Все задачи всех разделов (кроме первого). Сдача разделов по их готовности

ВСР - вариабельность сердечного ритма, то есть изменчивость пульса. Имеется исходная БД, содержащая записи по 500 пациентам, требуется нейросетевыми методами/вейвлет-анализом/корреляционным/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. 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): 0. Введение 1. Описание задачи - про вариабельность (как измеряется, основные характеристики) - про акабане (что это, коэффициенты) - китайцы вроде как по пульсу определяют акабане, поэтому задача - по вариабельности определить коэффициенты 2. Основные подходы к решению - обзор Задача в общем случае - распознавание динамических образов Подходы: - извлекать признаки из динамического сигнала и классифицировать. - подстраивать динамиическую модель, моделирующую интересующий нас процесс отображения ВСР в коэффициенты 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 3. Детали, реализация - база данных - программа - интерфейс, описание - проблемы - шумы и способы борьбы с ним - примеры Срок сдачи может быть сдвинут на не более чем ~10-15 дней, при этом должна иметься возможность обмена текущими результатами.

ВСР - вариабельность сердечного ритма, то есть изменчивость пульса. Имеется исходная БД, содержащая записи по 500 пациентам, требуется нейросетевыми методами/вейвлет-анализом/корреляционным/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. 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): 0. Введение 1. Описание задачи - про вариабельность (как измеряется, основные характеристики) - про акабане (что это, коэффициенты) - китайцы вроде как по пульсу определяют акабане, поэтому задача - по вариабельности определить коэффициенты 2. Основные подходы к решению - обзор Задача в общем случае - распознавание динамических образов Подходы: - извлекать признаки из динамического сигнала и классифицировать. - подстраивать динамиическую модель, моделирующую интересующий нас процесс отображения ВСР в коэффициенты 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 3. Детали, реализация - база данных - программа - интерфейс, описание - проблемы - шумы и способы борьбы с ним - примеры Срок сдачи может быть сдвинут на не более чем ~10-15 дней, при этом должна иметься возможность обмена текущими результатами.

Решение задач из сборника Бабко, все разделы, в формате печатного документа (не рукописно)