Разработать математическую модель и Matlab-приложение

Цена договорная • безналичный расчёт
14 апреля 2018, 00:16 • 2 отклика • 43 просмотра
  • Цель работы - разработка системы выявления зависимости между ВСР и показателями жизнедеятельности с помощью порогов чувствительности
  • ВСР - вариабельность сердечного ритма, то есть изменчивость пульса. Имеется исходная БД, содержащая записи по 500 пациентам, требуется нейросетевыми методами/вейвлет-анализом/корреляционным/регрессионным/скрытыми марковскими моделями/комбинацией методов выявить взаимосвязь ВСР и коэффициентов теста Акабане (китайской медицины). Одна запись ВСР - сигнал во времени (~5 минут), коэффициенты Акабане - статические, 24 штуки. Связь между ними строится предположительно связью по частотам, при этом в спектре ВСР есть 3 резонансных пика (при построении LOMB-спектра, не Фурье) - пики соответствуют своей группе каналов. То есть по сути - матмодель строит по сигналу ВСР коэффициенты, которые должны как можно больше коррелировать с эмпирически полученными для пациента.
    Подзадача работы - определить "базис" каналов, то есть имеем 24 канала - отбрасываем один произвольный, пытаемся по оставшимся 23 восстановить 24-ый (методы нейросетевые, регрессии и тд). Таким образом, будет иметься теоретическая возможность сопоставить именно эти базовые каналы (в теории их ~5-7 штук) тем самым частотным пикам ВСР. Основная задача - создать графическое матлаб-приложение, которое визуализирует нейросетевое обучение, построение соответствующих характеристик. На основе анализа работы с БД планируется небольшое исследование полученных результатов. Первоначально и в основном исследовать для одного человека с большим количеством записей в БД (например, Мужиков В.Г.). Данные в бд необходимо отфильтровать по уровню (не более ~10% расхождение) и по коротким выбросам (дребезги). Также стоит кластеризовать ВСР с помощью тех нейросетей, которые это сделают лучше всего.

    Примерный план работы (тематический):
  • Возможно стоит извлекать признаки из динамического сигнала и классифицировать.

    Возможные признаки:
    - сам сигнал (последовательность значений типа временного окна)
    - статистические характеристики сигнала
    - частотные признаки (Фурье) - вариации - Music, LOMB, мощности спектра в различных диапазонах
    - вейвлет-признаки, пакеты
    - признаки, которые используются при распознавании речи

    Классификация и регрессия
    - нейросети
    - knn, SVM, kernel-подходы (kde), гауссовы смеси
    - корреляционный анализ, МНК, посмотреть еще какие есть актуальные методы регрессионного анализа

    Модели
    - скрытые марковские цепи, марковские поля (CRF)
    - рекурретные нейронные сети

    Необходимо помимо всего прочего написать также скрипт в матлабе, который бы фильтровал исходные данные от шумов по уровню и по единичным выбросам, и "лишние" значения не усреднять, а просто выкидывать.
  • Все сопутствующие файлы/статьи/программы могу выслать после принятия заказа