Содержание к диссертации
Введение
ГЛАВА 1 Общие принципы построения автоматизированных систем анализа газоразрядных изображений 15
1.1 Принцип формирования газоразрядных изображений 15
1.2 Автоматизированный анализ и обработка ГРВ-грамм 18
1.3 Архитектура и принципы проектирования систем анализа газоразрядных изображений 22
1.4 Выводы 24
ГЛАВА 2 Методы и алгоритмы обработки динамических ГРВ-грамм и анализа временных рядов их параметров 26
2.1 Предварительная обработка изображений 28
2.2 Расчет параметров ГРВ-грамм и формирование временных рядов ГРВ-параметров 35
2.3 Анализ временных рядов ГРВ-параметров 37
2.3.1 Сглаживание временных рядов 38
2.3.2 Анализ трендов временных рядов 42
2.3.3 Вычисление статистических характеристик временных рядов... 45
2.3.4 Фрактальный анализ временных рядов 46
2.3.5 Анализ энтропии временных рядов 48
2.3.6 Фурье-анализ временных рядов 49
2.4 Выводы 50
ГЛАВА 3 Унифицированная архитектура автоматизированных систем анализа ГРВ-грамм и адаптивная фреймовая информационная модель 53
3.1 Сравнительная характеристика распространенных информационных моделей 54
3.2 Особенности процесса анализа ГРВ-грамм 58
3.3 Информационная модель на основе фреймового представления данных 60
3.4 Инструментальные средства разработки программного обеспечения модулей СА ГРВ-грамм 65
3.5 Унифицированная архитектура проектируемых систем анализа ГРВ-грамм 67
3.6 Концепция разработки программных систем на основе шаблонов проектирования 69
3.7 Применение шаблонов проектирования для реализации информационной подсистемы СА ГРВ-грамм 74
3.8 Выводы 79
ГЛАВА 4 Автоматизированное проектирование систем анализа ГРВ-грамм 81
4.1 Постановка задачи проектирования СА ГРВ-грамм 81
4.2 Последовательность проектных процедур 83
4.3 Программа GDV Video Analyzer 88
4.4 Программа GDV Scientific Laboratory 92
4.5 Программа GDV Frame Studio 99
4.6 Выводы 101
ГЛАВА 5 Применение разработанной технологии автоматизированного проектирования для создания проблемно-ориентированных систем анализа ГРВ-грамм 103
5.1. Проектирование автоматизированной системы анализа психофизического потенциала высококвалифицированных спортсменов 103
5.2 Проектирование автоматизированной системы анализа свойств жидкофазных объектов 112
5.3 Выводы 114
Заключение 116
Публикации по теме диссертации 118
Литература 120
- Архитектура и принципы проектирования систем анализа газоразрядных изображений
- Расчет параметров ГРВ-грамм и формирование временных рядов ГРВ-параметров
- Информационная модель на основе фреймового представления данных
- Проектирование автоматизированной системы анализа психофизического потенциала высококвалифицированных спортсменов
Введение к работе
Актуальность проблемы
Тенденции развития современных информационных технологий приводят к постоянному возрастанию сложности информационных систем (ИС), создаваемых в различных областях человеческой деятельности [1]. С другой стороны, динамика технического прогресса требует значительного ускорения разработки программного обеспечения (ПО), снижения трудоемкости и обеспечения возможности их совершенствования в процессе эксплуатации, наращивания или модификации функций при изменении требований к ним со стороны пользователей. Поэтому поиск путей реализации непрерывно растущих требований составляет одно из актуальных направлений современной информатики [2,3], В частности, одним из таких путей является разработка специализированных систем автоматизации проектирования (САПР), ориентированных на разработку ПО [4,5]. В связи с этим актуальными являются задачи совершенствования принципов и методологии проектирования, внутренней организации, схем взаимодействия и использования программных компонентов [5,6,7].
Многие отрасли техники, имеющие отношение к получению, обработке, хранению и передаче информации, в значительной степени ориентируются в настоящее время на развитие систем анализа графических данных [8, 9]. Вместе с тем, решение научных и инженерных задач при работе с визуальными данными требует особых усилий, опирающихся на знание специфических методов. В особой мере это проявляется при создании новых типов информационных систем, решающих такие проблемы, которые до сих пор в науке и технике не решались, и которые решаются сейчас благодаря исполь-
зованию информации визуального характера [8]. Такие системы, и, в особенности, системы анализа видеоинформации, характеризуются большими объемами входных данных, сложностью алгоритмов обработки, широкой номенклатурой рассчитываемых количественных характеристик и разнообразием методов анализа [10], что существенно осложняет задачу их проектирования [11]. Поэтому, во многих случаях, целесообразным является создание и использование специализированных САПР для разработки подобных систем.
Одной из областей применения систем анализа (СА) видеоинформации является метод газоразрядной визуализации (ГРВ или ГРВ-графия) [12, 13, 14, 15]. В основе метода лежит получение информации о внутренних свойствах различных объектов путем компьютерного анализа особенностей изображений (ГРВ-грамм) индуцированного свечения газового разряда вблизи этих объектов в импульсных электромагнитных полях высокой напряженности [12]. Метод ГРВ является относительно новой, интенсивно развивающейся методикой, которая находит применение в различных предметных областях таких, как: медицина, психофизиология, экология, контроль материалов. Так, например, с помощью ГРВ-графии удается выявить слабые изменения физико-химических свойств биологических объектов [16, 17, 18], в психофизиологии - оценивать психоэмоциональный статус [19, 20, 21], психофизический потенциал [22, 23, 24] и уровень саморегуляции испытуемого [25], в медицине - осуществлять мониторинг общего функционального состояния пациента или оценивать реакцию его организма на те или иные виды терапии без проведения сложных медицинских обследований [26, 27].
На сегодняшний день достаточно хорошо изученной и нашедшей широкое практическое применение является, так называемая, статическая ГРВ-графия [28, 29]. Сущность этой методики сводится к регистрации одной ГРВ-граммы в заданный момент от начала экспозиции. Изучение свойств объекта ведется с помощью анализа совокупности количественных характеристик свечения (ГРВ-параметров). Статическая ГРВ-графия позволяет при исполь-
зовании относительно небольших вычислительных ресурсов быстро получать экспресс-оценку состояния исследуемого объекта.
Современный уровень развития компьютерной техники, каналов передачи данных и аппаратных средств цифровой видеосъемки позволил создать новую методику - динамическую ГРВ-графию [30, 31]. В отличие от статической ГРВ-графии, регистрируется последовательность ГРВ-грамм с заданной частотой дискретизации в течение всего времени экспозиции. Изучение свойств объекта по методу динамической ГРВ-графии ведется с помощью анализа временных рядов ГРВ-параметров, рассчитываемых для каждой ГРВ-граммы в последовательности. По данным ряда проведенных исследований, такой анализ позволяет получить дополнительные сведения о параметрах исследуемых объектов, за счет использования набора количественных характеристик свечения, учитывающих динамическое изменение свойств объекта в процессе воздействия на него импульсным электромагнитным полем.
Необходимым условием практического внедрения метода ГРВ в различных предметных областях является создание автоматизированных С А ГРВ-грамм [32], которые на основании анализа параметров исходного набора ГРВ-грамм объектов вырабатывают содержательную интерпретацию их состояния. Задача проектирования С А ГРВ-грамм осложняется рядом особенностей метода ГРВ, такими как:
Необходимость обработки большого объема видеоинформации, как на этапе проектирования С А, так и в процессе их эксплуатации.
Нерегулярная структура экспериментальной информации, на основании анализа которой разрабатываются правила выработки заключения для СА. То есть для различных исследуемых объектов может присутствовать различный набор ГРВ-изображений, рассчитанных ГРВ-параметров и верифицирующей информации.
Экспертный характер анализа закономерностей и взаимосвязей между характером свечения объекта и его свойствами, в ходе которого исследователь формирует специфическую для конкретной предметной области последовательность этапов обработки ГРВ-грамм и аналитические правила выработки заключения.
Необходимость частого внесения изменений в проект СА на этапе разработки и в готовые СА на этапе эксплуатации, вызванная высокой интенсивностью научных исследований в области ГРВ. Причем изменения касаются как структуры исходной информации об объектах исследования, так и алгоритмов обработки, анализа и выработки заключения.
На сегодняшний день известна единственная работа [29], в которой развиты подходы к созданию средств САПР по разработке проблемно-ориентированных процедур обработки и анализа статических ГРВ-грамм. В связи с разработкой в последние годы новых проблемно-ориентированных методик на базе динамической ГРВ-графии областях актуальным является дальнейшее совершенствование САПР СА ГРВ-грамм в направлении роста уровня автоматизации, сокращения сроков разработки и повышения качества готовых проектных решений. В частности, применение таких элементов искусственного интеллекта, как фреймовое представление информации и вынесение правил обработки и интерпретации данных в отдельную базу знаний, позволяет устранить часть перечисленных трудностей и унифицировать структуру проектируемых С А ГРВ-грамм.
Таким образом, актуальность темы диссертационной работы определяется:
практической значимостью метода ГРВ в различных предметных областях, благодаря высокой чувствительности метода к слабым изменениям свойств исследуемых объектов, позволяющей регистрировать
изменение их состояния под влиянием относительно слабых внешних воздействий;
появлением новой методики динамической ГРВ-графии, позволяющий расширить сферу практического применения метода ГРВ в целом, и, как следствие, необходимостью разработки интегрированных программных систем, предназначенных для автоматизации процессов обработки и анализа динамических газоразрядных изображений (ГРВ-грамм);
необходимостью разработки и совершенствования средств САПР проблемно-ориентированных СА ГРВ-грамм в связи с высокой трудоемкостью проектирования таких систем, вызванной рядом перечисленных выше особенностей ГРВ-графии, осложняющими задачу.
Цель работы
Целью диссертационной работы является разработка методов, алгоритмов и программ автоматизации проектирования систем параметрического анализа динамических газоразрядных изображений.
Задачи работы
Для достижения поставленной цели необходимо решить следующие задачи:
1. Анализ существующей технологии САПР проблемно-ориентированных процедур обработки и анализа статических ГРВ-грамм и развитие на ее основе новой методики автоматизированного
проектирования С А ГРВ-грамм с учетом особенностей динамической ГРВ-графии.
Построение унифицированной архитектуры С А ГРВ-грамм.
Разработка адаптивной информационной модели, предназначенной для обмена данными между модулями системы и сохранения информации в базах данных (БД).
Создание программной библиотеки процедур обработки и анализа динамических ГРВ-грамм.
Разработка методов автоматизации синтеза проектируемых С А ГРВ-грамм с целью достижения заданной эффективности функционирования готовых систем.
Практическая апробация разработанных методов, алгоритмов и программ на примере создания проблемно-ориентированных С А ГРВ-грамм.
Методы исследования
Для решения поставленных задач использованы теория и методы автоматизации проектирования технических систем, методы теории вероятностей и математической статистики, методы обработки сигналов, дискретной математики и численного анализа, теория и методы реляционных баз данных, методы искусственного интеллекта, методы цифровой обработки изображений и машинной графики. Программное обеспечение разработано с применением методов объектно-ориентированного программирования,
Научные положения, выносимые на защиту
Методика автоматизированного проектирования С А ГРВ-грамм, основанная на повторном использовании программных компонент, настраиваемых на конкретную предметную область за счет коррекции атрибутивного состава входных и выходных фреймов данных и аналитических правил формирования заключения на скриптовом языке программирования высокого уровня.
Автоматизированный метод синтеза проектируемых СА ГРВ-грамм для обеспечения требуемой эффективности анализа, основанный на технике прототипирования и статистических критериях отбора рабочего подмножества ГРВ-параметров, используемых для формирования заключения.
Унифицированная архитектура С А ГРВ-грамм, основанная на применении технологии баз знаний;
Адаптивная информационная модель, основанная на фреймовом представлении данных для организации межмодульного информационного обмена.
Научная новизна работы
В ходе работы над диссертацией получены следующие результаты, характеризующиеся научной новизной:
Разработано методическое, математическое и алгоритмическое обеспечение автоматизации проектирования С А ГРВ-грамм, учитывающее особенности нового метода динамической ГРВ-графии.
Предложен итерационный подход к задаче автоматизированного синтеза СА ГРВ-грамм, основанный на постепенном наращивании функ-
циональности прототипа проектного решения и включении в структуру системы программных процедур, обеспечивающих эффективное решение проблемно-ориентированной задачи анализа.
Предложена обобщенная архитектура С А ГРВ-грамм, ориентированная на интеграцию исходных ГРВ-изображений с информационными массивами, полученными в результате расчета их количественных характеристик, в единую базу данных и осуществление анализа этих данных с использованием элементов искусственного интеллекта.
Применена фреймовая модель представления данных, обеспечивающая единый способ информационного обмена между модулями системы, сохранение данных в БД, расширение и адаптацию обобщенной архитектуры под решение конкретных прикладных задач в различных областях применения ГРВ.
Практическая ценность работы
В результате проведенного исследования разработаны методы, алгоритмы и программы, позволяющие в автоматизированном режиме создавать предметно-ориентированные системы анализа газоразрядных изображений. Применение разработанных методов и программ позволило существенно сократить трудоемкость проектирования новых и модификации существующих СА ГРВ-грамм, за счет унификации архитектуры СА и повторного использования программных компонентов. На базе предложенной технологии автоматизированного проектирования создано две автоматизированные системы: система анализа психофизического состояния спортсменов и система анализа свойств жидкофазных объектов.
Внедрение результатов работы
Разработанная в рамках работы система анализа психофизического состояния спортсменов внедрена в учебно-тренировочный процесс училищ олимпийского резерва № 1 и 2 города Санкт-Петербурга, в соответствии с программой Госкомспорта России. С 2003 г. Система внедряется в учебно-тренировочный процесс школ и училищ Олимпийского Резерва России (контракт Госкомспорта России №197). Система анализа свойств жидкофазных объектов - используется в лабораториях фирм «Aveda» (США) и «Estee Lauder» (США). Разработанное в рамках работы программное обеспечение входит в состав пакета программ «ГРВ-технология», распространяемого в комплекте с серийно выпускаемым прибором «ГРВ-камера».
Апробация работы
Научные и практические результаты диссертационной работы докладывались и обсуждались в период 2000-2003 г.г. на международных конференциях и семинарах. Среди них: конгрессы по биоэлектрографии «Наука-Информация-Сознание» (Санкт-Петербург, 2000, 2001, 2002, 2003), конференции европейского колледжа спортивных наук (Кельн, 2001; Афины, 2002); «Медицинская техника-2002» (Минск, 2002); «Новые медицинские технологии» (Санкт-Петербург, 2001); Итоговые конференции СПбНИИФК (Санкт-Петербург, 2001, 2002); Научно-техническая конференция профессорско-преподавательского состава СПбГИТМО(ТУ) (Санкт-Петербург, 2003).
По теме диссертации опубликовано 12 работ из них 2 статьи и 10 тезисов к докладам на международных и российских конференциях.
Краткое содержание диссертации по главам
В первой главе приводится краткий обзор метода ГРВ, включая аппаратные принципы регистрации ГРВ-грамм и различия между статической и динамической ГРВ-графией. Формулируется задача анализа ГРВ-грамм. Описываются общие принципы построения автоматизированных систем анализа газоразрядных изображений и дается характеристика существующей технологии проектирования С А ГРВ-грамм.
Вторая глава посвящена описанию разработанного в рамках данной работы математического и программного обеспечения реализующего функции обработки и анализа динамических ГРВ-грамм. Излагаются методы фильтрации шума в изображениях, алгоритмы расчета ГРВ-параметров, способ формирования и анализа временных рядов этих параметров.
Третья глава посвящена вопросам разработки обобщенной архитектуры систем анализа ГРВ-грамм, Описывается адаптивная фреймовая модель представления данных. Предлагается реляционная структура БД, обеспечивающая хранение фреймов с изменяемым атрибутивным составом.
В четвертой главе описывается разработанная технология автоматизированного проектирования систем анализа ГРВ-грамм. Перечисляются формализованная последовательность проектных процедур. Описывается метод автоматизации, приводятся статистические критерии отбора рабочего подмножества ГРВ-параметров и характеристик временных рядов.
Пятая глава посвящена описанию практического применения разработанных методов для создания двух проблемно-ориентированных СА ГРВ-грамм: система анализа психофизического состояния спортсменов и система анализа свойств жидкофазных объектов.
Архитектура и принципы проектирования систем анализа газоразрядных изображений
К настоящему времени в литературе нет устоявшегося понимания термина - анализ изображения [9]. В ГРВ-графии под анализом изображения имеется в виду вычисление количественных параметров, оценивающих различные (геометрические, яркостные и т.п.) аспекты свечения, и идентификация, по комбинации этих характеристик, состояния исследуемого объекта. Анализ изображения предусматривает изучение отдельных характеристик, составных частей, фрагментов или сегментов изображения [33]. Для достижения этой цели, исходный информационный сигнал, представляющий набор полутоновых растровых изображений свечения газового разряда, подвергается предварительной обработке. Методы обработки направлены на повышение качества исходных изображений (выделение полезного сигнала и фильтрация шума) и облегчение их визуального анализа.
Системы анализа и обработки изображений можно условно разделить на два класса [34]: Системы, в которых осуществляется анализ и обработка динамических изображений в реальном масштабе времени (к таким системам относятся, например, телевизионные и мониторинговые видеосистемы). Реальный масштаб времени понимается как режим, обеспечивающий регистрацию явлений и выработку решений (измерений) без нарушения динамики этих явлений. Системы, используемые для детального анализа статических и динамических изображений. Они характеризуются сложными процедурами обработки, требующими большого объема памяти и времени обработки сигналов.
Применительно к задачам динамической ГРВ-графии могут быть востребованными как первый класс задач (работающий в реальном масштабе времени), так и второй. В первом случае речь идет о средствах визуализации динамических ГРВ-грамм. С одной стороны, видеосигнал газового разряда должен отображаться без искажений, в реальном масштабе времени, с другой стороны - для эффективного визуального анализа необходимо осуществить определенную обработку видеоизображения, повышающую его информативность (фильтрация шумов, цветовое выделение значимого сигнала и пр.) [35], То есть, необходимы эффективные алгоритмы визуализации, работающие в реальном масштабе времени. Во втором случае речь идет об алгоритмах анализа изображения и расчета множества его характеристик, решающих задачу параметрического описания ГРВ-граммы. Эта задача может потребовать значительных вычислительных ресурсов и оперативной памяти. Таким образом, анализ и обработка динамических ГРВ-грамм должны выполняться за два этапа: обработка в реальном масштабе времени для визуализации видеосигнала и анализ параметров изображения ГРВ-граммы.
Для задач ГРВ-графии в целом различные виды обработки изображений ГРВ-грамм включают в себя следующие виды вычислений: Анализ гистограмм, выделение перепадов яркостей и границ, фильтрация и подавление шумов; Построение списка информативных фрагментов изображения; Вычисление центра свечения газового разряда; Векторизация контура изображения и его параметрическое описание; Различные виды сегментации и топологические преобразования. Расчет множества параметров преобразованного изображения его сегментов и фрагментов; Визуализация в заданной цветовой палитре. Следует отметить следующие особенности исследования биологических объектов и человека методом ГРВ-графии, усложняющие задачу анализа изображений динамических ГРВ-грамм: 1. Не существует, в настоящий момент, формального теоретического описания процессов, определяющих развитие газового разряда во времени на аналитическом уровне для всего многообразия исследуемых объектов. Следовательно, выбор параметров для описания ГРВ-грамм носит эмпирический характер и подтверждается экспериментально для каждого объекта исследования. 2. Процесс формирования изображения свечения газового разряда существенным образом определяется свойствами объекта исследования и условиями регистрации. Поэтому, процедура анализа должна быть адаптивной под конкретную задачу исследования, имеющую особые условия регистрации изображения и природу взаимодействия объекта исследования и газового разряда. Процедуру обработки и анализа ГРВ-грамм можно представить следующим образом [29]. Пусть / - истинное изображение газового разряда. Процесс получения, формирования, дискретизации и т.д. можно рассматривать как передачу истинного изображения по каналу с помехами. В результате предметом анализа служит не истинное, а наблюдаемое изображение /". Следовательно, первичная обработка изображения заключается в фильтрации шума rf :/- / , результатом которой будет изображение, максимально приближенное к истинному. При дальнейшей обработке изображения осуществляется расчет вектора количественных характеристик - ГРВ-параметров G = \g .} !_. Примерами ГРВ-параметров являются геометрические, яркостные, статистические и т.п. численные характеристики изображения. Для динамических ГРВ-грамм формируются временные ряды ГРВ-параметров G(t)={gj(t)}fJ каждый из которых имеет собственный набор признаков Vj = \yiX=\- Например, такими признаками могут быть: элементарные статистики, коэффициенты аппроксимации ряда специальными функциями (экспоненциальной, показательной и т.п.).
Расчет параметров ГРВ-грамм и формирование временных рядов ГРВ-параметров
Координаты центра свечения (хс,ус) вычисляются после фильтрации шума одним из нескольких способов: 1. Задаются пользователем; 2. Вычисляются как геометрический центр изображения: 3. Центр тяжести всех точек свечения (используются значения координат (хс,ус) вычисленные в процессе формирования списка фрагментов): 4. Центр тяжести всех точек образующих внутренний контур свечения; 5. Центр тяжести всех точек образующих внешний контур свечения; 6. Центр тяжести точек, принадлежащих фрагменту, ближайшему к середине изображения. Иногда, удобно провести дополнительный этап фильтрации шума для удаления всех точек свечения, которые лежат далее заданного расстояния (называемого рабочим радиусом) от центра свечения. Например, при исследовании жидкостей, может происходить разбрызгивание мелких капель по поверхности электрода. Дополнительная фильтрация в этом случае помогает убрать свечение капель и исследовать только свечение самого образца.
Для удобства визуального изучения ГРВ-грамм применяется техника псевдоокрашивания. Принцип псевдоокрашивания основан на разбиении яр-костного спектра изображения на несколько частей. Каждому участку присваивается определенный цвет, т.е. все точки интенсивность свечения которых лежит в заданном интервале отображаются на экране одинаковым цветом. Таким образом можно подчеркивать различные особенности ГРВ-грамм. Псевдоокрашивание осуществляется параллельно с работой алгоритма формирования списка фрагментов изображения, путем синтеза нового изображения, расцвеченного в соответствии с выбранным типом псевдорасцветки. Это дополнительное изображение, используется также в качестве маскирующего, для отделения точек принадлежащих свечению от точек составляющих шумовой фон изображения, в процессе расчета ГРВ-параметров. В программе предусмотрены следующие типы псевдорасцветки:
Исходное изображение - изображение в том виде, в котором оно получено от видеокамеры. Используются серая цветовая гамма, содержащая 256 оттенков серого (от черного до белого). Точки с минимальной интенсивностью свечения отображаются темными (почти черными) оттенками серого, точки с максимальной интенсивностью свечения отображаются светлыми (почти белыми) оттенками; 2. Инвертированное изображение - используется инвертированная серая цветовая гамма, содержащая 256 оттенков серого; 3. Интенсивная палитра - точки изображения окрашиваются в один из восьми цветов. Все точки изображения удаленные алгоритмом фильтрации шума отображаются белым цветом. 4. Монотонная палитра - все точки изображения удаленные алгоритмом фильтрации шума отображаются черным цветом, остальные точки отображаются однотонным ярким цветом. Эта палитра используется при анализе, для того чтобы избежать "обмана зрения", который может возникнуть если некоторые точки свечения будут плохо видны из-за окраски близкой к окраске "шумовых" точек. 5. Синяя палитра - используется цветовая гамма, содержащая 256 оттенков синего цвета (от черного к ярко синему). Эта палитра близка к тому, что можно видеть невооруженым взглядом на электроде прибора. Каждый кадр динамической видеопоследовательности подвергается независимой обработке с целью получения набора ГРВ-параметров, из совокупности которых по всем кадрам формируются временные ряды. На сегодняшний день разработано несколько десятков различных ГРВ-параметров [28,29]. Накопленный в течение ряда последних лет опыт [12] их использования при построении СА позволяет выделить набор из нескольких наиболее информативных параметров. Для реализации программной библиотеки операций обработки и анализа динамических ГРВ-грамм отобраны следующие параметры: 1. Площадь свечения (S) количество точек изображения с ненулевой интенсивностью (не удаленных при фильтрации шума); 2. Средняя интенсивность свечения (7) - средняя интенсивность точек изображения с ненулевой интенсивностью; 3. Количество фрагментов (NF) - количество восьмисвязных групп точек с ненулевой интенсивностью; 4. Средняя площадь фрагмента (SF) - среднее количество точек в каждом фрагменте; 5. Среднее расстояние фрагментов до центра (DF) - среднее расстояние от центра тяжести фрагмента до центра свечения; 6. Средний радиус свечения (R ); 7. Нормализованное среднеквадратическое отклонение радиуса ( а- ); 8. Коэффициент формы (К) - мера изрезанности внешнего контура свечения, минимальное значение - 1 - соответствует свечению в форме окружности или кольца, большие значение - сильно изрезанное изображение, с большим количеством разрывов контура; 9. Энтропия (Я) - мера упорядоченности изображения; Для расчета параметров 6-9 строится функция R(a), значения которой равны расстоянию между первой и последней точками ненулевой интенсивности, лежащими на луче выходящем из центра свечения под углом ає[0;2-тг) к вертикали (Рис. 5). Как правило, функция R(a) неоднородна и меняется достаточно хаотически. Без больших погрешностей можно рассматривать ее как последовательность реализаций случайной величины и применить аппарат описания статистических зависимостей, что позволяет вычислить ряд параметров.
Информационная модель на основе фреймового представления данных
База данных (БД) — формализованное представление информации, удобное для хранения и поиска данных в нем [56,57,58]. Тематика теории БД связана с поиском удобного представления, компактного хранения, быстрого поиска, защищенности и других свойств данных. Основные виды представления (модели) данных сформировались под влиянием практики с использованием средств математики [59]. В основу реляционной модели данных положено понятие отношения. Подмножество R czDi х D2 х ... xD„ есть отношение арности п с доменами Dj, D2 , ... Dn. Рассматриваемые отношения, как правило, конечные, поэтому удобно представлять их в виде плоских таблиц. Строки таблицы называются кортежами, а столбцы — атрибутами. Подмножество атрибутов отношения называется ключом, если проекция таблицы на это множество состоит из разных строк, но удаление любого атрибута из ключа нарушает это свойство. Реляционная БД — это множество таблиц, обогащенное операциями объединения, пересечения, разности, декартова произведения, проекции, соединения, селекции, частного и другие. Ассоциируемый с табличным представлением способ хранения данных не компактен и не удобен для организации эффективного поиска. В связи с этим в современных реляционных СУБД реляционная модель используется только как внешнее представление, т. е. представление пользователя, тогда как внутреннее представление данных, т. е. представление на машинных носителях, — принципиально другое. Простота представления при сохранении всех функциональных возможностей БД делают реляционную модель удобной для изучения качественных свойств и характеристик БД.
Если в табличном представлении произвести лексикографическое упорядочение и сделать склейку по совпадающим префиксам, то получается древовидное представление данных, в основе которого лежит понятие дерева. Такое представление ведет к большей компактности данных и к ускорению поиска нужных данных. Такие древовидные структуры, как бинарные деревья, 2-3-деревья, В-деревья, сортирующие деревья используются для внутреннего представления данных [60]. Древовидное представление удобно использовать в лингвистических и подобных им БД, например, когда необходимо найти то или иное слово. В случае поиска множества однокоренных слов, т. е. слов с заданной средней частью, древовидное представление не очень удобно. Древовидное представление все еще достаточно просто для понимания, хотя и не так наглядно как табличное. При использовании древовидной (или иерархической) модели данных как внешнего представления данных предполагаются иерархические отношения между данными, т. е. отношения типа родитель - потомки, когда у каждого объекта только один родитель, но может быть несколько потомков.
Обобщение понятия дерева до графа аналогично переходу от древовидного к сетевому представлению данных. При векторном виде данных в древовидном представлении склейка данных может быть сделана только по начальному отрезку; в сетевом представлении она допустима по любым отрезкам. В сетевой модели данных доступ к данным может быть осуществлен по многим путям. Она позволяет реализовать более широкий класс отношений между объектами, чем древовидная. Поскольку сетевая модель является обобщением древовидной, то она предоставляет больше возможностей как для описания предметной области, представляемой БД, так и для нахождения оптимальных решений хранения и поиска данных. Но использование сетевой модели требует высокой квалификации от разработчика, и поэтому она не была воспринята массовым пользователем.
В объектно-ориентированной модели данных [61,56,57], опирающейся на принципы объектно-ориентированного программирования, каждый объект представляется как черный ящик, доступ к данным которого осуществляется только через специальные функции - методы, прилагаемые к нему. Из таких элементов строятся более сложные объекты, которые в свою очередь могут служить основой для построения объектов следующего уровня сложности и т. д. [62]. Главное преимущество объектно-ориентированной модели — ее технологичность, в связи с чем это одна из наиболее развивающихся моделей сегодня.
Под влиянием математической логики строится дедуктивная модель данных [63]. Данные в дедуктивных базах данных рассматриваются как аксиомы, а новые данные получаются из аксиом путем логического вывода. Преимущество этой модели — компактность начального множества данных (все зашито в аксиомы и правила вывода) и потенциальная бесконечность множества выводимых фактов. Недостаток — большие ресурсы по времени и памяти, необходимые для процесса вывода. Дедуктивные базы данных удобно использовать в системах принятия решений, когда заранее не очерчена область возможных ситуаций.
Работа с БД предполагает создание удобных языков — языков манипулирования данными, примеры которых доставляют формальные языки логики и алгебры [64]. В алгебраических языках манипулирования данными запрос к БД определяет последовательность операций, которые приведут к ответу. В языках манипулирования данными, основанных на исчислении предикатов, запрос к БД соответствует формуле некоторой формальнологической теории, а ответом является множество объектов из области интерпретации, на котором истинна формула, соответствующая запросу. Наиболее распространенный в современной практике подход к разработке информационных систем основывается на реляционной модели данных. Архитектура таких систем включает три уровня: внутренний, концептуальный и внешний. На внутреннем или физическом уровне решаются вопросы, связанные со способами физического хранения информации на физических носителях. Внешний уровень отвечает за представление информации пользователям. Концептуальный или логический уровень является промежуточным между внутренним и внешним, на котором, посредством набора формальных языков, определяется структура хранимой информации. Для работы с данными используются, по крайней мере, два языка язык определения данных (ЯОД) и язык манипулирования данными (ЯМД). На этапе проектирования информационной системы, с помощью ЯОД, формируется состав и структура хранимых данных. Далее, посредством ЯМЛ, прикладная система может решать задачи, связанные с обработкой информации. Вычислительной основой ЯМЛ является реляционная алгебра, содержащая операторы и правила, позволяющие формировать запросы к БД и вычислять ответы на эти запросы.
Проектирование автоматизированной системы анализа психофизического потенциала высококвалифицированных спортсменов
Созданное в рамках работы методическое, математическое и программное обеспечение использовалось для проектирования специализированной автоматизированной системы оценки психофизического потенциала спортсменов на базе метода ГРВ-графии. Разработка системы велась на базе Санкт-Петербургского НИИ Физической Культуры в секторе психофизиологии спорта и восстановительной медицины под руководством д.м.н. профессора П.В. Бундзена. Работа выполнялась в рамках государственного контракта на выполнение НИОКР за счет средств федерального бюджета «Разработка научных основ технологий компьютерных программ многолетней подготовки юных спортсменов с учетом их индивидуальных генотипических возможностей».
Задача анализа психофизического потенциала спортсменов является весьма актуальной для спорта высших достижений. Современная соревновательная деятельность требует от спортсмена не только отточенных физических навыков, но и высокой психической подготовленности. Сегодня, наряду с традиционными тренировками, спортсмены регулярно занимаются и ментальной тренировкой, помогающей им сосредоточиться во время выступления на достижении поставленного результата. Однако, также как и физическое состояние организма не является постоянным во времени, психическое состояние спортсмена меняется в зависимости от количества и интенсивности тренировок, успехов во время соревнований, что спортсмены часто пытаются скрывать от тренера и спортивного врача, доводя себя до стресса и теряя способность выступать в полную силу. Таким образом, актуальность объективной и быстрой оценки психофизического потенциала возрастает в условиях высокой конкуренции, когда нужно правильно спланировать план тренировок и отдыха для достижения максимально возможного результата.
В течение 2000-2002 г.г. проведен большой объем экспериментальной работы в училищах олимпийского резерва №1 и №2 города Санкт-Петербурга. Получены данные объединяющие результаты метода газоразрядной визуализации, генотипического анализа и традиционных валеометри-ческих и психофизических методик диагностики для более 800 высококвалифицированных спортсменов в возрасте от 17 до 21 года, В ходе анализа полученных экспериментальных данных выявлены множественные корреляции параметров ГРВ-грамм с результатами верифицирующих тестов. Найденные закономерности послужили основой формирования диагностических правил для экспертно-аналитической подсистемы СА. По результатам обработки данных ГРВ-тестирования СА рассчитывает ряд числовых показателей, характеризующих различные аспекты готовности спортсмена к соревновательной деятельности. Взвешенное суммирование значений этих показателей дает обобщенную оценку готовности атлета, что позволяет строить рейтинги испытуемых. Рассчитываются следующие группы показателей психофизического состояния испытуемых: биоэнергетические потенциал, биоэнергетический гомеостаз и билатеральный баланс энергетики - оценивает общий уровень и гармонизацию энергетических процессов организма, психофизическая выносливость показывает готовность организма к физическим нагрузкам, стресс-толерантность и стресс-индекс - оценивают устойчивость к эмоциональным нагрузкам и общий уровень стресса. Разработка аналитического алгоритма осуществлялась поэтапно. На первом этапе осуществлялись корреляционный и факторный анализ для ГРВ-парметров и данных верифицирующих тестов. Было показано, что параметры ГРВ-грамм обнаруживают устойчивые корреляции с физической выносливостью, полиморфизмом специфического фермента (аденозин-превращающего фермента) и доминировании в результатах POMS-теста «Айсберг»-профиля [89, 90]. Корреляционный граф, иллюстрирующий эти связи, представлен на Рис. 17. На графе используются следующие обозначения: ГРВ-параметры: SintL, SintR, D SintL, D SintR, Fract, Frag, NormA; Heart D/R - расхождение векторов деполяризации и реполяризации миокрда (дизоксия миокарда) АСЕ genotype - генотип по аденозин-превращающему ферменту Цифрами, расположенными рядом со связями, обозначены их корреляцион ные коэффициенты. Перечисленные ГРВ-параметры рассчитывались по ГРВ-грамммам пальцев левой и провой рук испытуемого. Параметры SintL, SintR, D SintL и D SintR являются интегральными показателями сбалансированности свечения для правой и левой рук относительно уровня нормального свечения, обычно равного свечению тест-объекта. Для вычисления этих параметров каждая ГРВ-грамма разбиваются на восемь равномерных секторов по 45. Далее для каждого сектора к вычисляется следующий параметр: где а - весовой коэффициент, F - значение параметра оцениваемой ГРВ-граммы в данном секторе, F - значение параметра ГРВ-граммы тест-объекта в данном секторе , Fo - значение параметра для части внутреннего овала в данном секторе, Ff0- значение параметра для части внутреннего овала ГРВ-граммы тест-объекта в данном секторе. В качестве параметра F используется значение площади сектора. Параметры SintL, SintR вычисляются как среднее значение Wk соответственно для левой и правой рук, а параметры D SintL и D SintR - как их дисперсии.
Параметр Entlnt вычисляется на основании параметров ГРВ-энтропии для пальцев правой и левой рук по следующей формуле: где М= 5 — количество ГРВ-грамм для пальцев рук.
Результаты корреляционного и факторного анализа, проведенные по указанным выше параметрам, включая результаты экспертных оценок эффективности выполнения спортивных навыков, демонстрируют статистически значимую связь большинства параметров ГРВ-грамм с успешностью соревновательной деятельностью. Так, анализ распределения данных в пространстве ГРВ-энтропии, усредненной по ГРВ-граммам пальцев правой и левой рук (Рис. 18), показал значимость этого параметра при прогнозе психофизической готовности спортсменов к соревновательной деятельности. На графике видно, что основные данные, за исключением нескольких точек, сосредоточены вдоль линии равных значений ГРВ-энтропии правой и левой рук. В верхнем правом углу, соответствующему высоким значениям энтропии, сосредоточена группа точек, соответствующая спортсменам, достигшим своих наилучших результатов ко времени проведения обследования. В группу, отмеченную красным цветом (Group 1) входят спортсмены, являющиеся чемпионами соревнований регионального, общероссийского и международного уровня.
