в перестройках биоэлектрической активности живых организмов, регистрируемых на фоне различных воздействий, посредством поиска и временной локализации в составе зашумленных электрограмм паттернов, несущих полезную информацию. Один из подходов к решению подобных задач основан на анализе энтропии Шеннона, вычисляемой по компонентам спектра мощности и называемой функцией спектральной энтропии. Оказалось, что в условиях, когда искомые паттерны относятся к высокочастотным ритмам, а границы их энергетических спектров априорно неизвестны, критериальные функции спектральной энтропии имеют низкую чувствительность. Цель: разработка критериальных функций энтропийного анализа, имеющих достаточную чувствительность для поиска в составе зашумленных электрограмм высокочастотных паттернов с априорно неизвестными характеристиками. Результаты: разработана критериальная функция, позволяющая находить тот частотный диапазон, который соответствует максимальному вкладу спектральных составляющих искомых паттернов в общую мощность спектра. Последующий расчет спектральной энтропии в найденном диапазоне частот обеспечивает решение задачи поиска в составе зашумленных электрограмм ответных паттернов в вышеназванных условиях. Практическая значимость: представлены результаты, подтверждающие эффективность использования разработанных функций, ограничением на использование которых является требование регистрирования электрограммы на более чем одном отведении.

Об авторах

И. В. Щербань
Южный федеральный университет
Россия


Н. Е. Кириленко
Южный федеральный университет
Россия


О. Г. Щербань
Южный федеральный университет
Россия


Список литературы

1. Rangayyan R. M. Biomedical Signal Analysis: A Case-Study Approach. - Wiley-IEEE Press, 2007. - 440 p.

2. Giannakakis G. A., Tsiaparas N. N., Xenikou M. S., Pa-pageorgiou Ch., Nikita K. S. Wavelet Entropy Differentiations of Event Related Potentials in Dyslexia // 8th IEEE Intern. Conf. on Bioinformatics and Bioengineering, Athens, Greece, 2008. P. 1-6.

3. Немирко А. П., Манило Л. А., Калиниченко А. Н., Волкова С. С. Энтропийные методы оценки уровня анестезии по ЭЭГ-сигналу // Информационно-управляющие системы. 2010. № 3. С. 69-74.

4. Горшков А. А., Осадчий А. Е., Фрадков А. Л. Регуляризация обратной задачи ЭЭГ/МЭГ локальным кортикальным волновым паттерном // Информационно-управляющие системы. 2017. № 5. С. 12-20. doi: 10.15217/issn1684-8853.2017.5.12

5. Цветков О. В. Энтропийный анализ данных в физике, биологии и технике. - СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2015. - 202 c.

6. Agnew C. E., Hamilton P. K., McCann A. J., Mc-Givern R. C., McVeigh G. E. Wavelet Entropy of Doppler Ultrasound Blood Velocity Flow Waveforms Distinguishes Nitric Oxide-Modulated States // Ultrasound in Medicine and Biology. 2015. Vol. 41. P. 13201327. doi: 10.1016/j.ultrasmedbio.2014.12.013

7. Zunino L., Perez D. G., Garavaglia M., Rosso O. A. Wavelet Entropy of Stochastic Processes // Physica A. 2007. N 2(379). Р. 503-512. doi: 10.1016/j.physa.2006. 12.057

8. Hong H., Yonghong T., Yuexia W. Optimal Base Wavelet Selection for ECG Noise Reduction Using a Comprehensive Entropy Criterion // Entropy. 2015. Vol. 17. P. 6093-6109. doi: 10.3390/e17096093

9. Inouve T., Shinosaki K., Sakamoto H., Inouye T., Shinosaki K., Sakamoto H., Toi S., Ukai S., Iyama A., Katsuda Y., Hirano M. Quantification of EEG Irregularity by Use of the Entropy of the Power Spectrum // Electroencephalography and Clinical Neurophysiology. 1991. N 3(79). P. 204-210.

10. Viertio-Oja H., Maja V., Sarkela M., Talja P., Tenkanen N., Tolvanen-Laakso H., Paloheimo M., Vakku-ri A., Yli-Hankala A., Merilainen P. Description of the Entropy Algorithm as Applied in the Datex-Ohmeda Entropy Module // Acta Anaesthesiologica Scandinavica. 2004. N 48. P. 154-161.

11. Kekovic G., Stojadinovic G., Martac L., Podgorac J., Sekulic S., Culic M. Spectral and Fractal Measures of Cerebellar and Cerebral Activity in Various Types of Anesthesia // Acta Neurobiologiae Experimentals. 2010. N 70. P. 67-75.

12. Останин С. А., Филатова Е. В. Виртуальный прибор для оценки спектральной энтропии сердечного ритма // Изв. Алтайского государственного университета. 2016. № 1. С. 45-51.

13. Mirzaei A., Ayatollahi A., Gifani P., Salehi L. Spectral Entropy for Epileptic Seizures Detection // Second Intern. Conf. on Computational Intelligence, Communication Systems and Networks, Liverpool, UK, 2010. P. 301-307. doi: 10.1109/CICSyN.2010.84

14. Polat K., Gunes S. Classification of Epileptiform EEG Using a Hybrid System based on Decision Tree Classifier and Fast Fourier Transform // Applied Mathematics and Computation. 2007. N 187 (2). P. 1017-1026.

15. Kannathal N., Choo M. L., Acharya U. R. Entropies for Detection of Epilepsy in EEG // Computer Methods and Programs in Biomedicine. 2005. N 80. P. 187-194.

16. Zhang A., Yang B., Huang L. Feature Extraction of EEG Signals Using Power Spectral Entropy // Intern. Conf. on BioMedical Engineering and Informatics, IEEE, Sanya, Hainan, China, 2008. P. 435-439. doi: 10.1109/BMEI.2008.254

17. Toh A. M., Togneri R., Nordholm S. Spectral Entropy as Speech Features for Speech Recognition // Processing of Electrical Engineering and Computer Science (PEECS 2005), Perth, Australia, 2005. P. 22-25.

18. Jia C., Xu B. An Improved Entropy-based Endpoint Detection Algorithm // Intern. Symp. on Chinese Spoken Language Processing (ISCSLP), Taipei, Taiwan, 2002. P. 96.

19. Zhang Y., Ding Y. А. Voice Activity Detection Algorithm based on Spectral Entropy Analysis of Sub-Frequency Band // BioTechnology: An Indian Journal. 2014. N 10(20). P. 12342-12348.

20. Misra H., Ikbal S., Bourlard H., Hermansky H. Spectral Entropy based Feature for Robust ASR // Intern. Conf. on Acoustics, Speech, and Signal Processing (ICASSP), IEEE, Montreal, Canada, 2004. P. 2-6.


Дополнительные файлы

Для цитирования: Щербань И.В., Кириленко Н.Е., Щербань О.Г. Эффективные критериальные функции спектральной энтропии для поиска высокочастотных паттернов в составе зашумленных электрограмм. Информационно-управляющие системы. 2018;93(2):8-17. https://doi.org/10.15217/issnl684-8853.2018.2.8

For citation: Shcherban’ I.V., Kirilenko N.E., Shcherban’ O.G. Effective Cost Functions for Spectrum Entropy to Search for High-Frequency Event-Related Patterns in Electrograms with Noise. Information and Control Systems. 2018;93(2):8-17. (In Russ.) https://doi.org/10.15217/issnl684-8853.2018.2.8

Просмотров: 74


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1684-8853 (Print)
ISSN 2541-8610 (Online)