Распознавание зашумленных сигналов с использованием нейросетевых методов

В данной работе изучаются возможности применения нейросетевых методов и алгоритмов машинного обучения [1-2] для решения задач распознавания и классификации сигналов с помехами на примере сигналов внеклеточного электрического потенциала [3]. Выбраны экспериментальные данные, содержащие сигналы 3-х близко расположенных нейронов и проведено сопоставление различных вариантов их распознавания. Учитывая большой объем данных для непосредственного применения методов кластеризации, вначале необходимо выделить некоторые признаки, которые будут однозначно характеризовать каждый импульс нейронных спайков. Такими признаками были выбраны коэффициенты дискретного преобразования Фурье и амплитуда сигнала. Далее к выбранным признакам были применены ряд нейросетевых методов (KNN, Mean Shift, K-means, t-SNE, PCA и многослойный персептрон), чтобы классифицировать исходные импульсы.
Также был продемонстрирован метод выделения характерных признаков с помощью многомасштабного анализа на основе вейвлет-преобразования для сигналов ЭЭГ молодой и возрастной группы без хронических заболеваний, при выполнении задач моторно-двигательной функции. Для сигналов ЭЭГ, в качестве признаков, была посчитана средняя дисперсия вейвлет-коэффициентов детализации через вейвлет-функции семейства Добеши. Данный признак может быть использован для диагностики структурных изменений сигналов ЭЭГ людей разных возрастных групп.
Работа выполнена в рамках Программы развития регионального научно-образовательного математического центра «Математика технологий будущего», проект № 075-02-2021-1399.