Визуализация: картирование, построение топокартограмм.

Метод построения модели распределения биопотенциалов головного мозга, называемый иначе картированием, еще совсем недавно не был принят международной ассоциацией невропатологов. Лишь в последнее время, благодаря использованию быстродействующих процессоров, позволяющих реализовать сложные алгоритмы обработки ЭЭГ-сигнала и выдачи на экран их результатов в виде карт за сравнительно небольшое время, произошел толчок в этом направлении и разработчики подобного рода систем стали применять в своих работах данный метод.

Однако все известные алгоритмы имеют один общий недостаток - они зависят от того, в каком конкретном месте на голове расположены датчики. Это неудобно в том смысле, что если изменяется схема расположения датчиков или изменяется их число, то необходимо вносить изменения и в сам алгоритм. В представляемой работе был разработан вариант алгоритма картирования, который не зависит ни от числа датчиков, ни от их расположения. Единственное требование для его корректной работы - представить точную схему размещения при каждом очередном включении режима картирования. В электроэнцефалографических системах такие схемы обычно заносятся заранее перед проведением обследований. Считаем, что входными данными для работы данного алгоритма является сама ЭЭГ, а результатом работы четыре карты, соответствующие основным частотным диапазонам дельта, тета, альфа и бета. Последовательность действий при картировании следующая:

- выбирается сигнал для картирования. Это может быть как какой-либо участок ЭЭГ, так и вся записанная проба.

- далее происходит определение средней амплитуды ЭЭГ для каждого ритма и каждого канала. Это можно выполнить двумя способами. Первый заключается в следующем.

• Производится вычисление спектра мощности ЭЭГ-сигнала для каждого канала. Для этого можно использовать различные алгоритмы цифровой обработки. В данном случае применим алгоритм БПФ со значением минимальной различимой частоты сигнала в 1 Гц. Учитывая то, что для корректного представления ЭЭГ частота дискретизации должна быть не менее 200 Гц (согласно требованиям Международной ассоциации невропатологов), для реализации алгоритма БПФ целесообразно брать участки длиной в 256 отсчетов (ближайшее большее 200 число, соответствующее степени двойки). Таким образом получим значения амплитуд для каждой точки в частотном диапазоне от 1 до 25 Гц с шагом в 1 Гц. Длина выборки сигнала для картирования не может быть меньше 256 значений или, при частоте дискретизации 200 Гц, 1.25 секунды. Конечно, для получения более точного значения гармоник необходимо взять как можно более длинный интервал, но в этом случае теряется динамика процесса, а также возникает вероятность искажения общей картины из-за появления коротких высокоамплитудных всплесков. Поэтому, поскольку в картировании важна качественная оценка амплитуд и очень важна динамика процесса, то необходимо остановиться на минимально возможном интервале для оценки нижней частоты при картировании.

По графику спектра выделяются отдельные частотные ритмы для каждого отведения и для каждого такого ритма находится среднее значение амплитуды. Эти значения примем как амплитудный показатель конкретного ритма для каждого отведения и будем использовать их для дальнейших расчетов. Наносится координатная сетка на схематическое изображение проекции головного мозга на какую-либо плоскость (обычно используется вид сверху). Для этого определяется необходимое число узлов данной сетки. В процессе экспериментов было получено, что оптимальна по скорости и полноте представления сетка 8 x 6.

Определяется среднее амплитудное значение в каждом узле координатной сетки, учитывая суммарное влияние на них сигналов со всех отведений ЭЭГ. В данном случае используется принцип суперпозиции полей и значения в узлах сетки зависят от расстояния до точек наложения датчиков на поверхность головного мозга. Для расчета используется следующая формула:

(4.2.11)

где Ch - номер текущего канала;

N - число каналов;

A - средняя амплитуда каждого отведения;

μ - коэффициент, получаемый в результате расчетов с использованием уравнения Пуассона, характеризует затухание сигнала в диэлектрической среде, каковой является мозг человека, а также зависит от расстояния между точкой расположения датчика и точкой в узле, где рассчитывается значение потенциала. При этом считалось, что влияние каждого отведения не должно перекрываться более чем на 20 %, а также не должно быть участков не охваченных полем какого- либо канала.

Имея значения амплитуды в узлах сетки, можно определить эти значения в любой точке плоскости, охваченной сеткой. Общее число точек карты зависит от разрешения применяемого видеоадаптера персонального компьютера. Это возможно благодаря применению такого математического метода, как двумерная интерполяция. В нашем случае будем рассматривать линейную двумерную интерполяцию. Суть ее использования в следующем:

• начинаем рассматривать первую область, охваченную прямоугольником с координатами вершин (1,1) (2,1) (2,2) (1,2). Значения амплитуд в данных точках известны;

• определяем так называемые коэффициенты изменения амплитуды, обозначаемые соответственно d1 и d2, на участках (1,1) (2,1) и (2,1) (2,2) (т.е. вдоль оси X) по формуле (4.2.12). Теперь мы можем определить амплитуду всех реальных точек, заключенных между узлами (1,1) (2,1) и (2,1) (2,2) на соответствующих отрезках по формуле (4.2.13).

(4.2.12)

где А1 и А2 - амплитуды соответственно начальной и конечной точек отрезка (узлах);

n - число реальных точек на отрезке.

(4.2.13)

где k - номер точки из диапазона [1... n-1].

• теперь определяем коэффициент изменения амплитуды между точками (1,1) и (1,2) (по оси Y) по формуле (4.2.12). Затем находим амплитуду всех реальных точек между узлами (1,1) и (1,2) по формуле (4.2.13);

Рис.9. Демонстрация алгоритма картирования

• берем для расчета следующий отрезок, находящийся между реальными точками, принадлежащими сторонам (1,1), (2,1) и (2,1), (2,2) и повторяем предыдущую процедуру. Таким образом рассчитываем все точки, принадлежащие прямоугольной области с координатами вершин (1,1), (2,1), (2,2), (1,2);

• далее берется для расчета следующая область и повторяются все вышеперечисленные действия.

Таким образом, в результате определяются все амплитудные значения, принадлежащие построенной координатной сетке. Конечно, для повышения точности расчетов и точности представления можно было бы использовать и другие методы интерполяции, например полиномы Лагранжа, Ньютона или сплайн-аппроксимацию, но учитывая требования по скорости обработки, а также то, что картирование является методом качественной, а не количественной оценки ЭЭГ, остановимся именно на линейной интерполяции;

Определяются точки, принадлежащие схематической области, обозначающей проекцию головного мозга;

Согласно выбранной цветовой шкале определяется цвет, кодирующий амплитуду каждой такой точки и она наносится на топокартограмму.

Особое внимание следует уделить подбору цветов для картирования. Обычная цветовая гамма, содержащая 16 стандартных цветов, в данном случае не подходит по причине отсутствия плавного перехода одного цвета в другой. Их использование не даст возможности четкой визуальной оценки наличия очагов в ЭЭГ. Поэтому используют несколько базовых цветов и формируют их оттенки.

Обычно при картировании более темные “холодные” цвета (темно-синий, синий, темно-зеленый, зеленый) используют для представления низкоамплитудных областей, а яркие “теплые” – для высокоамплитудных.

В электроэнцефалографии возможно применять несколько видов картирования. Наиболее известный из них - абсолютное. В режиме абсолютного картирования цветом представляется абсолютное значение амплитуды сигнала. При этом выбирается максимальное значение, выше которого считается грубой патологией (обычно это 100-150 мкВ). Амплитуда выше этого максимума изображается белым цветом. Остальные значения распределяются согласно основной цветовой шкале относительно максимума.

Пример построения карты в режиме абсолютного картирования представлен на рис., согласно схеме расположения датчиков, изображенной на рис.10. В работе над реализацией алгоритма построения топокартограмм были предложены еще два вида, которые условно можно назвать относительное и нормативное картирование. При относительном картировании вначале определяется максимально полученное значение амплитуды для каждого ритма. Это значение берется за 100%. Остальные показатели определяются в процентном отношении от максимума. Далее строится карта по полученным процентным значениям амплитуды в каждой точке. Этот режим необходим для случая низкоамплитудной ЭЭГ, когда в режиме абсолютного картирования она представлена небольшим количеством цветов и сразу не возможно определить наличие очагов и степень распределения амплитуды.

В режиме нормативного картирования максимальные значения амплитуды, являющиеся верхней границей нормы, определены для каждого ритма отдельно. Для дельта- и тета-ритмов они составляют 60-80 мкВ. Для альфа-ритма и бета-ритма - соответственно 110-120 мкВ и 30-40 мкВ. И далее разложение в цветовую гамму идет аналогично режиму абсолютного картирования с той разницей, что для различных ритмов один и тот же цвет обозначает различный амплитудный диапазон. Поэтому для каждого ритма строится своя цветовая шкала.

Рис. 10. Пример размещения датчиков на голове

Рис. 11. Пример построения топокартограммы

 

ЭМГ-сигнал: его особенности

Метод электромиографии (ЭМГ) — регистрация электрической активности мышц. Проводится с помощью электромиографа или электроэнцефалографа, имеющего специальный вход для регистрации ЭМГ. ЭМГ отводится с кожных или подкожных электродов и позволяет наблюдать как спонтанную мышечную активность (в состоянии относительного покоя), так и вызванную различной стимуляцией (электрическим раздражением кожи, мышц, спинного или головного мозга). Регистрация ЭМГ при двигательной активности позволяет исследовать механизмы организации (подготовки) и реализации движений. При этом возможно отведение как суммарной активности, так и биопотенциалов отдельных мышечных волокон. Регистрация ЭМГ применяется в психофизиологии для изучения возрастных закономерностей организации и реализации движений сенсомоторных действий и т.п., в медицине для диагностики поражений как периферического, так и центрального генеза, а также в физиологии труда и спорта, исследованиях высшей нервной деятельности.

При готовности к движению, мысленному его выполнению, при эмоциональном напряжении и в других подобных ситуациях, не сопровождающихся внешне наблюдаемыми движениями, тоническая ЭМГ возрастает как по амплитуде, так и по частоте. Например, чтение "про себя" сопровождается увеличением ЭМГ активности мышц нижней губы. Чем сложнее или бессмысленнее текст, тем выраженнее ЭМГ. При мысленном письме у правшей усиливается мышечная активность поверхностных сгибателей правой руки, выявляемых на ЭМГ. В процессе формирования навыка письма напряжение работающих мышц (выявляемое по ЭМГ) снижается, однако, у леворуких детей при переучивании сохраняется высокое напряжение мышц, определяемого по миограмме. Произвольное движение сопровождается определенной последовательностью активаций различных мышц: амплитуда ЭМГ одних мышц увеличивается до движения, других — в процессе движения. Амплитуда и частота ЭМГ прежде всего определяются количеством возбужденных двигательных единиц, а также степенью их синхронизации. Амплитуда ЭМГ нарастает градуально. Это, по-видимому, связано с тем, что сначала активизируются двигательные единицы, обладающие большей возбудимостью. Общая амплитуда ЭМГ может достигать 1—2 мВ. Анализ ЭМГ становится особенно информативным в комплексе с другими показателями — ЭЭГ. КГР, ЧСС и т.д.

Параметры потенциалов действия двигательных единиц зависят от типа мышцы и возраста больного - в норме они имеют длительность от 5 до 15 мс, амплитуду от 200 мкВ до 2 мВ и состоят из двух или трех фаз. Количество возбужденных двигательных единиц пропорционально силе произвольного сокращения мышцы. По мере ее нарастания возбуждается все большее количество двигательных единиц (вовлечение) и увеличивается частота генерируемых в них импульсов. При максимальной силе сокращения мышцы активируется такое большое количество двигательных единиц, что отдельные потенциалы действия сливаются в так называемую интерференционную активность, регистрируемую при поверхностной ЭМГ.

При миопатиях выявляется так называемая миопатическая триада: снижение амплитуды и длительности и полифазные (более чем из четырех фаз) потенциалы действия двигательных единиц; количество двигательных единиц, вовлекающихся при произвольном сокращении, возрастает. Напротив, при нейропатиях количество двигательных единиц, возбуждающихся при максимальном сокращении мышцы, снижается, и при поверхностной ЭМГ регистрируется низкочастотная, разреженная интерференционная активность. Параметры и конфигурация потенциалов действия двигательных единиц зависят от давности заболевания и от того, происходит ли реиннервация. Потенциалы действия сохранившихся двигательных единиц вначале не отличаются от нормальных, но по мере реиннервации они увеличиваются по амплитуде и длительности, становятся полифазными.

При тетании, лицевом гемиспазме, миокимии потенциалы действия одной и той же двигательной единицы обычно следуют друг за другом с постоянным интервалом. В результате регистрируются двойные, тройные и множественные потенциалы действия. При контрактуре (непроизвольном длительном сокращении мышц, не обусловленном возбуждением мышечных волокон) электрическая активность отсутствует. Это наблюдается, например, при гликогенозе типа V.

ЭМГ позволяет подтвердить диагноз нервно-мышечного заболевания, а также разграничить нейрогенные и первичные мышечные расстройства. При нейрогенных заболеваниях ЭМГ разных мышц дает возможность уточнить уровень поражения: передние рога, передний корешок, нервное сплетение, периферический нерв или его окончание. Для того же, чтобы выяснить этиологию заболевания, помимо ЭМГ необходимы лабораторные и клинические данные.

При остром поражении периферического или черепно-мозгового нерва ЭМГ позволяет оценить степень нарушения иннервации. При хронических или дегенеративных заболеваниях, таких, как боковой амиотрофический склероз, ЭМГ дает возможность судить об активности и прогрессировании патологического процесса. Это дает важную для прогноза информацию.

Для анализа ЭМГ применяют различные количественные методы. Обычно вычисляют среднюю амплитуду и длительность 20 потенциалов действия двигательной единицы. Макро-ЭМГ дает информацию о количестве мышечных волокон в двигательной единице и о количестве двигательных единиц в мышце. Сканирующая ЭМГ - метод, основанный на компьютерном анализе электрической активности мышц, - позволяет оценивать распределение потенциалов действия двигательных единиц, а также пространственное и временное соотношение активности отдельных волокон в пределах двигательной единицы. Последние два метода не находят широкого применения в клинической практике.

Некоторые типы потенциалов ЭМГ.

1 - потенциал фибрилляции; 2 - потенциал действия ДЕ; 3 - интерференционная ЭМГ произвольного мышечного сокращения; 4 - потенциалы фасцикуляций при поражении передних рогов спинного мозга; 5 - гигантские потенциалы ДЕ при поражении передних рогов спинного мозга; 6 - разреженная кривая произвольного мышечного сокращения при поражении передних рогов спинного мозга; 7 - полифазные, укороченные по длительности, низкоамплитудные потенциалы ДЕ при миопатии; 1, 2, 4, 5, 7 - игольчатые отведения; 3, 6 - поверхностные отведения. Скорость горизонтальной развертки в-записях 2, 4, 6, 7 - как в записи 1 Цена вертикального деления на всех записях, кроме 5-100 мкВ, в записи 5 - 500 мкВ.

 

5.6 Основные методы программной обработки ЭМГ-сигнала.

Анализ электромиографической кривой включает на первом этапе дифференциацию собственно электрических потенциалов мышц от возможных артефактов и затем, на основном этапе, оценку собственно ЭМГ. Предварительная оперативная оценка осуществляется по экрану осциллографа и акустическим феноменам, возникающим при выводе усиленной ЭМГ на громкоговоритель; окончательный анализ с количественной характеристикой ЭМГ и клиническим заключением производят по записи на бумаге или кинопленке.

Анализ собственно ЭМГ составляет предмет электромиографической семиотики, которая устанавливает связь между определенными характеристиками потенциалов и физическими, физиологическими и патологическими феноменами, им соответствующими.

Проведенные исследования и анализ полученных результатов позволят выявить закономерности в синхронизации двигательных единиц. Это может быть использовано при определении функционального состояния нервно-мышечного аппарата, для повышения точности и информативности электромиографии, позволят синтезировать сигналы электростимуляции адекватные сигналам, вызывающим естественные мышечные сокращения.

Известны следующие методы обработки ЭМГ, в результате которых можно получить информативный сигнал для управления исполнительным механизмом:

1)Выделение величины, пропорциональной средневыпрямленному значению (действующее значение) ЭМГ.

2) Выделение величины, пропорциональной интегральному значению ЭМГ.

3) Выделение усредненного значения частоты следования отдельных импульсов интерференционной ЭМГ, которые превышают некоторый заданный порог по амплитуде.

4) Выделение усредненной величины времени, в течение которого биоэлектрический сигнал превышает наперед установленный порог.

Наибольшее распространение в силу простоты технической реализации получил второй метод. На сегодняшний день многие зарубежные исследователи описали довольно успешное применение современных методов обработки сигналов (таких как Вейвлет анализ, кросскорреляционный анализ и некоторые другие специальные методы) для оптимального получения информативного сигнала из ЭМГ подобным образом.

Анализ ЭМГ включает оценку формы, амплитуды и длительности потенциалов действия отдельных мышечных волокон и ДЕ и характеристику интерференционной активности, возникающей при произвольном мышечном сокращении.

Форма отдельного колебания мышечного потенциала может быть моно-, ди-. три- или полифазной. Как и в электроэнцефалографии, монофазным называется такое колебание, при котором кривая совершает отклонение в одну сторону от изоэлектрической линии и возвращается к исходному уровню. Дифазным называется колебание, при котором кривая по совершении отклонения в одну сторону от изоэлектрической линии пересекает ее и совершает колебание в противоположной фазе; трехфазное колебание совершает соответственно три отклонения в противоположные стороны от изоэлектрической линии. Полифазным называется колебание, содержащее четыре и более фаз.

Спектральный анализ переводит описание сигнала из временной области в частотную. Таким образом, спектральное представление сигналов позволяет изучать их частотный состав, то есть судить о том, какой вклад в формирование сигнала вносят колебания определенных частот.

Функциональной единицей нервно-мышечной системы является двигательная единица (ДЕ), состоящая из мотонейрона, его аксона и иннервируемых им мышечных волокон. Таким образом, электромиограмма (ЭМГ) формируется сочетанием потенциалов двигательных единиц, каждая из которых генерирует биоэлектрические импульсы с определенной частотой.

Фундаментальными исследованиями Б.М. Гехта и Р.С. Персон установлено, что ЭМГ здоровой мышцы представлена преимущественно низкочастотными колебаниями. При патологическом изменении состояния мышцы изменяется число функционирующих ДЕ и частота их импульсов, что создает характерную для этого состояния электромиограмму и, соответственно, ее спектр. Это позволяет применить спектральный анализ в качестве дополнительного метода диагностики в электромиографии.

Сначала был сформирован математический аппарат для спектрального анализа непрерывных (континуальных) сигналов, затем появилось дискретное преобразование Фурье и быстрое дискретное преобразование Фурье, что сделало спектральный анализ сигналов доступным для цифровых вычислительных машин или компьютеров.

,

где N - число отсчетов дискретного сигнала,

Сn - комплексные коэффициенты, из которых можно получить

амплитуды гармоник () и их фазы (

Дискретное преобразование Фурье (ДПФ), по возможности вычисляемое быстрыми методами, лежит в основе различных технологий спектрального анализа, предназначенных для исследования случайных процессов [33]. Дело в том, что если анализируемый сигнал представляет собой случайный процесс, то простое вычисление его ДПФ обычно не представляет большого интереса, так как в результате получается лишь спектр единственной реализации процесса. Поэтому для спектрального анализа случайных сигналов необходимо использовать усреднение спектра. Такие методы, в которых используется только информация, извлеченная из самого входного сигнала, называются непараметрическими (nonparametric).

Другой класс методов предполагает наличие некоторой статистической модели случайного сигнала. Процесс спектрального анализа в данном случае включает в себя определение параметров этой модели, и потому такие методы называются параметрическими (parametric). Используется также термин "модельный спектральный анализ" (Model-Based Spectrum Analysis, MBSA).

При использовании непараметрических методов расчета спектра случайного процесса используется только информация, заключенная в отсчетах сигнала, без каких-либо дополнительных предположений. Рассмотрим два таких метода - периодограмму и метод Уэлча (Welch).

Периодограмма

Периодограмма (periodogram) - оценка спектральной плотности мощности, полученная по N отсчетам одной реализации случайного процесса. Периодограмма рассчитывается по следующей формуле:

,

Деление на частоту дискретизации fД необходимо для получения оценки спектральной плотности мощности аналогового случайного процесса, восстановленного по отсчетам x(k).

Если при расчете спектра используется весовая функция (окно) с коэффициентами w(k), формула (1.2) слегка модифицируется - вместо числа отсчетов N взнаменателе должна стоять сумма квадратов модулей коэффициентов окна. Полученная оценка спектра мощности называется модифицированной периодограммой (modified periodogram):

,

Периодограмма не является состоятельной оценкой спектральной плотности мощности, поскольку дисперсия такой оценки сравнима с квадратом ее математического ожидания. С ростом числа используемых отсчетов значения периодограммы начинают все быстрее флуктуировать.

При вычислении периодограммы по длинному фрагменту случайного сигнала она оказывается весьма изрезанной. Для уменьшения этой изрезанности необходимо применить какое-либо усреднение. Даньелл (Daniell) предложил сглаживать быстрые флуктуации выборочного спектра путем усреднения по соседним частотам спектра [37]. Данный метод, называемый периодограммой Данъелла, сводится к вычислению свертки периодограммы со сглаживающей функцией. В методе Бартлетта (Bartlett) анализируемый сигнал делится на неперекрывающиеся сегменты, для каждого сегмента вычисляется периодограмма и затем эти периодограммы усредняются. Если корреляционная функция сигнала на длительности сегмента затухает до пренебрежимо малых значений, то периодограммы отдельных сегментов можно считать независимыми. В этом случае дисперсия периодограммы Бартлетта обратно пропорциональна числу используемых сегментов, однако с ростом числа сегментов при фиксированном общем числе отсчетов сигнала падает спектральное разрешение (за счет того, что сегменты становятся короче).

Уэлч (Welch) внес в метод Бартлетта два усовершенствования: использование весовой функции и разбиение сигнала на перекрывающиеся фрагменты. Применение весовой функции позволяет ослабить растекание спектра (spectrum leakage) и уменьшить смещение получаемой оценки спектра плотности мощности ценой незначительного ухудшения разрешающей способности. Перекрытие сегментов введено для того, чтобы увеличить их число и уменьшить дисперсию оценки.

Итак, вычисления при использовании метода Уэлча (он называется еще методом усреднения модифицированных периодограмм - averaged modified periodogram method) организуются следующим образом:

Вектор отсчетов сигнала делится на перекрывающиеся сегменты. Как правило, на практике используется перекрытие на 50 %. Строго говоря, оптимальная степень перекрытия зависит от используемой весовой функции. В приводятся данные о том, что для гауссовских случайных процессов при использовании окна Ханна минимальная дисперсия оценки спектра плотности мощности получается при перекрытии сегментов на 65%.

Каждый сегмент умножается на используемую весовую функцию.

Для взвешенных сегментов вычисляются модифицированные периодограммы.

Периодограммы всех сегментов усредняются.

Так же как и для периодограммы Бартлетта, дисперсия оценки, получаемой методом Уэлча, уменьшается примерно пропорционально числу сегментов. Благодаря перекрытию в методе Уэлча используется больше сегментов, поэтому дисперсия оценки спектра плотности мощности оказывается меньше, чем для метода Бартлетта.

Использование параметрических методов подразумевает наличие некоторой математической модели анализируемого случайного процесса. Спектральный анализ сводится в данном случае к решению оптимизационной задачи, то есть поиску таких параметров модели, при которых она наиболее близка к реально наблюдаемому сигналу.

Авторегрессионная модель

Среди возможных параметрических методов спектрального анализа наибольшее распространение получили методы, основанные на авторегрессионной (Autoregressive, AR) модели формирования сигнала. Это обусловлено простотой модели, удобством расчетов на ее основе и тем, что данная модель хорошо соответствует многим реальным задачам. Рассмотрим авторегрессионный метод подробнее.

Согласно авторегрессионной модели, сигнал {x(k)} формируется путем пропускания дискретного белого шума {n(k)} через "чисто рекурсивный" фильтр N-го порядка.

Авторегрессионные методы анализа спектра больше всего подходят для сигналов, действительно являющихся авторегрессионными процессами. Вообще, хорошие результаты эти методы дают тогда, когда спектр анализируемого сигнала имеет четко выраженные пики. В частности, к таким сигналам относится сумма нескольких синусоид с шумом.

При использовании авторегрессионных методов важно правильно выбрать порядок авторегрессионной модели - он должен быть в два раза больше числа синусоидальных колебаний, которые предположительно содержатся в анализируемом сигнале.

Методика исследования состоит в следующем. С помощью программно-аппаратного комплекса и с использованием многоканального электрода производится съем ЭМГ-сигналов с различных участков мышц плечевого пояса на различных расстояниях и запись данных сигналов на ПК. В дальнейшем осуществляется обработка сигналов электровозбудимости скелетных мышц с использованием математического аппарата корреляционного анализа.

Для определения степени связи между собой двух ЭМГ-сигналов в среде обработки данных MatLab рассчитывается и анализируется значение коэффициента корреляции определенного в соответствии с формулой:

где xi и yi – ЭМГ-сигналы; i = 1, 2, …, n; x и y – средние значения.

 

 

Контрольные вопросы и задания

1. Назовите уровни Эталонной Модели взаимодействия открытых систем.

2. Охарактеризуйте структуры ЛВС.

3. Какие существуют типы управления в ЛВС?

4. Дайте характеристику методов доступа Ethernet, Arcnet и Token Ring.

5. Поясните понятие технологии «клиент-сервер».

6. Назовите назначение, принципы работы и характеристики модема.

7. Поясните понятие сетевой ОС.

8. Приведите примеры используемых сетевых ОС.

9. Какие функции реализованы в пакете MS BackOffice?

10. В чем принципиальное отличие между сетевыми драйверами, отвечающими тре­бованиям спецификаций NDIS 3.11 и NDIS 2?

11. В каком качестве в сети может использоваться станция с ОС Windows 95?

12. Назовите возможные режимы доступа к сетевым ресурсам Windows 95.

13. Как организуется защита сетевых ресурсов в Windows 95?

14. Просмотрите все станции и серверы, к которым вы имеете доступ.

15. Просмотрите -сетевые ресурсы одной из станций.

16. Подключитесь к имеющейся рабочей группе в одноранговой сети:

• организуйте доступ на уровне ресурсов;

• установите программное обеспечение клиента Microsoft;

• подключите станцию к рабочей группе.

17. Предоставьте в общее пользование ресурсы собственной станции:

• диск с полным доступом;

• папку 1 с полным доступом, но по паролю;

• папку 2 с доступом по чтению и также по паролю.

18. Создайте сетевой диск для ресурса другой станции вашей группы.

19. Подключитесь к домену сервера Windows NT с разрешения администратора и по­лучив у него пароль:

• организуйте на станции доступ на уровне пользователя;

• задайте имя домена.

20. Просмотрите группы пользователей домена.

21. Просмотрите список специальных возможностей групп по доступу к сетевым ре­сурсам.

22. Предоставьте группам различные права для пользования ресурсами вашей станции.

 

Литература

1. Ахметов К. Windows 95 не для всех. — М.: ТОО фирма «КомпьютерПресс», 1997. — 268с.

2. БерзипС. Internet у Вас дома. СПб.: BHV - Санкт-Петербург, 1997. - 400 с.

3. Богумирский Б, Энциклопедия Windows 98. — СПб.: Питер, 1998. — 816 с.

4. Компьютерные технологии обработки информации: Учеб. пособие / С. В. Назаров, В. И. Першинов, В.А. Тафигщев и др.; под ред. С. В. Назарова. М.: Финансы и ста­тистика, 1995. - 248 с.

5. Ладыженский Г. Технология «клиент—сервер» и мониторы транзакций//Открытые системы, № 3 (7), 1994, - С. 4-5, 8-11.

6. Локальные вычислительные сети: Справочник. В 3-х кн. — Кн. 1. Принципы пост­роения, архитектура, коммуникационные средства/Под ред. С. В. Назарова. — М.: Финансы и статистика, 1994. — 208 с.

7. Мартин Дж. Вычислительные сети и распределенная обработка данных: программ­ное обеспечение, методы и архитектура/Пер, с англ. — Вып. 1 (1985. — 256 с.). Вып. 2 (1986.— 269 с.). — М: Финансы и статистика.

8. Пайк М. Internet в подлинике. — СПб.: BHV—Санкт-Петербург, 1996. — 640 с.

9. Френк Дж.Дерфлер. Эволюция сетевых операционных систем//РС MAGAZINE/ Russian Edition, № 9,1996. - С. 28-59.

10. Фролов А. В., Фролов Г. В. Локальные сети персональных компьютеров. Монтаж сети, установка программного обеспечения. — М.: «ДИАЛОГ—МИФИ», 1993. — 176 с.