Содержание к диссертации
Введение
Глава 1. Пульсовая волна как объект исследования в физиологии человека 11
1.1. Диагностическая значимость пульса в современной европейской и восточной медицинах 11
1.2. Проблема математического моделирования пульсовой волны... 20
1.3. Программно-аппаратные комплексы тестирования алгоритмов построения ритмограммы в режиме реального времени 27
1.4. Программно-аппаратные комплексы оценки состояния здоровья человека 30
1.5. Цели и задачи исследования 33
Глава 2. Модели и методы исследования сигнала пульсовой волны 34
2.1. Модель гармонического осциллятора 34
2.1.1. Аналитическое решение. Ограничения на параметры и состояния 34
2.1.2. Частотные характеристики импульса. Спектр Фурье 37
2.1.3. Приведение непрерывного модельного импульса к дискретному виду 43
2.1.4. Идентификация параметров во временной области 46
2.2. Модель пульсовой волны 52
2.2.1. Постановка задачи о выделении дыхательного паттерна 53
2.2.2. Радиотехнический подход при моделировании амплитудной модуляции 55
2.2.3. Амплитудная модуляция при наличии изолинии. Аддитивный подход при моделировании амплитудной модуляции реограммы 58
2.2.4. Аналитическое решение модели пульсовой волны 59
2.2.5. Амплитудная модуляция пульсовой волны. Спектр
Фурье при амплитудной модуляции 60
2.2.6. Одноточечный алгоритм выделения аддитивных амплитудных составляющих 63
2.2.7. Ограничения метода. Влияние тренда 69
2.2.8. Эффект маскировки частот при выделении дыхательной волны из пульсовой волны 71
2.2.9. Блок-схема одноточечного вычислительного алгоритма выделения дыхательной волны 74
2.2.10. Экспериментальная проверка алгоритма выделения дыхания из сигнала пульсовой волны 80
2.3. Программный комплекс имитационного моделирования сигнала пульсовой волны в режиме реального времени 87
2.3.1. Описание класса TModelThread 89
2.3.2. Описание класса TCircleBufferll 90
2.3.3. Описание компоненты TGraphPanel 94
2.3.4. Описание классов для работы с АЦП (ЦАП) PCL-812 101
2.3.5. Описание классов для работы с АЦП (ЦАП) Альфа-100-16/32 104
2.3.6. Описание программы имитационного моделирования пульсовой волны в режиме реального времени 107
2.4. Выводы 113
Глава 3. Программный комплекс пульсовой диагностики 115
3.1. Оценка состояния здоровья человека методами традиционной медицины 116
3.2. Оценка состояния здоровья человека методами восточной медицины 125
3.3. Структура программного комплекса 127
3.4. Блок измерения 128
3.5. Блок обработки сигналов в режиме реального времени 132
3.6. Блок анализа результатов измерения 139
3.7. Блок визуализации промежуточных и конечных результатов измерений 142
3.8. Структура и назначение базы данных 144
3.9. Класс параметров приложения 145
3.10. Дополнительные функциональные возможности программного комплекса 147
3.11. Выводы 149
Заключение 150
Список литературы 152
- Программно-аппаратные комплексы тестирования алгоритмов построения ритмограммы в режиме реального времени
- Радиотехнический подход при моделировании амплитудной модуляции
- Экспериментальная проверка алгоритма выделения дыхания из сигнала пульсовой волны
- Дополнительные функциональные возможности программного комплекса
Введение к работе
Бурное развитие компьютерной биометрии за последние 2-3 десятилетия во многом обусловлено разработкой и широким внедрением в клиническую практику новых, в том числе и сфигмографических, методов исследования состояния здоровья организма человека [1,2,3]. На основании параметров сигнала пульсовой волны (сфигмограммы) можно судить об изменениях гемодинамических характеристик, ритма сердца, скорости кровенаполнения в исследуемой части тела. В то же время физические процессы образования формы пульсовой волны до конца еще не изучены. Это порождает широкий круг задач, решаемых с помощью математического моделирования. Предметом исследования пульсовой волны, как раздела гемодинамики, являются три главные области:
1) физические и механические явления при течении крови в сосудах;
2) объяснение роли этих явлений при течении крови в сосудах;
3) практическое приложение результатов для клинических целей и целей диагностики.
При этом отдельно следует отметить область, касающуюся изучения характеристик ритма сердца.
В ранних теоретических работах, которые имели отношение к проблемам течения крови, рассматривалось распространение возмущений давления в эластичных трубах, содержащих невязкую жидкость. В 1950-е годы стали появляться модели распространения волн, учитывающие влияние вязкости. При непосредственном одновременном измерении на разных участках артериального дерева человека были получены профили давления крови (формы пульсовых волн), которые лишь частично были подтверждены с помощью указанных типов моделей гемодинамики [4,5]. В работе [6] указывается на то, что истолкование результатов моделирования пульсовой волны и ряда ее характеристик (импеданса, места отражения пульсовой волны) для сложных ветвящихся систем неизбежно оказывается сугубо предположительным. Исходя из этого, некоторые исследователи предлагали использовать более простые модели, например модель затухающего осциллятора [6]. Обладая сложной частотной структурой, она также позволяет решать ряд исследовательских и практических задач.
Одним из недостатков гемодинамических моделей является сложность учета процессов, участвующих в формировании ритма сердца. Указанные процессы могут быть получены с помощью различных моделей, однако, как отмечается во многих работах, посвященных моделированию ритма сердца, в связи с недостаточным пониманием процессов регуляции в сердечно сосудистой системе наиболее обоснованным является применение имитационных моделей [7].
При моделировании ритма сердца в работах [7,8] были использованы конечные соотношения между функциями, что не всегда является достаточным для анализа динамических режимов, хотя имеется ряд преимуществ, к которым можно отнести резкое упрощение описания новых режимов работы сердечно-сосудистой системы, появляющихся в литературе, легкость процесса создания и идентификации новых моделей, зачастую нелинейных. При этом появляется возможность детального исследования временных, частотных и статистических особенностей кардиоинтервалограммы и соотнесения их с уже известными процессами регуляции. Тем не менее, применение только одного из подходов — моделирование формы пульсовой волны или ритмограммы - не может дать полной информации о системе в целом. Таким образом, становится актуальной задача исследования частотных, амплитудных и временных характеристик пульсовой волны на основе объединения указанных выше двух подходов: математического моделирования формы пульсовой волны и имитационного моделирования кардиоинтервалограммы.
При этом практическое использование результатов математического моделирования пульсовой волны является одной из важнейших задач, позволяющих проводить неинвазивную диагностику состояния сердечнососудистой системы и организма в целом.
Цель работы - построение математической модели пульсовой волны. При этом решались следующие исследовательские задачи:
1. Создание и исследование алгоритма выделения дыхательной волны из сигнала пульсовой волны.
2. Разработка программно-аппаратного комплекса имитационного моделирования сигнала пульсовой волны в режиме реального времени для тестирования программных и аппаратных алгоритмов построения ритмограммы.
3. Разработка программно-аппаратного комплекса пульсовой диагностики для проведения измерения сигнала пульсовой волны в режиме реального времени и оценки состояния здоровья человека методами традиционной и восточной медицины.
Основные результаты работы:
1. Разработана математическая модель пульсовой волны, позволяющая использовать конечные соотношения между функциями, которые имитируют различные режимы работы сердечно-сосудистой системы. Показано, что диагностическое применение амплитудных и частотных характеристик пульсовой волны и отдельных реоциклов обосновано только при условии их усреднения, что объясняется наличием амплитудной модуляции сигнала пульсовой волны дыхательной волной.
2. Предложен алгоритм выделения дыхательной волны из сигнала пульсовой волны с помощью одного датчика пульсовой волны, который был реализован в программно-аппаратном комплексе пульсовой диагностики. Исследованы физиологические и теоретические ограничения алгоритма и даны рекомендации по его использованию.
3. Предложен принцип построения программно-аппаратных комплексов для тестирования алгоритмов выделения реоциклов из сигнала пульсовой волны, заключающийся в синхронной передаче модельного сигнала и сигнала, содержащего импульсы точных значений максимумов реоциклов в моделируемом сигнале.
4. Разработан программно-аппаратный комплекс имитационного моделирования сигнала пульсовой волны в режиме реального времени. С его помощью был протестирован алгоритм выделения реоциклов в режиме реального времени, использованный в программно-аппаратном комплексе пульсовой диагностики [9].
5. Исследована проблема создания программно-аппаратного комплекса для интегральной оценки состояния здоровья человека методами традиционной и восточной медицины и для изучения свойств медико-биологических сигналов.
6. Разработана библиотека классов визуализации и обработки сигналов различной природы.
7. Разработана и реализована структура программно-апаратного комплекса пульсовой диагностики, включающая предложенный автором алгоритм обработки сигнала пульсовой волны в режиме реального времени.
Апробация работы:
Приведенные в диссертации результаты были представлены автором на следующих конференциях:
1. Седьмая Всероссийская научная конференция студентов и молодых ученых, 5-Ю апреля 2001 г., Екатеринбург - Санкт-Петербург.
2. Международный конгресс «Новые медицинские технологии», 8-12 июля, 2001 г., Санкт-Петербург.
3. IV Всероссийский съезд специалистов лечебной физкультуры и спортивной медицины, 16-18 октября 2002 г., Ростов на Дону.
4. Симпозиум "Лазеры на парах металлов", п. Лазаревское, ОК "Зарница", 25-29 сентября 2000 г.
5. Междисциплинарная конференция с международным участием «Новые биокибернетические и телемедицинские технологии 21 века для диагностики и лечения заболеваний» (НБИИТТ-21). г.Петрозаводск, 23-25 июня 2003 г.
6. Экология. Экономика. Экспертиза. Информатика. XXX школа-семинар «Математическое моделирование в проблемах рационального природопользования», п. Дюрсо, 9-14 сентября 2002 г.
За время работы над диссертацией было опубликовано 17 научных работ [9,51,59,73,78,79,83,84,91,92,96,97,98,99,100,106,107]. В том числе 3 статьи в российских журналах, 3 статьи в сборниках, 11 тезисов выступлений на конференциях.
Программно-аппаратные комплексы тестирования алгоритмов построения ритмограммы в режиме реального времени
Как правило, на современном этапе развития исследование физиологии человека отталкивается от полученных экспериментальных данных, к которым можно отнести физиологические сигналы. Широкое распространение получили методы сфигмографии лучевой артерии, пъезопульсография, сфигмография, фотоплетизмография, электроэнцефалография, электрокардиография и многие другие специализированные инструментальные средства. Среди них можно выделить несколько методик, имеющих непосредственное отношение к сердечно-сосудистой системе. Наибольший интерес у исследователей вызывает электрокардиография (ЭКГ), фотоплетизмография (ФПГ) и сфигмография лучевой артерии, что можно объяснить, как обилием получаемых параметров (ФПГ и сфигмография лучевой артерии), так и принятыми стандартами диагностики в клинике (ЭКГ). Причем, на сегодняшний день часто приоритеты отдаются диагностическим программно-аппаратным комплексам, в которых реализованы цифровые методы анализа физиологических сигналов, по причине их более низкой стоимости, удобства в обслуживании и простоты дальнейшей обработки результатов с помощью других программных средств. Спецификой, как цифрового, так и аналогового анализа пульсовой волны является то, что большая часть характеристик содержится в форменных показателях отдельных реоциклов. То есть, первоочередной задачей становится получение из всего сигнала пульсовой волны последовательно расположенных кардиоинтервалов, как самих импульсов, так и их длительностей. Проблема может быть разрешена с помощью аналоговых либо цифровых методов выделения реоциклов. В настоящее время присутствует большое количество алгоритмов реализованных и программно и аппаратно. Причем, подавляющее большинство из них решает указанную задачу для сигнала ЭКГ и имеет непосредственное отношение к методу кардиоинтервалометрии. Для этих систем разрабатываются специализированные приборы, которые, согласно установленным стандартам [38,39], позволяют проводить испытание с помощью различных тестовых сигналов на надежность работы алгоритмов. Тем не менее, как показано в работе [40] такой подход имеет ряд недостатков. К таковым относится то, что тесты проводятся только с
Проблема поиска критериев для оценки динамических изменений в организме человека не нова [42]. Как было указано ранее, для этих целей используют многие инструментальные средства и, тем самым, получают огромный набор информативных параметров. Все они, так или иначе, отражают процесс адаптации организма. При этом происходит некая функциональная модификация во времени органов и систем. Наблюдая за изменением, например, параметров гемодинамики [43] может быть дана предварительная оценка состояния сердечно-сосудистой системы. Выделяя тот или иной инструментальный метод, врачу становится доступной информация, позволяющая косвенно судить о процессе адаптации организма. Но физиологически важно знать и интегральные оценки происходящих изменений, для того чтобы вовремя предупредить развитие заболеваний. Частично данную проблему попытались решить путем анализа ритма сердца [44]. Как правило, во многих работах посвященных данной тематике используются программно-аппаратные комплексы (ПАК) [45,46]. В их основе заложены интегральные оценки и градуировка функционального состояния организма, разработанные авторами на основе анализа экспериментальных данных. Так в ПАК «Динамика 100» путем измерения сигнала ЭКГ и статистической и спектральной обработки ритмограммы была предложена собственная градация показателя здоровья [45]: 1. Системы регуляции организма в оптимальном состоянии; 2. Системы регуляции организма в состоянии мобилизации; 3. Системы регуляции организма в состоянии рассогласования; 4. Системы регуляции организма в состоянии функциональной неустойчивости; 5. Системы регуляции организма в устойчиво нарушенном состоянии. Проблема поиска критериев для оценки динамических изменений в организме человека не нова [42]. Как было указано ранее, для этих целей используют многие инструментальные средства и, тем самым, получают огромный набор информативных параметров. Все они, так или иначе, отражают процесс адаптации организма. При этом происходит некая функциональная модификация во времени органов и систем. Наблюдая за изменением, например, параметров гемодинамики [43] может быть дана предварительная оценка состояния сердечно-сосудистой системы. Выделяя тот или иной инструментальный метод, врачу становится доступной информация, позволяющая косвенно судить о процессе адаптации организма. Но физиологически важно знать и интегральные оценки происходящих изменений, для того чтобы вовремя предупредить развитие заболеваний. Частично данную проблему попытались решить путем анализа ритма сердца [44]. Как правило, во многих работах посвященных данной тематике используются программно-аппаратные комплексы (ПАК) [45,46]. В их основе заложены интегральные оценки и градуировка функционального состояния организма, разработанные авторами на основе анализа экспериментальных данных. Так в ПАК «Динамика 100» путем измерения сигнала ЭКГ и статистической и спектральной обработки ритмограммы была предложена собственная градация показателя здоровья [45]:
Радиотехнический подход при моделировании амплитудной модуляции
Физические параметры объектов, исследуемых при обработке сигналов, обычно изменяются непрерывно. Например, изменение давления крови в заданной точке артерии происходит непрерывно. Теоретически производить измерение через бесконечно малые промежутки времени возможно. Однако, принимая в расчет объем памяти, необходимый для хранения данных измерения, и время на их обработку, приходится обращать внимание, как на интервалы времени, так и на количество уровней, в которых будет выражена измеряемая физическая величина. Таким образом, при преобразовании непрерывного сигнала в цифровой необходимо произвести две операции: дискретизацию и квантование. Операция дискретизации непосредственно связана с проблемой выбора интервала дискретизации выборки. Так, произвольный сигнал, спектр которого не содержит частот выше fc (Гц), может быть полностью восстановлен, если известны отсчетные значения этого сигнала, взятые через равные промежутки времени - -f-c. теорема Котельникова [52]). В работе Т. Педли, посвященной гидродинамике крупных кровеносных сосудов [4], было указано на то, что при измерении формы скорости пульсовой волны датчик должен обладать возможностью реагировать на частоты до 20 Гц и, в редких случаях, - при пиковых значениях, «узких» пульсовых колебаниях - достигать 50 Гц. То есть, согласно теореме Котельникова, частоту дискретизации целесообразно выбирать равной 100 Гц. Рассмотрим операцию квантования. Поскольку числовое значение каждого отсчета должно быть выражено некоторым конечным набором цифр, то приближенно описать бесконечную последовательность возможных значений непрерывного процесса можно с помощью конечного числа уровней квантования. Если квантование выполнено верно, то истинным значениям непрерывного сигнала будут соответствовать наиболее близкие к ним уровни квантования. Иначе говоря, точность приближения к непрерывному сигналу зависит от числа уровней квантования. В связи с тем, что большинство современных аналогово-цифровых преобразователей предоставляют сигнал на выходе в двоичном виде, что позволяет непосредственно вводить его в ЭВМ, число уровней квантования также удобно представлять в двоичном виде. Как у зарубежных, так и у отечественных производителей АЦП имеется возможность использовать от 6 до 16 бит информации, что соответствует уровням квантования от 64 до 65536. При идеальном преобразовании ошибка квантования распределена равномерно со стандартным отклонением 0,29д, где At - шаг квантования. Стандартное отклонение ах = JV\2 цены деления [53,35]. Это и есть среднеквадратическое значение ошибки квантования (шума квантования). В рассматриваемых в настоящей работе датчиках пульсовой волны были использованы АЦП AD1674 фирмы Analog Devices (США) с соотношением сигнал/шум, равным 69 дБ при температурах окружающей среды от 0С до +70С [54]. Данный аналогово-цифровой преобразователь является 12-разрядным и предоставляет возможность измерения в 4096 уровнях квантования. Исходя из вышесказанного, приборы пульсовой волны на этапе измерения сигнала и его преобразования в цифровую форму соответствуют требованиям, предъявляемым к регистрации непрерывных сигналов.
Аналогично, в решении (2.2) модельный сигнал x(t) при заданных значениях параметров k ,k2, Т, А представляет собой непрерывную функцию. Поэтому, с целью ее дальнейшего изучения с помощью цифровых методов, требуется проводить процедуры, подобные операциям дискретизации и квантования. Для большего соответствия частотных характеристик модельных и экспериментальных колебаний пульсовой волны была выбрана частота дискретизации 100 Гц. С учетом всего вышесказанного, проведению исследования модельного сигнала предшествовало его приведение к дискретному виду. Приведение осуществлялось путем замены непрерывной переменной времени t на ее дискретное представление, t — At Jt у = 0,1,..., где шаг At - интервал выборки - принимался равным единице, что означало «сдвиг» по оси времени на 10 мс. При использовании схемы, позволяющей привести экспериментальные данные к единичному стандартному отклонению и нулевому среднему, нет необходимости рассматривать операции «квантования» для теоретически полученных сигналов пульсовой волны. Тем не менее, при наличии 12 разрядного АЦП, диапазон изменения значений экспериментального сигнала выглядит следующим образом: -5..5. Следовательно, значения модельных сигналов для дальнейшей идентификации и сравнения должны находиться в тех же пределах.
Приступая к анализу сложной физической системы, такой как человеческий организм, необходимо учитывать тот факт, что она не является строго детерминированной и линейной. Данное свойство определяет выбор методов ее исследования. В частности, при анализе сердечно-сосудистой системы и механики движения крови по сосудам прибегают к методам математического моделирования течения жидкости по эластичным трубкам. Как было указано в главе 1, использование сложных гидродинамических моделей дает возможность оценить и изучить лишь небольшую часть параметров, однако, даже с помощью линейной теории колебаний, путем анализа сигнала пульсовой волны вкупе с анализом линейной системы (2.1) возможно скорректировать и уточнить ряд характеристик, получаемых из указанного сигнала, обосновать их корректность. Для оценки параметров ki, k2, А и Т решения модели (2.2) был использован метод наименьших квадратов (МНК). Искомая аналитическая зависимость x(t) может быть представлена в виде y = x(t,a), где x(t,a)- функция определенного вида, а-вектор ее параметров. Еслиу,-, / = 0...ЛГ-1 - эмпирические данные, то, согласно МНК, искомое значение а - минимизирует сумму квадратов отклонений эмпирических данных у; от соответствующих им теоретических значений x(t.,a) [55,56]:
Экспериментальная проверка алгоритма выделения дыхания из сигнала пульсовой волны
Применение предложенного в 2.2.9 алгоритма возможно при наличии соответствующего программного обеспечения, которое будет подробно описано в следующей главе. Здесь же будет уделено внимание результатам его экспериментальной проверки. Человеческий организм, являясь сложной системой, редко поддается непосредственному управлению. При тестировании данного программного обеспечения имеется возможность, тем не менее, использовать управление респираторной системой. Задавать ритм дыхания человеку, например, периодической функцией заданной частоты, с помощью некоторого индикатора, реализованного либо физически (светодиод на выходе генератора периодического колебания), либо программным путем (звуковой или визуальный сигнал). Второй этап тестирования - проверка алгоритма при естественных дыхательных колебаниях. Несмотря на возможность контроля дыхательных движений, ритм сердца не может быть подвержен управлению, поэтому ритмограмма (условная «частота дискретизации») будет представлена только при естественном ее изменении. При проведении экспериментов с «управлением» необходимо учитывать его последствия, негативно сказывающиеся на состоянии пациента, то есть следует проявлять осторожность в установлении режимов дыхания, при которых человек начинает ощущать, например, головокружения, слабость и другие симптомы нарушения общего самочувствия. Поэтому предлагалось проводить эксперимент в следующей последовательности (особенно для людей с нарушениями функций респираторной системы): 1. Определение частоты дыхания при естественных дыхательных колебаниях. 2. Определение частоты дыхания при заданном ритме, представляющем собой ускоренный на треть «естественный» ритм. 3. Определение частоты дыхания при заданном ритме, представляющем собой замедленный на треть «естественный» ритм. Для того чтобы произвести проверку корректности работы алгоритма выделения дыхания, было предложено использовать двухканальное синхронное измерение: сигнала пульсовой волны и сигнала дыхания. Измерения проводились с помощью акустического датчика пульсовой волны и датчика дыхания (датчик смещения) соответственно. Для каждого из них частота дискретизации составляла 100 Гц. Сравнение результатов проводилось в два этапа: 1. Определение коэффициента корреляции между рядом, составленном из найденных максимумов реоциклов, и рядом состоящим из точек сигнала дыхания, взятых в моменты времени, соответствующие максимумам реоциклов (рис.2.30). 2. Вычисление относительной ошибки определения частоты дыхания (исходная частота дыхания человека подсчитывалась с помощью сигнала дыхания - рис.2.30, кривая 2). В таблице 2.1 строка №1 - результаты измерений при естественных условиях, без управления. Строки 2-4 - было задано управление дыхательным ритмом с помощью генератора гармонического колебания, соответствующей частоты (колонка «ЧД (раз/мин), эталонная»). Столбец «ЧСС (уд./мин), N» - количество найденных максимумов в пульсовой волне за отведенный интервал времени (в данном случае 1 минута). «СКО длительности интервалов, (мс), Disp» - выборочное среднеквадратическое отклонение длительностей интервалов в ритмограмме. Из таблицы 2.1 видно, что для «практически здорового» человека алгоритм определения частоты дыхания работал со 100% точностью. Тем не менее, следует отметить, что коэффициент корреляции между рядами максимумов реоциклов и кривой дыхания оставался достаточно низким. Данный факт говорит, прежде всего, о высокой вариабельности максимумов реоциклов по сравнению с соответствующими точками, расположенными на кривой дыхательного колебания, частично за счет наличия тренда в ряде максимумов реоциклов (рис.2.29). Второе замечание касается номера граничной частоты. Согласно полученным экспериментальным данным (таблица 2.1.), округленная величина / оставалась равной 7. На рис. 2.31. приведен снимок экранной формы с результатом работы алгоритма для управляемого режима (строка №2 в таблице 2.1) №1 в таблице 2.2).
Дополнительные исследования данного алгоритма были проведены на базе медико-технического отдела ФГУП «РНИИРС». По предложенной ранее схеме было протестировано 60 человек. Данную группу, согласно данным медицинских карт, разбили на две подгруппы: «практически здоровые» люди (27 чел.) и люди, имеющие отклонения в респираторной системе (33 чел.). По каждой из групп были получены следующие результаты:
Как видно из таблицы 2.3, качество вычисления частоты дыхания улучшается при использовании управления дыхательным колебанием. В результате анализа экспериментальных данных было замечено, что ошибки, возникающие при определении частоты дыхания, связаны с появлением переходных процессов в сигнале дыхательного колебания. Во время проведения измерений пульсовой волны в респираторной системе человека возникали резкие переходы от одной частоты дыхания к другой, что приводило к появлению двух или трех близких по значению гармоник (частоты дыхания) в спектре сигнала максимумов. В подобных случаях алгоритм «выбирал» частоту, наиболее близкую к граничной частоте /. Эти «ложные» срабатывания давали неточный результат. Наличие переходного процесса трудно учесть из-за сложности и многочастотности присутствующего тренда (рис.3.32, рис.3.34), который не позволяет однозначно идентифицировать присутствие переходного процесса в дыхательных колебаниях. Кроме того, полученные результаты подсчета величины / позволяют поставить вопрос о возможности фиксирования номера граничной частоты на уровне 7-й либо 8-й гармоники. Однако в данной работе, при проведении эксперимента величина / подсчитывалась с учетом (2.34). Несмотря на указанные недостатки, алгоритм может быть использован как для создания программно-аппаратных комплексов дыхательных тренировок с применением только одного датчика пульса, так и комплексов пульсовой диагностики с предварительной оценкой состояния респираторной системы организма человека.
Дополнительные функциональные возможности программного комплекса
Выделение левой кнопкой мыши реализовано в форме стандартного для операционной системы Windows режима выделения. Для этого нужно, не отпуская левой кнопки мыши, указать область выделения. После отжатия кнопки происходит закрепление выделенного участка и его визуализация в виде прямоугольника, боковыми гранями которого служат прямые проходящие через абсциссы начала и конца выделения. Для удобства цвет полученного прямоугольника установлен отличным от цвета фона самой компоненты (рис. 2.38а). Для настройки указанных цветов используются свойства ColorBarMark (цвет заливки прямоугольника) и ColorMark (цвет границы прямоугольника). Использование левой кнопки, позволяет выделять только то, что находится в демонстрационном окне компоненты в текущий момент времени, то есть, сигнал находящийся "за кадром" выделить невозможно. Выделенную область можно сохранить, вызвав метод CopyToClipboard. В результате, как было указано выше, мы получаем данные в виде динамического массива и циклического буфера. Доступ к этим структурам можно получить при помощи свойств DClipboard и Clipboard соответственно. При повторном выделении происходит сброс предыдущей области выделения и установка новой. Направление выделения является произвольным (слева направо или справа налево).
Выделение правой кнопкой мыши реализовано иначе: необходимо дважды щелкнуть мышью на компоненте, сделав между щелчками небольшую паузу. При первом нажатии появляется вертикальная черта, которая будет впоследствии либо началом, либо концом выделения, в зависимости от расположения второй вертикальной черты, к появлению которой приведет повторное нажатие правой кнопки мыши. После закрепления выделенной области ее границы отображаются в виде двух прямоугольных скобок, цвет которых задается при помощи свойства ColorMark. Описанный способ делает возможным выделение сигнала, находящегося в настоящий момент времени за пределами демонстрационного окна, для чего используются полосы прокрутки. Сохранение выделенной области также осуществляется при помощи метода CopyToClipboard. При этом также будут получены два набора точек: в форме динамического массива и в форме циклического буфера. Направление расстановки границ значения не имеет. Помимо возможности выделения границ «вручную» предусмотрена их автоматическая расстановка. Для этого, при добавлении новых данных в компоненту, необходимо использовать пометки точек в буфере, которые и будут маркерами границ, то есть, при вызове метода PutPixel(Value,[MarkBuffer]) нужно использовать второй параметр MarkBuffer. Для автоматической расстановки границ необходимо дважды (без задержки) щелкнуть правой кнопкой мыши на компоненте. При этом для точки, в которой в момент нажатия правой кнопки мыши находился ее указатель, происходит поиск ближайших слева и справа помеченных точек, которые и будут выбраны в качестве границ выделения. В случае, если слева от искомой точки не окажется помеченной точки, в качестве границы выбирается самая левая точка демонстрационного окна. Если отсутствует правая маркированная точка, то, в случае визуализации с анимацией, в качестве таковой выбирается самая правая точка демонстрационного окна, а без анимации - точка, стоящая слева от курсора. При первом же добавлении новой точки выделение левой и правой кнопкой мыши сбрасывается.
Поскольку при длительной записи сигнала видимой остается сравнительно небольшая его часть, то компонента TGraphPanel была оснащена полосой прокрутки (2) (рис 2.36), которая представлена в виде класса TScrollBar. Указанная компонента позволяет производить перемотку влево и вправо, сохраняя при этом возможность выделения, причем при выделении правой кнопкой мыши расстояние между левой и правой границами выделения может превосходить ширину демонстрационного окна. Иными словами, можно установить первую границу, произвести перемотку сигнала и установить вторую границу, что и позволяет получать выделенные участки произвольных размеров. Процессом перемотки можно управлять как интерактивно, так и программно. Интерактивная перемотка осуществляется пользователем при помощи мыши. Для управления полосой прокрутки программным путем предназначен метод Scroll(Sender; ScrollCode; var ScrollPos). Параметр ScrollCode определяет направление, а параметр ScrollPos - шаг перемотки. Перед добавлением новой точки происходит возврат сигнала в первоначальное положение, в котором он находился до начала перемотки.
Внутренний буфер, в котором хранится сигнал, доступен разработчику только для чтения. Одной функций класса TCircleBufferll лежащего в основе буфера, является сохранение данных в файл, поэтому компонента TGraphPanel также предоставляет возможность записи точек в файл. А поскольку выделенный сигнал допускает в виде циклического буфера, то в итоге можно сохранять и его. Таким образом, компонента TGraphPanel позволяет не только хранить и визуализировать данные, но и предоставлять их частями, по мере необходимости, разработчику для дальнейшей обработки.
Описанные возможности делают компоненту незаменимой в ряде задач, возникающих при создании приложений для работы с оцифрованными сигналами.
