Колешко В.М., Апанасевич А. В., Снигирев С.А.

Белорусский национальный технический университет

Интеллектуальная система распознавания и классификации мозговых волн и речевых сигналов

Одной из важнейших задач, стоящих перед современной биоинформатикой, является разработка интеллектуальных систем, способных диагностировать человеческий организм на основе анализа генерируемых им сигналов, в частности, мозговых волн и речевых сигналов, с целью их использования для управления объектами [1 – 2]. Решение указанной задачи сводится к процедуре отнесения исследуемого участка сигнала, в частности, электроэнцефалограммы и спектра речевого сигнала к одному из возможных взаимно альтернативных классов-сигналов, под которыми понимаются некоторые стандартизованные феномены на электроэнцефалограмме и спектре речевого сигнала с существенно общими статистическими свойствами.

Проблема распознавания мозговых волн, равно как и речевых сигналов, может быть решена с помощью нейронных сетей, способных сравнивать свой выходной сигнал в определенных контролируемых условиях с заданным исходным сигналом обучения и производить самонастройку, т. е. автоматический подбор различных внутренних весовых коэффициентов с целью минимизации различий между фактическим выходным сигналом и сигналом обучения.

Например, в системе обработки речи, как правило, необходимо идентифицировать множества спектральных компонент, представляющие собой совокупность атрибутов сигналов, соответствующих конкретным характеристикам и целевым значениям речи. Данные множества спектральных компонент используются при распознавании речевых сигналов.

Подобная система содержит нейронную сеть и специальные элементы, необходимые для ее обучения. Сигнал, подаваемый на вход нейронной сети, представляет собой вектор, содержащий кванты полезного сигнала, искаженного шумом.

Блок суммирования вычисляет разность между сигналом обучения и выходным сигналом нейронной сети. Эта разность – сигнал ошибки – поступает по обратной связи в сеть, с тем чтобы сеть могла самонастроиться и ее выходной сигнал более близко совпадал с эталоном. Далее, сигнал ошибки и выходной сигнал сети запоминаются также в файлах сигналов при помощи блоков-потребителей сигналов.

На рисунке 1 приведена нейронная сеть, которая может быть использована в качестве основы для построения системы распознавания речевых сигналов и мозговых волн. Нейронная система может работать по дифференцированной схеме, используя для достижения поставленной цели данные электроэнцефалограммы, спектра речевого сигнала или данные обоих сигналов одновременно. Указанная сеть состоит из трех уровней.

Первый, или входной уровень обеспечивает распределение входного вектора по всем нейронам второго, скрытого уровня. Каждый нейрон скрытого уровня формирует скалярный выходной сигнал. Эти выходные сигналы комбинируются в вектор при помощи блока-преобразователя скалярных значений в векторное. Полученный вектор поступает на выходной вектор. Выходной нейрон вычисляет значение, которое будет определять наличие или отсутствие полезного сигнала. Это выходное значение запоминается и используется для нахождения ошибки как сигнала обратной связи.

Каждый нейрон состоит из четырех блоков, вычисляющих его выходной сигнал.

Входной вектор данных поступает в нейрон в блок объединения векторов, который дополняет вектор еще одной компонентой имеющей заданное постоянное значение 1,0. Затем формируется скалярное произведение этого нового вектора и вектора весовых коэффициентов.

Блок скалярного умножения осуществляет умножение каждой компоненты входного вектора на соответствующую компоненту вектора весов и суммирование этих произведений. Полученное в результате скалярное произведение проходит через сигмоидальный функциональный блок нормализации и образует выходной сигнал нейрона.

Передаточная функция этого сигмоидального преобразователя определяется выражением: y=1/(1+e^-x). Эта функция ограничивает рамки выходного сигнала нейрона уровнями 0 и +1 и имеет область плавного линейного перехода в промежутке. Для больших положительных скалярных произведений выходной сигнал равен 1, а для крайних отрицательных скалярных произведений – 0.

Весовые коэффициенты отображают множества спектральных компонент, обнаруженных сетью. Чтобы определить, присутствуют ли полезные данные, выходной нейрон осуществляет взвешивание выходов каждого из этих скрытых элементов, а затем комбинирует их. Таким образом, сеть считает, что во входных данных присутствует полезный сигнал только в случае, если сумма этих выходных значений превышает определенный предел.

Таким образом, рассмотренная выше структура адаптивной нейронной сети и принципы ее функционирования могут быть использованы для идентификации сигналов различной природы, что делает целесообразным применение данной нейросетевой модели в качестве основы для построения интеллектуальной системы распознавания и классификации мозговых волн и речевых сигналов с целью управления объектами силой мысли.

Литература:

[1] Koleshko V.M. Acoustic-electronic phenomenon of a brain and principles of designing of machines and mechanisms // Col “The congress on theoretical and applied mechanics”/ - Minsk, 1996 – P. 47 – 49.

[2] Koleshko V.M. Acoustic-electronic phenomenon and electric activity of a brain of the person // International seminar “Transfer processes in biomedical problems”. - Minsk, 1995 – P. 17 – 19.

Источник

векторн.

сигналов

Потребитель

векторн.

сигналов

x

n

Источник

векторн.

сигналов

n

x

x

n

Блок обратной передачи

Преобразователь

векторных

значений

в скалярные

Преобразователь скалярных значений в

векторные

Ошибка

Выход

Входной слой Скрытый слой Выходной слой

Вход

Рис. 1 – Нейронная сеть распознавания и классификации мозговых волн и речевых сигналов