Способ выявления в воздухе малых концентраций взрывчатых и наркотических веществ на основе анализа биоэлектрических потенциалов обонятельного анализатора крысы

Способ выявления в воздухе малых концентраций взрывчатых и наркотических веществ на основе анализа биоэлектрических потенциалов обонятельного анализатора крысы

Иллюстрации

Показать все

Реферат

Область техники

Изобретение относится к области скрытного обнаружения с высокой чувствительностью наркотических веществ с концентрацией не более 0,1 мкг/м³ и взрывчатых веществ порядка 0,01 мкг/м³ и может быть использовано в целях безопасности аэропортов, вокзалов, стадионов и других мест скопления людей.

Уровень техники

Обеспечение безопасности является одной из приоритетных задач каждого государства, а своевременное определение мест с потенциально опасными веществами такими как взрывчатые вещества или наркотические средства является необходимым элементом обеспечения безопасности. Существуют различные способы для обнаружения таких веществ техническими устройствами, которые основываются как на химических, так и физических способах определения. Наибольшее распространение получили приборы, в которых используются такие методы анализа как газовая хроматография, ионно-дрейфовая спектрометрия, масс - спектрометрия. Как указывается в статье А.В. Кихтенко и К.В. Елисеева (Кихтенко А.В., Елисеев К.В. Обнаружение взрывоопасных объектов: аппаратурное обеспечение антитеррористических служб // Российский химический журнал. 2005. Т. XLIX. №4. с. 132-137) [1], большинство таких приборов обладают достаточно высокой чувствительностью и предел их обнаружения заданных веществ составляет 1000-0,01 мкг/м³, а время анализа пробы занимает от нескольких до сотен секунд. В случае использования анализаторов на основе спектрометрии ионной подвижности (RU 2471179 МПК G01N 27/64, дата публикации 2012-12-27) [2], (RU 2360242 МПК G01N 30/96, дата публикации 2006-01-26) [3], (RU 2231781 МПК G01N 27/62, дата публикации, 2004-06-27) [4], (RU 2398309 МПК H01J 49/40, G01N 27/64, дата публикации 2009-07-16) [5], (RU 2354963 МПК G01N 27/62, G01N 30/64, дата публикации 2007-11-08)[6], (RU 2329563 МПК H01J 49/40, G01N 27/64, дата публикации 2006-12-25) [7], (RU 2460067 МПК G01N 27/62, дата публикации 2011-04-20)[8] (заявка WO 2008049488 А1 МПК G01N 27/62A, H01J 49/10B, H01J 49/16, G01N 27/64, дата публикации 2012-06-20) [9] время анализа составляет 1-15 с, а чувствительность до 1000 мкг/м³. При использования газовых хроматографов (RU 2395076 МПК G01N 27/64, дата публикации 2009-03-23) [10], (RU 2431212 МПК H01J 49/40, дата публикации 2010-07-09) [11], (CN 2622705 Y, МПК G01N 30/72, H01J 49/26, дата публикации 2003-05-20) [12], (US 6470730 В1, МПК G01N 1/00, G01N 1/02, G01N 1/22, G01N 1/28, G01N33/00, дата публикации 2000-08-18) [13] чувствительность повышается до 0,1 мкг/м³ к определяемым веществам, но увеличивается время анализа до 20-200 с, а так же требуется предварительная пробоподготовка. Необходимо так же отметить, что существенными недостатками газоанализаторов и газохроматографов являются зависимость точности измерений от температуры и влажности окружающей среды.

Наряду с техническими устройствами, для обнаружения взрывчатых и наркотических веществ активно используются животные (Frederickx С., Verheggen F.J., Haubruge Е. Biosensors in forensic sciences// Biotechnol. Agron. Soc. Environ. 2011. Vol. 15. №4. P. 449-458) [14]. Наиболее часто в этих целях используют служебных собак, которых обучают сигнализировать о наличии в воздухе запаха искомого вещества определенными поведенческими реакциями в виде лая, стойки, сигнального поведения (RU 2426141 МПК G01S 1/02, дата публикации 2010-03-09) [15], (RU 2338175 МПК G01N 1/22, А01К 15/00, дата публикации 2006-09-29) [16]. Однако, несмотря на то, что эти животные хорошо зарекомендовали себя в обнаружении, их использование сопряжено со значительными экономическими и организационными затратами, связанными с условиями содержания и дрессуры, требующей специалиста кинолога и не обеспечивают скрытность обнаружения. Поэтому область их применения ограничена и зависит от состояния животного и его текущих потребностей. Учитывая это, в настоящее время все более активно осуществляется поиск других животных-макросматиков, которых можно использовать в этих целях.

Наиболее известными примерами являются:

- использование бельгийской неправительственной организацией (АРОРО Anti-Persoonsmijnen Ontmijnende Product Ontwikkeling «развитие продуктов обнаружения противопехотных мин», https://www.apopo.org/en/componentyone/summarv?show=265, дата публикации 2014-09-19) [17] хомяковидных (Cricetomys gambianus) крыс для поиска и обнаружения мин в странах Африки, Тайланде и Камбодже;

- использование крыс в качестве биологических сенсоров для поиска взрывчатки компанией TAMAR Group (Израиль, Web: http://news.sky.com/story/1010634/sniffer-mice-used-to-detect-bombs-and-drugs, дата публикации 2012-11-13) [18];

Недостатком указанных способов является использование условно рефлекторного обучения животных, которое требует времени и подготовленных специалистов.

Наряду с млекопитающими, известно использование для обнаружения наркотических и взрывчатых веществ насекомых. Так, например, пчел используют для обнаружения тротила, гексогена, пластической взрывчатки на его основе, а также наркотиков - метамфетамина и кокаина (заявка US 2005009444 А1, НКИ 449/27, 119/420, 119/65, 119/421, МПК G01N33/00, дата публикации 2002-12-20) [19], (Rains G.C., Tomberlin J.K., Kulasiri D. Using insect sniffing devices for detection // Trends Biotechnol. 2008. Vol. 26. №6. P. 288-294) [20].

Известны также устройства, представляющие собой биотехническую систему, компонентом которой является пчела и техническое устройство, позволяющее оценивать ее поведение (Обнаружение взрывчатки при помощи пчел Web: http://www.pergam.ru/articles/biogasanalizer.htm, дата публикации 28.11.2013) [20], (заявка US 20120264353 А1, НКИ 449/2, 449/1, МПК А01К 51/00, А01К 55/00, дата публикации 2011-04-04) [22]. Однако, полезность использования вызывает сомнения в виду сложности обучения, зависимости поведения пчел от времени года.

Известно использование устройств типа «электронный нос» ( М.М., Manso A.G., Orellana C.G.O., Velasco H.M., Caballero R.G. and Peguero Chamizo J.C. Acetic Acid Detection Threshold in Synthetic Wine Samples of a Portable Electronic Nose//Sensors. 2013. Vol. 13. P. 208-220, doi:10.3390/s130100208) [23] моделирующий обоняние собаки (Dog-inspired scent detfector sniffs out explosives and narcotics Web:http://www.gizmag.com/electronic-nose/25128/, дата публикации 21.11.2012) [24].

Недостатками устройств данного типа являются техническая сложность их создания, зависимость чувствительности от изменений температуры и влажности окружающей среды, а также «старение» чувствительных элементов системы.

На современном этапе перспективными являются способы выявления в воздухе малых концентраций взрывчатых и наркотических веществ на основе анализа биоэлектрических потенциалов обонятельного анализатора крысы. Известно, что животные-макросматики, в частности крысы, обладают чрезвычайно высокой обонятельной чувствительностью. Крысы определяли пары тринитротолуола при их концентрации 2,44 мкг/м³ с вероятностью 100%, при их концентрации 1,32 мкг/м³ - 95%, и при концентрации 1,07 мкг/м³ - 60% практически при отсутствии ложных срабатываний (Yinon J., Zitrin S. Modern methods and applications in analysis of explosives. Chichester, UK; New York, USA: Wiley. 1996, 316 c.) [25].

Существующие технологии включают в себя дистанционно управляемых животных, способных передвигаться через трудно проходимую территорию, в отличие от роботов у них нет необходимости в подзарядке батареи. Животное снабжается приборами с электронными коммуникационными устройствами и датчиками, и управляется с помощью пульта дистанционной стимуляции мозга (заявка US 2003/0199944, МПК, МПИ дата публикации)) [26], заявка US 2013098310 А1 МПК А01К 1/03, А01К 15/02, A61N 1/36, A61N 1/372, B62D 63/02, G06N 3/06, Н02Н 1/00, дата публикации 2013-04-25) [27], в котором дистанционно управляемое животное обучается искать целевые запахи и может автономно нести электронные датчики в недоступные или опасные места для проведения различных миссий, в том числе для поиска людей, похороненных в куче щебня, правоохранительных операций и обнаружения взрывчатых веществ, химикатов и других опасных материалов. Это изобретение направлено на решение вышеуказанных и других проблем путем создания способа и устройства для телеуправления, наведения и тренировки обнаружению запаха, свободно перемещающегося животного через стимуляцию его мозга. В одной из возможных конструкции, используются шестнадцать электродов, имплантированных в мозг животного. Электроды имплантируют в вентральную область покрышки или другие области латерального гипоталамуса для стимуляции центра удовольствия при обучении распознавания запахов.

Однако, известный способ связан с выработкой условных рефлексов животного на получение награды.

Известна система измерения и блок для регистрации электроэнцефалограммы (ЭЭГ) у мелких животных (крысы) с помощью множества электродов, которые покрывают или скальп, или поверхность мозга (WO 2011132756 А1, МПК А61В 5/0478, А61В 5/0476, А01К 67/00, А61В 5/055, А61В 5/0408, А61В 5/0492, дата публикации 2011-10-27) [28]. Система используется для неинвазивной регистрации ЭЭГ одновременно с функциональной магниторезонансной томографии (ФМРТ), а также электрокардиограммой (ЭКГ) и инфракрасной спектроскопией.

Известно устройство для скрининга на содержание компонента наркотика/лекарственных средств, при котором стимулируют обонятельную слизистую организма таким образом, что через направленную активацию или подавление функций мозга корректируются физиологические функции (ЕР 1234540 А1, МПК А01К 1/03, А01К 29/00, А61В 5/0478, А61В 5/0484, G01N 33/50, дата публикации 2002-08-28) [29].

Аппарат для скрининга измеряет паттерн стимуляции обонятельной луковицы, который формируется, когда обонятельная слизистая стимулируется веществом, которое представляет собой кандидат компонента наркотика и вводится к обонятельной слизистой организма. Устройство скрининга затем анализирует паттерн стимуляции таким образом, чтобы проверить корреляцию между паттерном стимуляции и физиологической реакцией, вызванной в организме веществом, которое активирует или подавляет мозг через стимуляцию обонятельной слизистой.

Электродная матрица крепится на обонятельной луковице экспериментального животного.

Измерительный электрод содержит субстрат, сформированный из изолирующей пленки и шестнадцати микроэлектродов, которые расположены на поверхности субстрата в форме 4×4 матрицы. Субстрат имеет толщину от 1 мкм до 100 мкм и формируется в виде квадрата, каждая сторона которого составляет около 2 мм. Шаг между парой соседних микроэлектродов составляет около 500 мкм. Способ лечения сниженной обонятельной чувствительности включает шаги: введение компонента вещества возбуждающего обонятельную луковицу; измерение электрического сигнала, генерируемого в обонятельной луковице экспериментального животного, когда компонент вещества, воздействующий на обонятельную слизистую, управляет обонятельной выстилкой экспериментального животного для получения паттерна электрического сигнала: определение корреляции между электрическим паттерном сигнала, а также тип и уровень физиологического ответа, индуцированного у подопытного животного паттерном электрического сигнала; и подача паттерна электрического сигнала, который является достаточным для генерирования, предполагаемой физиологической реакции, к обонятельной луковице тестируемого животного в виде паттерна стимуляции. Устройство используется для тестирования фармацевтических препаратов.

Известная система и способ для обнаружения активности мозга в ответ на химический раздражитель включает имплантацию электрода в мозг субъекта и измерение амплитуды соответствующих мозговых волн до и после введения химического раздражителя (WO 2005037100 А1, МПК А61В 5/0484, А61В 5/04847, А61В 5/4011, дата публикации 2005-04-28) [30]. Химический стимул представляет собой соединение или смесь соединений микробного, бактериального или фитохимического происхождения. Химический стимул, который дает желаемое изменение, может быть добавлен к фармацевтической, пищевой, косметической или другой промышленной продукции, потребляемой человеком или животным, или использоваться в целях повышения уровня чувствительности мозга. Это особенно выгодно при вкусовых и запаховых дисфункциях. Система использует по меньшей мере два измерительных электрода: один в структурах лимбической системы (гиппокампе или миндалине), а другой в орбитофронтальной коре или области вентральной покрышки, референтный электрод, имплантирован в пириформную кору или обонятельную луковицу головного мозга крысы, мыши. Измеряют амплитуду альфа, бета, гамма, дельта, или тета волн мозга. Исследуемые вещества вводят перорально или назально с помощью специального модуля. Система содержит средство для обработки и анализа корреляции между измеренным электрическим сигналом и мозговой активностью. Предъявляемыми химическими стимулами являются запах или вкус. Система используется в терапевтических целях.

Наиболее близким аналогом по выполнению и достигаемому результату к настоящему изобретению является детектор наркотиков на основе обоняния животного (CN 1865996, МПК А61В 5/00, G01N 33/00, дата публикации 2006-11-22) [31], принимаемый за прототип, который включает: CCD -камеру, микро электродную матрицу, референтный электрод, прикрепленный винтами на черепе животного, предусилитель, фильтр, четырех рукавный лабиринт для подачи запахов крысе и компьютерную систему управления и анализа. Электрическая активность нейронов обонятельной коры животного продуцирует специфическую память на летучее вещество, размещенное в небольших участках лабиринта. На этапе обучения животное помещают в центральную область лабиринта, исследуемое вещество в камеру на конце одного из рукавов, при правильном выборе камеры крыса получает стимуляцию центра удовольствия с одновременной подачей пищи. Наблюдение за поведением животного ведется CCD - камерой, подключенной к ПК. Записывают электрическую активность крысы при правильном выборе места нахождения летучего вещества на карту сбора данных. В реальных условиях ЭЭГ крысы сравнивается с ЭЭГ базы данных и на основе анализа совпадений делают вывод о наличии наркотика в проверяемом объекте.

Недостатками известного способа являются трудоемкость и сложность его реализации, обусловленная необходимостью предварительного обучения животного с пищевым подкреплением, визуальным наблюдением, дополнительной стимуляцией центра удовольствия и отсутствием данных о чувствительности способа выявления заданного вещества, которая зависит от концентрации паров вещества и расстояния до обонятельного анализатора крысы.

Задачей настоящего изобретения является разработка более простого способа выявления в воздухе малых концентраций 0,01 мкг/м³ взрывчатых и наркотических веществ с концентрацией 0,1 мкг/м³ на основе анализа биоэлектрических потенциалов обонятельного анализатора крысы.

Упрощение способа достигается за счет исключения предварительного обучения животного с пищевым подкреплением, визуальным наблюдением и дополнительной стимуляцией центра удовольствия.

Повышение чувствительности способа обеспечивается за счет исключения анализа условно рефлекторной деятельности при регистрации биоэлектрической активности с поверхности обонятельных луковиц крысы, стимулируемой воздухом с малой концентрацией наркотического или взрывчатого вещества и оригинальным алгоритмом классификации паттернов вызванной активности мозга.

Также повышение чувствительности обеспечивается особым, заявленным способом анализа компонент сигнала и применением систем машинного обучения.

Из уровня техники следует возможность обнаружения обонятельными рецепторами крысы летучего вещества в воздухе с концентраций более 1 мкг/м³ (Gupta P., Albeanu D.F., & Bhalla U.S. Olfactory bulb coding of odors, mixtures and sniffs is a linear sum of odor time profiles// Nature Neuroscience. 2015. doi:10.1038/nn.3913) [32], что подтверждает достижение нового технического результата заявляемым изобретением.

Перечень фигур графического изображения

Сущность способа выявления в воздухе малых концентраций взрывчатых и наркотических веществ на основе анализа биоэлектрических потенциалов обонятельного анализатора крысы поясняется фигурами чертежей.

Фиг. 1 - Блок-схема, реализующая способ.

Фиг. 2 - Блок-схема процессора для обработки ЭКоГ сигналов крысы.

Фиг. 3 - Блок-схема обучения нейросетевых классификаторов.

Фиг. 4 - Блок-схема запоминания временных отрезков ЭКоГ для каждого запаха.

Фиг.5. - Иллюстрация выделения по сигналу дыхания временного отрезка ЭКоГ длительностью τ с задержкой Δt после начала вдоха t₀.

Фиг. 6 - Блок-схема формирования обучающих массивов входных векторов {a_j} и выходных строковых переменных {b_j}.

Фиг. 7 - Блок-схема предобработки массива входных векторов {α_j}.

Фиг. 8 - Блок-схема предобработки массива выходных строковых переменных.

Фиг. 9 - Блок-схема выполнения алгоритма обратного распространения ошибки.

Фиг. 10 - Структурная схема многослойной нейронной сети.

Фиг. 11 - Функциональная схема узлового элемента скрытого слоя и выходного слоя многослойной нейронной сети.

Фиг. 12 - Блок-схема выполнения прямопоточных вычислений выходных векторов θ.

Фиг. 13 - Блок-схема выполнения обратнопоточных вычислений ошибок Δw весовых коэффициентов w и их модификации w=w+Δw.

Фиг. 14 - Иллюстрация результата работы линейного и нелинейного классификатора, где: а - нелинейное расположение примеров двух запахов, изображенных точками светлого и темного цвета, b - применение линейного классификатора, не способного разделить области принадлежности примеров разных запахов, с - применение нелинейного классификатора, позволяющего разделить области принадлежности примеров разных запахов.

Фиг. 15 - Блок-схема нейросетевой классификации.

Фиг. 16 - Блок-схема запоминания временного отрезка ЭКоГ для распознавания.

Фиг. 17 - Блок-схема усреднения выходных векторов всех многослойных нейронных сетей.

Фиг. 18 - Блок-схема определения предъявляемого крысе запаха.

Фиг. 19 - Графики электрической активности, сформированной у крысы за один сеанс предъявления паров тринитротолуола (0,1 мкг/м³).

Фиг.20 - Схема расположения трепанационных отверстий, винтов и лигатур для крепежа микроэлектродной колодки на голове крысы.

Фиг. 21 - Схема варианта реализации способа.

Раскрытие изобретения

Способ выявления в воздухе малых концентраций взрывчатых и наркотических веществ на основе анализа биоэлектрических потенциалов обонятельного анализатора крысы, заключающийся в имплантации в верхнюю поверхность обонятельной луковицы крысы микроэлектродной матрицы с восемью рабочими и одним референтным электродом, регистрации электрокортикографического (ЭКоГ) сигнала обонятельной луковицы в заданном диапазоне частот в момент вдоха, извлечении пяти групп признаков, выраженными в виде математических величин среднего, дисперсии, асимметрии и эксцесса, рассчитанные для амплитуд ЭКоГ сигнала каждого отведения, первой производной амплитуд ЭКоГ сигнала каждого отведения, частотно-амплитудного спектра каждого отведения, коэффициентов кросс-корреляции амплитуд ЭКоГ сигнала между отведениями, коэффициентов кросс-корреляции частотно-амплитудного спектра между отведениями, обработки каждой группы признаков отдельной многослойной нейронной сети (МНС), при этом для обучения каждой МНС дополнительно формируют массив указателей запахов, предъявляемых крысе заданное количество раз с заданной длительностью паузы, который является выходным массивом для обучения МНС, при обучении для каждой МНС вычисляют весовые коэффициенты классификации по алгоритму обратного распространения ошибки и при идентификации запаха пять групп признаков ЭКоГ сигнала обрабатывают пять МНС и вычисляют вероятности принадлежности предъявляемого крысе запаха к одному из заданных запахов по каждой группе признаков, вычисляют среднее арифметическое вероятностей от пяти МНС с выбором запаха с максимальной вероятностью в качестве результата распознавания.

В частных случаях выполнения способа:

- количество предъявлений каждого запаха при обучении МНС составляет 60 раз;

- длительность паузы между предъявлениями запахов при обучении МНС составляет 20 секунд;

- частотный диапазон обнаружения запахов в ЭКоГ сигнале составляет 50-140 Гц.

Количество предъявлений одного запаха 60 раз является необходимым условием обучения нейросети для классификации запаха.

Длительность паузы 20 с соответствует времени восстановления рецепторов в носовой полости крысы между предъявлениями, что обусловлено физиологией крысы.

Указанный частотный диапазон обеспечивает оптимальное соотношение между помехами на входе нейросетевого классификатора и сохранения информативности данных на его входе.

Блок-схема 1 (фиг. 1) содержит референтный электрод 1, микроэлектродную матрицу 2, усилитель сигнала ЭКоГ 3, АЦП 4, частотно-полосовой фильтр 5 и процессор для обработки сигналов 6.

Блок-схема 3 (фиг. 2) содержит блок обучения нейросетевых классификаторов 7 и блок нейросетевой классификации 8.

Блок-схема 7 (фиг. 3) содержит блоки запоминания временных отрезков Fⁱ ЭКоГ для каждого i-го запаха и названия запаха bⁱ 11, формирования обучающих массивов входных векторов {a_j} каждой j-ой МНС 12, предобработки массивов входных векторов {a_j} 13, формирования общего для всех МНС обучающего массива выходных строковых переменных {b} из текстовых названий запахов 14, предобработки массива выходных строковых переменных {b} 15 и выполнения алгоритма обратного распространения ошибки для каждой j-ой МНС 16.

Блок-схема 11 (фиг. 4) содержит блоки подачи крысе i-го запаха 17, запоминания временного отрезка Fⁱ ЭКоГ сигнала длительностью τ с задержкой Δt после начала вдоха t₀ i-го запаха 18 и запоминания текстового названия запаха bⁱ 19.

Блок-схема 12 (фиг. 6) содержит блоки фильтрации временных отрезков Fⁱ ЭКоГ сигнала полосовым фильтром в диапазоне частот f₁-f₂ 20, формирования массива матриц xⁱ_j из значений амплитуд сигнала всех отведений 21, формирования массива матриц xⁱ_j из значений первой производной амплитуд сигнала по времени всех отведений 22, формирования массива векторов xⁱ_j из коэффициентов кросс-корреляции значений амплитуд сигнала между отведениями 23, расчета частотно-амплитудного спектра временных отрезков Fⁱ ЭКоГ сигнала в диапазоне частот f₁-f₂ 24, формирования массива матриц xⁱ_j из значений амплитуд частот всех отведений 25, формирования массива векторов xⁱ_j из коэффициентов кросс-корреляции значений амплитуд частот между отведениями 26, объединения массивов матриц {xⁱ_j} каждого i-го запаха в обучающие массивы входных векторов x_j для каждой j-ой МНС 27, объединения массивов векторов {xⁱ_j} каждого i-го запаха в обучающие массивы входных векторов x_j для каждой j-ой МНС 28, расчета значений среднего, дисперсии, коэффициентов асимметрии и эксцесса для каждого отведения из матрицы x_j и объединение их в вектор a_j 29, расчета значений среднего, дисперсии, коэффициентов асимметрии и эксцесса для каждого вектора x_j и объединение их в вектор a_j 30.

Блок-схема 13 (фиг. 7) осуществляет преобразование для каждой j-ой МНС массива входных векторов a_j=(a_j1,a_j2,…,a_jnj) в массив векторов a_j=(a_j1,a_j2,…,a_jnj) путем стандартизации значений массива {a_j} для каждой компоненты вектора a_j.

Блок-схема 15 (фиг. 8) кодирует массив строковых переменных b в массив выходных векторов β. Кодирование осуществляется в соответствии с таблицей 1.

Блок-схема 16 (фиг. 9) содержит блоки выполнения прямопоточных вычислений выходных векторов θ 31, выполнения обратнопоточных вычислений ошибок Δw весовых коэффициентов w и их модификации w=w+Δw 32.

Структурная схема многослойной нейронной сети (фиг. 10) содержит входной, скрытый и выходной слой.

Функциональная схема узлового элемента скрытого слоя и выходного слоя многослойной нейронной сети (фиг. 11) содержит сумматор 33, вычисляющий скалярное произведение входного сигнала на вектор весовых коэффициентов w, и нелинейный преобразователь 34.

Блок-схема 31 (фиг. 12) производит послойные преобразования над входными векторами α.

Блок-схема 32 (фиг. 13) вычисляет послойно весовые коэффициенты w.

Блок-схема 8 (фиг. 15) содержит блоки запоминания отрезка ЭКоГ Fⁱ 34, формирования массивов входных векторов {a_j} для каждой j-ой МНС 12, предобработки массивов входных векторов {a_j} 13, выполнения прямопоточных вычислений выходных векторов θ_j для каждой j-ой МНС 31, усреднения компонент выходных векторов θ_j по всем МНС 35 и определения предъявляемого запаха 36.

Блок-схема 34 (фиг. 16) содержит блоки подачи крысе запаха для распознавания 17 и запоминания временного отрезка Fⁱ ЭКоГ сигнала длительностью τ с интервалом задержки Δt после начала вдоха t₀ при предъявлении запаха 18.

Блок-схема 35 (фиг. 17) осуществляет усреднение компонент выходных векторов θ_j по всем МНС для получения итогового выходного вектора θ.

Блок-схема 36 (фиг. 18) осуществляет преобразование вычисленного выходного вектора θ в двоичный вектор β=(β₁,…, β_i,…β₃) путем инициализации компонента β_i единицей, если i-я компонента вектора θ максимальна из всех значений компонент вектора θ, и инициализации остальных компонент вектора β нулями, и преобразования двоичного вектора β в строковую переменную b.

Референтный электрод 1 размещается в кости черепа крысы, микроэлектродная матрица 2 размещается на поверхности обонятельной луковицы крысы, фиксируется с помощью зубоврачебных материалов на черепе крысы и регистрирует по восьми отведениям электрокортикографический (ЭКоГ) сигнал обонятельной луковицы крысы, который усиливается многоканальным усилителем 3, преобразуется в цифровой сигнал с частотой дискретизации 1000 Гц в АЦП 4 и фильтруется частотно-полосовым фильтром 5 с полосой пропускания в диапазоне от 0,5 до 200 Гц для устранения низкочастотных и высокочастотных помех (фиг. 1).

Отфильтрованный сигнал передается в процессор 6 на обучение пяти многослойных нейронных сетей (МНС) 7, если МНС не обучены, или на классификацию 8, если МНС обучены (фиг. 2). Обучение МНС начинают с запоминания обучающих временных отрезков Fⁱ восьмиканального ЭКоГ сигнала и названий запахов bⁱ для каждого i-го запаха (блок 11, фиг. 3).

Для подачи запаха крысе в окружающее пространство в области носа вводился из медицинского шприца объемом 20 мл i-й из трех запахов: воздух, имитатор тринитротолуола и компонент наркотика кокаина - метил бензоат (блок 17, фиг. 4). Во время подачи запаха происходит запоминание временного отрезка Fⁱ восьмиканального ЭКоГ сигнала длительностью τ=500 мс с задержкой Δt=50 мс от момента начала вдоха t₀ (блок 18) и запоминание текстового названия запаха bⁱ (блок 19). Начало вдоха соответствует локальному максимуму на графике сигнала дыхания (фиг. 5), который регистрировался с помощью инфракрасного дальномера, размещенного на брюшине крысы и фиксирующего дыхание по движению брюшины. Каждый i-й запах подается 60 раз. Между подачами запахов выдерживается пауза 20 сек.

Из временных отрезков Fⁱ восьмиканального ЭКоГ сигнала формируются массивы входных векторов {a_j} для каждой j-ой из пяти МНС (блок 12). Для первых трех МНС временные отрезки Fⁱ ЭКоГ сигнала предварительно фильтруются полосовым фильтром по всем восьми каналам в диапазоне частот от f₁=50 до f2=140 Гц (блок 20) (фиг. 6). Для первой МНС из отфильтрованного сигнала формируется массив матриц xⁱ_j (j=1) из значений амплитуд сигнала всех отведений (блок 21), для второй МНС формируется массив матриц xⁱ_j (j=2) из значений первой производной амплитуд сигнала по времени всех отведений (блок 22), для третьей МНС формируется массив векторов xⁱ_j (j=3) из коэффициентов кросс-корреляции значений амплитуд сигнала между отведениями (блок 23). Для последних двух МНС предварительно выполняется расчет частотно-амплитудного спектра временных отрезков Fⁱ ЭКоГ сигнала в диапазоне частот от f₁=50 до f2=140 Гц шагом 1 Гц (блок 24). Для четвертой МНС на основе рассчитанного амплитудного спектра формируется массив матриц xⁱ_j (j=4) из значений амплитуд частот всех отведений (блок 25), для пятой МНС формируется массив векторов xⁱ_j (j=5) из коэффициентов кросс-корреляции значений амплитуд частот между отведениями (блок 26). Далее для первой, второй и четвертой МНС выполняется объединение массивов матриц {xⁱ_j} (блок 27), а для третьей и пятой МНС выполняется объединение массивов векторов {xⁱ_j} (блок 28) для каждого i-го запаха в обучающий массив {xj} входных векторов x_j для каждой j-ой МНС:

{x_j}={x¹_j} ∪ {x²_j} ∪ {x³_j}

После этого для первой, второй и четвертой МНС выполняется расчет значений среднего, дисперсии, коэффициентов асимметрии и эксцесса для каждого отведения из матрицы x_j и объединение их в вектор a_j (блок 29), для третьей и пятой МНС выполняется расчет значений среднего, дисперсии, коэффициентов асимметрии и эксцесса для каждого вектора x_j и объединение их в вектор a_j (блок 30). Среднее вычисляется по формуле

где m - количество обучающих примеров в массиве {x_j}, дисперсия вычисляется по формуле:

,

коэффициент асимметрии вычисляется по формуле:

,

коэффициент эксцесса вычисляется по формуле:

.

Массив входных векторов {α_j} для каждой j-ой МНС проходит предобработку (блок 13) (фиг. 7), которая заключается в преобразовании массива векторов a_j=(a_j1,a_j2,…,a_jn) в массив векторов a_j=(a_j1,a_j2,_...,a_{j nj}) путем стандартизации значений массива {a_j} для каждой компоненты вектора a_j по формуле:

где a_{j ave}=(a_{j 1 ave}, a_{j 2 ave},…,a_{j nj ave}) - вектор усредненных значений каждой компоненты вектора a_j по всему массиву {a_j}, σ_j=(σ_{j 1 ave}, σ_{j 2 ave},…σ_{j nj ave}) - вектор величин стандартного отклонения для каждой компоненты вектора a_j, n_j - размерность входного вектора j-ой МНС. Значение n_j для первой, второй и четвертой МНС равно 32, т.к. выполняется расчет четырех величин - среднего, дисперсии, коэффициентов асимметрии и эксцесса - для каждого из 8 отведений. Значение n_j для третьей и пятой МНС равно 4 по количеству вышеуказанных расчетных величин.

После формирования массивов входных векторов {α} происходит формирование общего для всех МНС обучающего массива выходных строковых переменных {b} из текстовых названий запахов, соответствующих каждому вектору α (блок 14) и последующая предобработка этого массива, которая состоит в кодировании текстовых названий запахов b¹, b², b³ в числовые трехкомпонентные вектора β¹=(1, 0, 0), β²=(0, 1, 0), β³=(0, 0, 1) (блок 15) (фиг. 8) в соответствии с таблицей 1:

После предобработки обучающие массивы входных {α} и выходных векторов {β} используют для обучения МНС и для этого выполняется алгоритм обратного распространения ошибки (Rumelhart D.E., Hinton G.E. and Williams RJ. Learning internal representations by error propagation. In Parallel distributed processing, London: MIT Press, vol. 1, 1986, 550 p.) [33], который предназначен для настройки весовых коэффициентов w (блок 16) (фиг. 9). Алгоритм обратного распространения ошибки состоит из итерационной процедуры выполнения прямопоточных вычислений с входными векторами α (блок 31) (фиг. 9) для вычисления выходного вектора θ и последующим выполнением обратнопоточных вычислений ошибок Δw весовых коэффициентов w и их модификации w=w+Δw (блок 32).

Алгоритм обратного распространения ошибки реализован для многослойной нейронной сети (МНС), которая содержит вычислительные узловые элементы, организованные в слои: входной слой, скрытый слой и выходной слой (фиг. 10). Узлы входного слоя МНС не выполняют никаких вычислений и служат для распространения каждого компонента входного вектора α на все узловые элементы скрытого слоя, имеющего матрицу весовых коэффициентов w₁. Аналогичным образом узловые элементы выходного слоя связаны со всеми элементами скрытого слоя, имеющего матрицу весовых коэффициентов w₂. Вычисления производят узловые элементы в скрытом и выходном слое МНС. При прямопоточном вычислении каждый узловой элемент ij скрытого i=1 и выходного i=2 слоя, где индекс j - порядковый номер узлового элемента в слое, содержит вектор весовых коэффициентов w_ij, сумматор Σ 33 и нелинейный преобразователь σ 34 (фиг. 11). Сумматор 33 вычисляет скалярное произведение вектора входного сигнала узлового элемента МНС с вектором весовых коэффициентов w_ij. Нелинейный преобразователь 34 вычисляет сигмоидную функцию:

В результате послойных вычислений, осуществляемых узловыми элементами скрытого и выходного слоя над входным вектором α, получаем на выходе МНС вычисленный выходной вектор θ (фиг. 12). При обратнопоточном вычислении (фиг. 13) каждый узловой элемент выходного слоя МНС вычисляет функцию δ₂ по формуле:

δ₂=(θ-β)⋅σ₂(1-σ₂)

где θ - вычисленный выходной вектор нейронной сети, β - выходной вектор, σ₂ - сигмоидная функция на выходе узлового элемента выходного слоя нейронной сети,

и модифицирует свои весовые коэффициенты w₂ на величину ошибки Δw₂=δ₂⋅σ₁ по формуле:

w₂=w₂+Δw₂

Далее каждый узловой элемент скрытого слоя МНС вычисляет функцию δ₁ по формуле:

δ₁=Σδ₂ω₂⋅σ₁(1-σ₁)

где σ₁ - сигмоидная функция на выходе узлового элемента скрытого слоя нейронной сети, и модифицирует свои весовые коэффициенты w₁ на величину ошибки Δw₁=δ₁⋅σ₀ по формуле:

w₁=w₁+Δw₁

где σ₀=α. Индексы 0, 1 и 2 относятся соответственно к входному, скрытому и выходному слою. Итерационная процедура прямопоточных и обратнопоточных вычислений продолжается до тех пор, пока не будет достигнут предел вычислений, заключающийся в изменении Δw весовых коэффициентов w: Δw<Δw_min, где Δw_min=0,001.

Алгоритм обратного распространения ошибки, используемый при обучении МНС, обеспечивает построение нелинейных границ, разделяющих разные запахи, представленные строковыми переменными bⁱ. На фиг. 14 показан случай нелинейного расположения примеров двух запахов, изображенных точками светлого и темного цвета (фиг. 14а). Применение линейного классификатора, строящего линейные разделяющие границы, такого как дискриминантный анализ, не позволяет разделить области принадлежности примеров разных запахов (фиг. 14b). Применение нелинейного классификатора, строящего нелинейные разделяющие границы, такого как МНС с алгоритмом обратного распространения ошибки, позволяет разделить области принадлежности примеров разных запахов (фиг. 14с).

После обучения пяти МНС процессор 6 осуществляет классификацию запахов 8 (фиг. 15). Для этого i-ый из трех запахов предъявляют крысе в соответствии с ранее описанным блоком 17 и запоминают временной отрезок Fⁱ восьмиканального ЭКоГ сигнала аналогично блоку 18. Из временного отрезка Fⁱ восьмиканального ЭКоГ сигнала формируются массив входных векторов {a_j} для каждой j-ой из пяти МНС аналогично ранее описанному блоку 12. Предобработка массивов {a_j} для каждой j-ой из пяти МНС аналогично ранее описанному блоку 13. Выполнение прямопоточных вычислений выходных векторов θ_j для каждой j-ой МНС аналогично ранее описанному блоку 31. Далее выполняется усреднение трех компонент выходных векторов θ_j по всем пяти МНС для получения итогового выходного вектора θ (блок 35) (фиг. 17) по формуле

,

где k=(1,2,3) - индекс компоненты выходного вектора θ. Определение предъявляемого запаха происходит посредством преобразования выходного вектора θ в двоичный вектор β=(β₁, …, β₁, …, β₃) путем инициализации компонента β_i единицей, если i-я компонента вектора θ максимальна из всех значений компонент вектора θ, и инициализации остальных компонент вектора β нулями:

и преобразования двоичного вектора β в строковую переменную b в соответствии с таблицей 1 (блок 36) (фиг. 18). Значение строковой переменной b является результатом идентификации запаха.

При выполнении классификации запахов в двадцати сериях, каждая из которых