![](/user_photo/2706_HbeT2.jpg)
- •1(Часть 1) Разделы дисциплины.
- •1.1Биометрия
- •1.2Этапы истории
- •2Предмет и основные понятия биометрии
- •2.1Группировка первичных данных
- •2.2Признаки и их свойства.
- •2.3Классификация признаков
- •2.4Причины варьирования результатов наблюдений
- •2.5Точность измерений и действия над приближенными числами
- •2.6Способы группировки первичных данных
- •2.7Статистические ряды.
- •2.8Графики вариационных рядов
- •2.9Особенности биообъекта и экспериментальных данных о его свойствах и состоянии. Основные источники медико-биологических данных.
- •3Общая характеристика биологических сигналов и медико-биологических данных
- •3.1Случайный сигнал и случайная величина
- •3.2Одномерные случайные сигналы. Функция распределения и плотность вероятности
- •3.3Усреднение. Моменты случайной величины
- •3.4Равномерное распределение случайной величины
- •3.5Гауссово (нормальное) распределение
- •3.6Статистические характеристики систем случайной величины (Многомерные сигналы)
- •3.7Функция распределения и плотность вероятности.
- •3.8Вычисление моментов
- •3.9Корреляция
- •3.10Статистическая независимость случайных величин.
- •3.11Многомерное Гауссово распределение.
- •3.12Случайные процессы.
- •3.12.1Предварительная обработка сигналов.
- •3.12.2Моментальные функции случайных процессов.
- •3.12.3Взаимная функция корреляции двух случайных процессов.
- •3.13Помехи и их математические модели.
- •3.13.1Виды аддитивных помех.
- •3.13.2Законы распределения помех.
- •3.13.3Отношение сигнала помехи на прмере гауссовских помех.
- •4Основные понятия теории обнаружения сигнала
- •4.1Проверка статистических гипотез.
- •4.2Критерий Неймана-Пирсона.
- •4.3Алгоритмы обнаружения.
- •5Фильтрация сигналов
- •5.1Временная фильтрация.
- •5.2Частотная фильтрация.
- •5.3Связь между фильтрацией и сверткой.
- •5.4Физически реализуемые линейные фильтры частоты.
- •5.5Идеальный фильтр.
- •5.6Реализуемые непрерывные аналоговые фильтры.
- •5.7Узкополосные фильтры.
- •5.8Оптимальная фильтрация.
- •6(Часть 2) Корреляционный анализ
- •6.1Функциональная зависимость и корреляция
- •6.2Параметрические показатели связи. Коэффициент корреляции
- •6.3Вычисление коэффициента корреляции при малых выборках
- •6.4Минимальный объем выборки для точной оценки коэффициента корреляции
- •6.5Вычисление коэффициента корреляции при больших выборках
- •6.6Оценка разности между коэффициентами корреляции
- •7Качественное описание задач распознавания
- •7.1Основные задачи построения системы распознавания
- •7.2Параметрические и непараметрические методы и критерии
- •7.3Параметрические критерии
- •7.4Непараметрические критерии
- •7.5Статистические методы классификации многомерных наблюдений
- •7.6Минимаксный критерий
- •8Вопросы планирования исследований
- •8.1Приближенные оценки основных статистических показателей
- •8.2Определение необходимого объема выборки
- •9Типы медицинских изображений. Способы их обработки
- •9.1Иднтификация пространственных объектов. Схема этапов распознавания
- •9.2Обработка точечных изображений
- •9.3Моделирование процесса идентификации точечных изображений на эвм
- •9.4Основные принципы цифровых операций над изображениями
- •9.5Операции над изображениями. Хранение и представление изображений.
- •9.6Цветные изображения
- •9.7Окружающие и примыкающие пиксели
- •9.8Основные требования к аппаратуре
- •9.9Устройства ввода изображений
- •9.9.1Видеокамеры
- •9.9.2Насадки
- •9.9.3Другие устройства ввода изображений
- •9.10Устройства вывода изображений на дисплей
- •9.11Процессоры
- •9.12Критерий полезности признаков при распознавании объектов
- •9.13Геометрическая модель биологических данных. Система геометрических признаков при распознавании объектов
- •9.14Простые методы обработки изображений
5.6Реализуемые непрерывные аналоговые фильтры.
Фильтры, конструированные для непрерывных сигналов состоят из резистора, конденсатора, катушки индуктивности и ОУ.
Входящий и выходящий сигналы связаны между собой интегродиффиринциальным линейным соотношением с постоянными коэффициентами. Применяя к этому соотношению преобразования Лапласа, получим передаточную функцию, представленную в виде соотношения двух полиномов переменных.
следует иметь ввиду, что класс реализуемых фильтров для непрерывных сигналов, т.е. сигналы без предварительной дискретизации имеют передаточную функцию типа {*}. Любая передаточная функция типа {*} может быть представлена в виде комбинации четырех элемент передаточной функции:
W1 – низкочастотный фильтр первого рода.
W2 – высокочастотный фильтр первого рода.
W3 – низкочастотный фильтр второго рода.
W4 – высокочастотный фильтр второго рода.
Т – период.
p – переменная.
5.7Узкополосные фильтры.
Х
арактеристика
узкополосных фильтров
типа пропускания полосы представлена
на рисунке:
отклик сигнала.
Для нахождения сигнала на выходе подобного фильтра вычисляют свертку входного сигнала e(t) с оригиналов a(t):
.
Свертка a(t)e(t) на интервале (–∞;+∞) не существует. Для этого введем функцию
,
где b(t) – функция фильтра.
Отсюда имеем:
- свертка входного сигнала и оригинала
Из графического представления функции
видно, что спектр линии функции
трансформируется в фигуры конечной
ширины. Следовательно невозможно создать
фильтр, пропускающий только одну
фиксированную частоту.
5.8Оптимальная фильтрация.
Предположим, что сигнал p(t) появляется в момент времени t=0 и длится от 0 до Т.
Требуется подобрать фильтр, обеспечивающий в момент Т максимум отношения сигнал-шум. Это отношение определяется как отношение энергии сигнала к энергии шума на интервале Т.
Пусть h(t) – импульсная функция отклика фильтра. Если на вход подан сигнал p(t), то на выход этого фильтра в момент времени Т имеем:
на выходе фильтра при воздействии шума b(t) получим:
оценим квадрат |yp(T)|:
Оценка представляет собой мощность сигнала yp(T) в момент времени t=T. Квадрат модуля yb(T) , т.е. шума:
Средняя мощность шума в момент времени t0 будет равна:
Отношение сигнал-шум в момент времени Т определяется выражением:
Это отношение остается неизменным, если вместо импульсного отклика h(t) взять kh(t) (k – поправочный коэффициент).
Тогда нужно ввести нормировку в виде условия:
,
т.е.
необходимо найти импульсную функцию
отклика фильтра оптимальную hопт(t), при
которой р(Т) достигает максимума:
.
Используя выражение {6}, найдем, что
величина классового интервала λ, равная
отрицательна или равна нулю и равна нулю, когда h(t)=hопт(t). Вычислим hопт(t) с помощью метода вариаций. Для этого приравняем к нулю первую вариацию λ по отклику сигнала h*(ν) или h(u):
δλ=0. принимая во внимание уравнение {7}, запишем:
,
где
для
.
Уравнение {9} представляет собой уравнение для оптимального фильтра.
6(Часть 2) Корреляционный анализ
6.1Функциональная зависимость и корреляция
Наличие связей между варьирующими признаками обнаруживается на всех уровнях организации живого. Для описания этих связей между переменными величинами применяют математическое понятие «функция f», которая ставит в соответствие каждому определённому значению независимой переменной X, называемой аргументом, определенное значение зависимой переменной Y.
y=f(x)
Такого рода однозначные зависимости между переменными y и x называют функциональными. Однако однозначные или функциональные связи между переменными величинами встречаются далеко не всегда. Например, известно соотношение между ростом и весом человека. В отношении качественных признаков: блондины – голубоглазы, есть исключения. Причиной таких исключений является тот факт, что каждый биологический признак представляет собой функцию многих переменных. На него влияют и генетические и факторы среды. Это и обуславливает варьирование признаков.
Зависимость между биологическими признаками имеет статистический характер, когда в массе однородных индивидов определенному значению одного признака, рассматриваемого в качестве аргумента, соответствует не одно и то же числовое значение, а целая гамма, распределяющаяся в вариативный ряд числовых значений другого признака, рассматриваемого в качестве зависимой переменной или в качестве функции. Такого рода связь между переменными величинами называется корреляцией.
Зависимость между x и y выражают аналитически или графически. График корреляционной зависимости строят по уравнению функции <yx>=f(x) или <xy>=f(y) которая называется регрессией. Здесь <yx> и <xy> – средние арифметические, найденные при условии, что X и Y примут некоторые значения х или у – условные средние.