Привет, Вы узнаете о том , что такое Проектирование нестандартного оборудования и приспособлений для медико-биологических экспериментов, Разберем основные их виды и особенности использования. Еще будет много подробных примеров и описаний. Для того чтобы лучше понимать что такое Проектирование нестандартного оборудования и приспособлений для медико-биологических экспериментов , настоятельно рекомендую прочитать все из категории Электронная лечебная аппаратура.

Любая измерительная медицинская система содержит, по крайней мере, некоторые из функциональных блоков, показанных на рис. 1.1. На этом рисунке информация распространяется слева направо. Элементы и связи, показанные штриховыми линиями, не существенны. Главное отличие измерительной медицинской системы от других измерительных систем состоит в том, что в первом случае источником сигнала является живая биологическая ткань или же энергия, приложенная к ткани и преобразованная происходящими в ней процессами.

Рис. 1.1 Обобщенная измерительная система. Датчик преобразует энергию или информацию от измеряемого объекта.

Межеранд

Термином «межеранд»» (measurand) обозначают то, что система измеряет – физическую величину, свойство или состояние. Доступность измеряемой величины является важным обстоятельством, поскольку она может быть связанной с физическими процессами внутри организма (кровяное давление), на поверхности тела (ЭКГ), а также вне него (инфракрасное излучение). Кроме того, источником сигнала может быть извлеченный из тела образец ткани (например, проба крови или биопсийный материал). Наиболее важные межеранды, измеряемые медицинскими приборами, могут быть сгруппированы по следующим категориям: биопотенциалы, давление, поток, размеры (визуализация), перемещение (скорость, ускорение, сила), импеданс, температура, концентрации метаболитов. Каждый межеранд

можно связать с определенным органом или с анатомической структурой.

Датчик

В общем случае терминами «датчик» или «первичный сенсорный элемент» обозначают элементарные устройства, которые преобразуют один вид энергии в другой. Термин «сенсор» обозначает более сложный прибор, в котором измеряемая величина преобразуется в электрический сигнал. Сенсор должен реагировать только на тот вид энергии, который связан с измеряемой величиной. Сенсор является «интерфейсом» с биологической системой, который должен получать от нее минимум энергии и наносить ей минимальную травму. Многие сенсоры содержат первичные сенсорные элементы, подобные мембране, которая преобразует давление в перемещение. Далее в сенсоре происходит градуальное (пропорциональное) преобразование перемещения в электрический сигнал, которое осуществляют тензодатчики, расположенные на мембране. В некоторых случаях чувствительность сенсора можно регулировать в широких пределах путем замены первичного сенсорнрного элемента. Многие градуальные первичные сенсорные элементы (подобные тензодатчикам) требуют подвода электрической энергии, что позволяет получить электрический сигнал на выходе сенсора.

Преобразование сигнала сенсора

Как правило, электрический сигнал, генерируемый сенсором, нельзя непосредственно подать на регистрирующий прибор. До этого сигнал сенсора необходимо «кондиционировать», то есть преобразовать. Простые преобразователи усиливают и фильтруют сигнал, или же просто согласуют импедансы выхода сенсора и входа монитора. Современной практикой является преобразование выхода сенсора в цифровую форму, после чего цифровой сигнал обрабатывается специализированным цифровым устройством или компьютером. Примером преобразователя является фильтр, который подавляет паразитные электрические помехи, проникшие на выход сенсора. Кроме того, преобразователь может усреднить несколько однотипных сигналов, тем самым снижая электрический шум. Наконец, преобразователь может радикально изменить вид сигнала, сенсора, переведя его из временной области в частотную (например, путем преобразования Фурье).

Отображение выхода

Результаты измерений должны быть отображены в той форме, которая понятна оператору. Наилучшими способами отображения данных могут быть их цифровое

Ограничения медицинских измерений

Многие важнейшие параметры живой системы недоступны для непосредственного измерения, поскольку невозможно «подключить» сенсор без повреждения живого органа. В отличие от многих сложнейших физических систем, в биологической системе зачастую невозможно «выключить» или «отсоединить» составную часть, что было бы необходимым для стыковки сенсора и объекта измерения. Даже в тех случаях, когда можно защитить процесс измерения от помех со стороны некоторых органов (например, отфильтровать сигналы ЭКГ при измерении миограммы), слишком большие размеры многих сенсоров не позволяют подсоединить их к объекту измерения. В таких случаях недоступные для непосредственного измерения величины могут быть измерены косвенно. При измерении сигналов в условиях помех необходимо корректировать полученные данные — например, с помощью их фильтрации или иных способов математической обработки при анализе данных. Примером косвенного измерения является ЭКГ, при регистрации которой нет возможности расположить электроды непосредственно на сердце.

Величины, регистрируемые при измерениях на человеке или животных, редко являются неизменными и детерминированными. Многие параметры изменяются со временем даже в том случае, когда все возможные факторы, влияющие на результат измерения, стандартизованы. Например, разброс данных наблюдается даже при регистрации физиологических параметров у здоровых испытуемых в одних и тех же условиях. Вариабельность (изменчивость) измеряемых параметров является характерной чертой биологического объекта, прослеживаемой на разных уровнях — от макромолекул до целого организма. Об этом говорит сайт https://intellect.icu . Во многих случаях внешним очевидным различиям параметров пациентов соответствуют индивидуальные анатомические особенности. Значительный разброс величин, получаемых при физиологических измерениях, частично объясняется взаимодействием различных систем живого организма. Между физиологическими системами постоянно «включены» многочисленные обратные связи, причем многие из них недостаточно изучены. В редких случаях при измерениях определенного параметра удается нейтрализовать или хотя бы оценить помехи со стороны соседних систем. Наиболее общее «лекарство» от вариабельности физиологических характеристик являются статистические методы анализа, основанные на предположении о характере распределения измеряемых величин. При этом результаты индивидуальных измерений сравниваются с физиологическими нормами.

Практически все биомедицинские измерения связаны с подводом энергии к живой ткани — либо специализированного источника, либо от сенсора. При рентгеновском анализе, ультразвуковой визуализации и доплеровских ультразвуковых измерениях расхода крови используют внешние (отдельные от сенсора) источники энергии, которые воздействуют на живую ткань. Довольно трудно определить безопасный уровень энергии, подводимой к организму при подобных измерениях, поскольку механизмы повреждения и восстановления тканей изучены недостаточно. Особо уязвимым следует считать утробный плод на ранних стадиях развития. Необходимо следить за тем, чтобы не перегреть биологическую ткань, поскольку даже обратимые физиологические процессы, вызываемые перегревом, могут ухудшить результаты измерений. Удивительно, что даже небольшие потоки энергии способны вызывать повреждения на молекулярном уровне.

Работа приборов в медицинском учреждении накладывает на них дополнительные ограничения. Оборудование должно быть надежным, легким в работе, устойчивым к физическим нагрузкам и к действию коррозийных реагентов. Кроме того, электронные приборы следует проектировать таким образом, чтобы минимизировать возможность и последствия поражении электрическим током. Вопросы безопасности пациентов и медперсонала следует держать в поле зрения на всех этапах разработки и тестирования аппаратуры.

Важную роль в проектировании нестандартного оборудования для медико-биологических экспериментов отводится выбору метода обработки информации.

В настоящее время известно достаточно большое количество методов и алгоритмов обработки электрофизиологических сигналов, которые в основном можно разбить на три большие группы.

1. Первая группа включает методы и алгоритмы, которые основаны на анализе структуры исследуемых сигналов (длительность и амплитуда волн и их различных участков, асимметрия, площадь, «махристость» и «остроконечность» волн, частота пересечения волнами некоторых фиксированных уровней сигналов, в частности так называемой нулевой линии (изолинии), частота следования волн, исчисляемая по фиксации времен появления минимумов или максимумов волн и т. д.)

Разработаны методы и алгоритмы, позволяющие выделить информативные признаки, которые характеризуют различные структурные особенности временных составляющих исследуемых сигналов. Процесс выделения показателей, характеризующих структуру волновых сигналов, основывается на прямых измерениях временных и амплитудных характеристик характерных точек сигналов или их производных (минимумов, максимумов, точек перегибов, пересечений заданных амплитудных уровней и т. д.) с возможным вычислением простейших расчетных соотношений для получения производных параметров. С целью повышения надежности измерений используют предварительную фильтрацию и усреднение исследуемых характеристик по нескольким волнам. Иногда вместе с фильтрацией используют специальные приемы выделения и удаления артефактов, например путем пропускания исследуемого сигнала через дискриминатор уровней.

Наибольшее распространение среди этих методов получил метод пери одометрического анализа и некоторые его разновидности, в которых получение признаков для классификации основывается на фиксации точек пересечения исследуемой кривой и ее производных с изолинией I вычислениях средних значений и дисперсии значений временных отсчетов. Разработчик метода периодометрического анализа Берг утверждал, что анализ периодов дает почти такую же информацию, что и точный анализ сигналов. Известны работы, в которых описаны практические задачи классификации с использованием признаков, выделенных на основе периодометрического анализа.

К достоинствам периодометрического метода, безусловно, следует отнести простоту и низкую стоимость реализации, что позволяет разрабатывать различные технические средства и специальные вычислительные устройства на основе простых операционных автоматов и микропроцессоров, которые в настоящее время находят широкое применение! медицинской практике. Однако такой анализ обладает и рядом потенциальных недостатков:

— частоты пересечения нулевого уровня для сигналов разного nil) могут оказаться одинаковыми;

— регистрируются лишь периодометрические свойства сигнала, тогда, как известно, что в ряде случаев информативными являются амплитудные и планометрические характеристики, показатели асимметрии и ряд других;

— колебания выше и ниже изолинии не обнаруживаются, пока не определены частоты пересечения изолинии одной или несколькими и производными;

— существенную погрешность в результате измерений вносит дрейф изолинии;

— частоты пересечения для первой и второй производной могут быть сильно зашумлены;

— не обеспечивается выделение различных временных составляющих и параметров переходных процессов.

Перечисленные недостатки объясняют тот факт, что при огромном количестве исследований, выполненных в направлении использования периодометрического анализа, в большом числе случаев получаемы результаты нельзя признать удовлетворительными.

В качестве информативных признаков, характеризующих сигналы более сложной статистической природы (типа электроэнцефалограмм электромиограмм, кожно-гальванических реакций и др.), используют текущее значение модуля амплитуды сигналов, дисперсию среднего значения модуля, коэффициент асимметрии волны, коэффициент плосковершинности волны, коэффициент «махристости», параметр формы волны, отображение структурных свойств сигнала на фазовой плоскости и т. п.

Сложность функционирования биологических систем и большое количество информации, содержащейся в электрофизиологических сигналах (ЭФС), не позволяет однозначно связывать значения отдельных параметров сигналов с диагностическими врачебными заключениями. Поэтому следующим шагом в обработке ЭФС является поиск комплексных показателей, зависящих от ряда измеряемых элементарных признаков, или симптомокомплексов — комбинаций признаков (векторов признаков), которые позволили бы повысить достоверность получаемых результатов. При этом одним из самых популярных приемов стал подход, основанный на применении методов теории распознавания образов, когда на этапе обучения из совокупности признаков формируется множество данных в виде специальных таблиц с указанием того, к какому диагностируемому классу относится тот или иной набор параметров. Далее, с помощью специальных математических приемов находится решающее правило, позволяющее отличать элементы таблиц различных классов. На этапе классификации решающие правила соотносят вектор признаков к одному из классов, выделенных на этапе обучения.

+Следует, однако, отметить, что успех решения задачи классификации при таком подходе сильно зависит от того, удается ли найти такие наборы информативных признаков, извлекаемых из ФС, которые позволяют строить достаточно надежные решающие правила. Например, практика использования такого подхода для сигналов со сложной статистической природой (типа ЭЭГ, ЭМГ и др.) показала, что получить удовлетворительные результаты удалось для весьма узкого класса задач. Например, удается решать частную задачу определения стратегии лечения больных эпилепсией на ранних стадиях возникновения болезни, но плохо диагностируются опухолевые процессы, различные типы психических расстройств, тонких изменений в функциональном состоянии человека и т. д. Связано это в первую очередь с тем, что, например, для такого сигнала, как ЭЭГ нет достаточно определенной информации как о составе, так и о значимости признаков в записи ЭЭГ, нет унифицированного подхода к структуре и оценке сочетаний этих признаков.

2. Второй подход основывается на использовании различных математических моделей, позволяющих с достаточной точностью аппроксимировать и (или) моделировать исследуемые процессы.

Среди методов аппроксимации известны такие, которые используют сплайн-аппроксимацию, аппроксимацию полиномиальными, тригонометрическими и экспоненциальными моделями. Параметры моделей могут быть определены, например, методом сингулярного анализа, методом автокорреляционного и взаимно корреляционного анализа.

Достаточно широкое распространение получили методы спектрального анализа, простейший из которых позволяет выделять различные частотные составляющие исследуемых сигналов путем их пропускания через систему полосовых фильтров с известной полосой пропускания. Широкое распространение среди этих методов анализа ЭФС получили различные варианты классического спектрального анализа, основанные на преобразованиях Фурье, Уолша, Хартли и др. В этом направлении для некоторых частных задач получены хорошие результаты. Однако исследователи, активно использующие методы спектрального анализа для обработки сложных сигналов, отмечают, что надежные результаты удается получить для весьма ограниченного круга задач. Такие ограничения принято связывать со сложной, нестационарной природой исследуемых процессов с недостаточно изученными типами нестационарностей, а также с тем, что в медицинских приложениях спектр мощности редко служит конечным результатом, поскольку пользователя обычно интересуют другие параметры, характеризующие в основном особенности наблюдаемых полуволн исследуемых сигналов. Хотя в настоящее время известны подходы к обработке случайных нестационарных процессов, включая применение методов спектрального анализа, но применительно к выделению информативных признаков из сигнала типа электроэнцефалограмма, электромиограмма, они разработаны слабо.

С точки зрения вычислительных процедур, выделение информативных признаков методами спектрального анализа (за исключением применения полосовых фильтров для выделения различных частотных составляющих) представляется достаточно трудоемкой задачей. Поэтому для практической реализации требуется либо использование специализированных вычислительных средств, либо достаточно мощных микроЭВМ или ЭВМ общего назначения, возможного специализированными сигнальными процессорами, например, серии КР 1815.

Для электрофизиологических сигналов, обладающих значительной нестационарностью (например, при анализе спайков или «острых» волн в сигналах), элементы нестационарности иногда легко обнаружить «на глаз». Например, отчетливо видимый комплекс пик-волна при кратковременном эпилептическом припадке имеет четко выраженную форму. Аналогичная ситуация возникает при выявлении вызванных потенциалов как реакции на внешнее воздействие. Однако зачастую при преобладающем фоновом шуме, то есть низком отношении сигнал/шум, нестационарная активность трудно различима.

Непараметрические методы обнаружения нестационарностей обычно основываются на непосредственном вычислении по записи ЭЭГ-сигнала таких величин, как производные, длительности, амплитуды. Для обнаружения нестационарных компонент используются также некоторые математические функции этих величин.

Известные методы обработки нестационарных сигналов основаны на применении согласованных фильтров. В этом случае должна быть известна форма волны, что является ограничивающим фактором, поскольку формы волн могут значительно отличаться у разных людей и даже у одного и того же человека. Заранее форму волны из всего встречающегося разнообразия сигналов предсказать очень трудно.

3. Третья группа методов связана с оценкой степени «похожести» (синхронности) протекания электрофизиологических процессов в разных отведениях, различных участках одного и того же процесса или на разных участках тела. Для этих целей нашли применение методы корреляционного анализа и различные меры близости изучаемых процессов. В ряде работ отмечается, что использование методов корреляционного анализа при решении задач обработки электрофизиологических сигналов затрудняется тем, что надежные результаты получаются в основном в случае исследования стационарных процессов. Вид корреляционных функций по своей сложности зачастую достигает сложности исследуемого сигнала. При решении практических задач часто возникает необходимость выяснения вопроса о том, за счет каких свойств или параметров сигнала нарушается корреляционная связь. Непосредственный анализ корреляционной функции в общем случае ответа на причину рассогласования сигналов не дает.

+При всем разнообразии методов и алгоритмов автоматизированной обработки электрофизиологических сигналов в целом ряде задач они значительно уступают по своей диагностической ценности заключениям, выдаваемым опытными специалистами-электрофизиологами. Поэтому в некоторых современных системах из электрофизиологических сигналов выделяется та же информация, которую используют в своей практической работе врачи-электрофизиологи, и затем реализуются соответствующие решающие правила, моделирующие логику врачебного принятия решений. В основном это правила продукционного типа, реализуемые в соответствии с четкой и нечеткой логикой.

Рассмотренный в этом разделе далеко не полный перечень методов обработки электрофизиологических сигналов позволяет сделать вывод о том, что для своей реализации они требуют весьма широкой номенклатуры технических средств различных типов и назначений, от простейших электронных схем до сложных вычислительных комплексов и экспертных систем.

Данная статья про Проектирование нестандартного оборудования и приспособлений для медико-биологических экспериментов подтверждают значимость применения современных методик для изучения данных проблем. Надеюсь, что теперь ты понял что такое Проектирование нестандартного оборудования и приспособлений для медико-биологических экспериментов и для чего все это нужно, а если не понял, или есть замечания, то не стесняйся, пиши или спрашивай в комментариях, с удовольствием отвечу. Для того чтобы глубже понять настоятельно рекомендую изучить всю информацию из категории Электронная лечебная аппаратура

Ответы на вопросы для самопроверки пишите в комментариях, мы проверим, или же задавайте свой вопрос по данной теме.