СТАТИСТИЧЕСКИЕ МЕТОДЫ ОБРАБОТКИ БИОМЕДИЦИНСКИХ СИГНАЛОВ И ДАННЫХ
DOI:
https://doi.org/10.52167/1609-1817-2025-1-S1-441-451Ключевые слова:
Априорный и апостериорный кластерный анализ, скатерограмма, регрессионный анализ, ФКГ-сигнал, пульсовая волна, акустических сигнал, обработка биомедицинских данных, машинное обучениеАннотация
В данной статье представлен обзор, посвященный использованию современных алгоритмов статистической обработки биомедицинских сигналов и данных. Рассмотрены работы последних лет, в которых были решены реальные практические задачи анализа большого объема количественных данных. В структуре статьи поэтапно рассмотрены наиболее часто и широко применяемые статистические методы. Для выявления эффективности разработанного помехоустойчивого алгоритма обработки акустических сигналов представлено использование апостериорной кластеризации. Показаны возможности использования машинного обучения на основе алгоритма нейросетевой кластеризации в вопросах сортировки биомедицинских данных. В качестве перспективного направления современной биомедицины представлены результаты статистического анализа активности сердечно-сосудистой системы по модальностям (фонокардиографического (ФКГ) сигнала, кривая пульсовой волны).
Проведено исследование степени искажения выходного ФКГ‑сигнала, полученного при применении ранее разработанного алгоритма фильтрации, в доказательство чего приведена диаграмма рассеяния (скатерограмма), подтверждающая результативность описываемого алгоритма. Для исследования динамики изменчивости кривой пульсовой волны было рассмотрено использование вариабельности сердечного ритма на основе метода параметрической статистики. Также в статье уделено внимание вопросу статистической значимости и достоверности полученных результатов.
Библиографические ссылки
Khusainova R. M., Shilova Z. V., Curteva O. V. (2016). Selection of Appropriate Statistical Methods for Research Results Processing //Mathematics Education. – T. 11. – №1. – S. 303-315.
Miyamoto S. (2015). Ward method of hierarchical clustering for non-Euclidean similarity measures, Soft Computing and Pattern Recognition (SoCPaR), 7th International Conference of. – IEEE, S. 60-63.
Altay Y. A., Kremlev A. S. (2018). Noise resistance processing of speech signals Young Researchers in Electrical and Electronic Engineering (EIConRus), IEEE Conference of Russian. – IEEE, S. 1180-1185.
Akwei-Sekyere S. (2015). Powerline noise elimination in biomedical signals via blind source separation and wavelet analysis PeerJ. T. 3. – P. 1-24
Isakov R.V. (2014). Metodologija intellektual'nogo analiza kardiosignalov Biotehnosfera. №3, T33, S. 35-38.
Baevsky R. M., Chernikova A. G. (2017). Heart rate variability analysis: physiological foundations and main methods, Cardiometry. №10. P. 66-76
Altay Y.A., Kassymbekova K.B. (2016). Issledovanie variabel'nosti kardiosignalov v uslovijah svobodnoj dvigatel'noj aktivnosti subekta, Proceedings International Satpayev’s Readings pp. 100-104.
Balouchestani M., Krishnan S. (2015). Long-term surface EMG monitoring using K-means clustering and compressive sensing, Compressive Sensing IV. – International Society for Optics and Photonics, T. 9484. – S. 1-11
Li W., Wang G., Li K. (2017). Clustering algorithm for audio signals based on the sequential Psim matrix and Tabu Search, EURASIP Journal on Audio, Speech, and Music Processing. T. №1. – S. 2-9.
Altay Y.A., Kremlev A.S. Cluster analysis of sequential processing speech signals, Proceedings of the IEEE International Conference «Video and Audio Signal Processing in the Context of Neurotechnologies» P. 38-39.
Hartel B. P. (2017).Hearing aid fitting for visual and hearing-impaired patients with Usher syndrome type II a, Clinical Otolaryngology. T. 42. – №4. – P. 805-814.
Kacha A. (2017). On the harmonic-to-noise ratio as an acoustic cue of vocal timbre of Parkinson speakers, Biomedical Signal Processing and Control. T. 37. – P. 32-38.
Moye L. (2016). Statistical methods for cardiovascular researcher’s, Circulation research. T. 118. – №. 3. – S. 439-453.
Smirjaev A.V., Martynov S.P., Kil'chevskij A.V. (1992). Biometrija v genetike i selekcii rastenij. Moskva izdatel'stvo MSHA, 268 s.
Yerzhebayeva R., Abekova A., Konysbekov K., Bastaubayeva Sh., Kabdrakhmanova A., Absattarova A., Shavrukov Y. (2018). Two sugar beet chitinase genes, BvSP2 and BvSE2, analysed with SNP Amplifluor-like markers, are highly expressed after Fusarium root rot inoculations and field susceptibility trial, PeerJ. T. 6. – S. 1-19
Robotti E., Manfredi M., Marengo E. (2014). Biomarkers discovery through multivariate statistical methods: a review of recently developed methods and applications in proteomics, J Proteomics Bioinformatics. T. 3. – S. 1-20.
Kalendar' R.N., Glazko V.I. (2002). Tipy molekuljarno-geneticheskih markerov i ih primenenie Fiziologija i biohimija rastenij. T. 34, №4. - S. 279-281.
Xu D.H., Gai J.Y. (2003). Genetic diversity of wild and cultivated soybeans growing in China revealed by RAPD analysis Plant Breeding. Vol. 122, №6. – P.503-506.
Mudibu J., Nkongolo K.K.C., Mehes-Smith M., Kalonji-Mbuyi A. (2011). Genetic Analysis of a Soybean Genetic Pool using ISSR Marker: Effect of Gamma Radiation on Genetic Variability, International Journal of Plant Breeding and Genetics. Vol. 5. – P. 235-245.
Maras M., Šustar-vozlic J., Javornik D., Meglict V. (2008). The efficiency of AFLP and SSR markers in genetic diversity estimation and gene pool classification of common bean (Phaseolus vulgaris L.), Acta agricultural Slovenica. Vol. 5. – R. 87-96.
Guo J., Liu Y., Wang Y., Chen J., Li Y., Huang H., Qiu L., Wang Y. (2012). Population structure of the wild soybean (Glycine soja) in China: implications from microsatellite analyses Annals of Botany. Vol. 110, №4. – P. 777-785.
AbekovaA.M., ErzhebaevaR.S., Konysbekov K.T., Bastaubaeva Sh.O., Mukin K.B., Azimbek N.I. (2017). Izuchenie polimorfizma u gibridov i linij saharnoj svekly (Beta vulgaris L.) s pomoshh'ju RAPD – prajmerov Saharnaja svekla. №9. – S.32-38
Cherezov D.S., Tjukachev N.A. (2009). Obzor osnovnyh metodov klassifikacii i klasterizacii dannyh Vestnik VGU. Sistemnyj analiz i informacionnye tehnologii. №2. S. 25-29
Mahrov S.S. (2014). Neural clustering of wireless sensor network nodes T-Comm N6 P. 31-35
Chernyh S.V. Ispol'zovanie nejrosetej Kohonena dlja klassifikacii v zadachah optimizacii Vestnik RGU im. I.Kanta. №10. S. 61-64.
Manzhula V.G., Fedyashov D.S. (2011). Kohonen neural networks and fuzzy neural networks in data mining. Technical Science. №4, P. 108-114.
Mendizabal-Ruiz G. (2018). Genomic signal processing for DNA sequence clustering PeerJ T. 6. – S. 1-21.
Makesheva K.K., Altaj E.A. (2014). Primenenie nejronnoj seti Kohonena dlja klasternogo analiza Proceedings International Satpayev’s Readings. pp. 47-51
Uribe Y. F. (2018). Physiological Signals Fusion Oriented to Diagnosis-A Review Colombian Conference on Computing. – Springer, Cham, P. 1-15.
Skorobogatova A. I., Anisimov A. A., Sutyagina A. D. (2018). The Problem of Pulse Wave Feature Points Detection in Algorithms for Indirect Blood Pressure Estimation //2018 Third International Conference on Human Factors in Complex Technical Systems and Environments (ERGO) s and Environments (ERGO). – IEEE, S. 181-184.
Makesheva K. K., Altay E. A., Sadykova A. A. (2018). The phonocardiographic data recording & processing system: an effective approach Cardiometry. №12. P. 66-68.
Van M.E. (1982). Analog filters design. Japan: Saunders College Publishing; p.624.
Sindeeva L.V., Medvedeva N.N., Nikolave V.G., Strelkovich, Orlov I.I. (2013). Primenenie metodov regressionnogo analiza v biomedicinskih issledovanijah Vestnik novyh medicinskih tehnologij. T.10, №2 – S.219
Lantos C., Pauk J. (2016). Another Culture as an Effective Tool in Winter Wheat (Triticum aestivumL.) Breeding1 Russian Journal of Genetics, Vol. 52, No. 8, pp. 794–801.
Yerzhebayeva R. S., Abekova A. M., Ainebekova B. A., Urazaliyev K. R., Bazylova T. A., Daniyarova A. K., and G. Kh. Bersimbayeva (2017). Influence of Different Concentrations of Ascorbic and GibberellicAcids and pH of Medium on Embryogenesis and Regenerationin Anther Culture of Spring Triticale Cytology and Genetics, Vol. 51, No. 6, pp. 448–454.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Ельдос Алтай, Култаева Шынар, Динара Шуебаева, Юлия Амангельдиева, Айтолкын Рысбек
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
