Курс лекций по специальному курсу «Теория принятия решений и распознавания образов» (стр. 10 )

В небольших по объему исследованиях база 27 человек выделили четыре региона лица для сравнения: глаза, нос, рот и нижняя часть лица. Однако, несмотря на успехи в точности, признаю наличие большой вычислительной стоимости работы алгоритма. Для сравнения двух изображений с расстояниями между зрачками в 27 пикселей и использованием эталонов лишь глаз, носа и рта требуется 25 мс времени работы SPARC Station IPX.

Рис. 98. Эталоны некоторых областей лица.

Другой вариант использует изолинии, т. е. кривые одного уровня яркости, которые хоть и не принадлежат к трехмерным структурам, но передают изображение рельефа лица. Сначала, применив к изображению лица на черном фоне оператор Собела и некоторые другие шаги по предобработке, получают границы области лица, а затем при помощи 8-битовой гистограммы яркости разделяют контуры головы на изолинии. После этого уже используется процедура сопоставления с эталоном.

Принципы функционирования систем, построенных на нейронных сетях (иногда их также называют авто ассоциативной памятью), заключаются в том, чтобы в ответ на некоторую входящую совокупность данных, называемую "ключом", выдать на выход хранящуюся в сети и наиболее близкую к входной по значениям совокупность такой же размерности или ее код. В случае распознавания лиц ключом служит изображение лица человека.

Линейная авто ассоциативная память представляет собой один слой нейронной сети. Каждый нейрон этого слоя ассоциируется с одним компонентом, получившимся из разложения изображения лица вектора (аналогично методу собственных лиц). Таким образом, при размере изображения w Х h пикселей каждый слой данной сети будет содержать w X h нейронов. Кроме того, каждый нейрон связан со всеми остальными и линейная авто ассоциативная память строится при вычислении (w х h) весов связей этой нейронной сети. Данные веса определяются на этапе обучения, при котором несколько обучающих изображений, представленных авто ассоциативной памяти линейно, запоминаются в ней.

Нейронная сеть как правило входит в состав системы осуществляющей внешнюю подготовку векторов к распознаванию.

Ÿ изображение оцифровывается и кодируется в виде вектора;

Ÿ каждая координата вектора располагается в отдельной ячейке, связанной со всеми остальными ячейками (обучение или настройка системы происходит путем изменения весов связей между ячейками);

Ÿ изображения лиц фильтруются через нейросеть, при этом входное изображение трансформируется в ближайшее запомненное, которое или указание на нее и подается на выход.

На данный момент этот подход является одним из самых популярных. Однако оценить вычислительную сложность алгоритмов вне вычислительных машин с параллельной архитектурой затруднительно.

Тем не менее, сообщается о достаточно эффективном использовании нейронных сетей в области анализа изображений лиц по трем направлениям: классификация людей по полу, непосредственно распознавание и определение эмоциональных выражений лиц.

Используются алгоритмы, основанные на самоорганизующихся картах (SOM), сворачиваемых сетях (Convolutional Networks) и многослойных персептронах, изменяются числа классов, по которым проводилось распознавание, размерности самоорганизующихся карт, уровни квантизации SOM.

Эксперименты проводились на изображениях из ORL-базы с использованием 5 изображений одного человека для обучающего набора и столько же для тестового - всего по 200 изображений в обоих множествах. Наилучшая достоверность распознавания составила 94,25%.

Метод анализа оптических потоков в целях идентификации лиц признано довольно эффективным, но дорогим с вычислительной точки зрения.

Сравниваемые изображения А и В превращаются в многослойные усеченные пирамиды путем многократного сворачивания четырех соседних пикселей в один со средним арифметическим значением яркости.

На соответствующих слоях двух разных пирамид производят поиск подходящих между собой наилучшим образом групп пикселей.

Для каждого блока изображения А определяется вектор смещения. Этот вектор уточняет смещение между центрами блока из А и наиболее близким к нему блоком из В. Аналогично строятся векторы и для изображения В.

Анализируя получившиеся системы векторов, можно сделать вывод о степени схожести сравниваемых изображений.

Среди современных подходов к разрешению проблемы распознавания лиц выделяется также метод сопоставления графов. Объекты (изображения лиц) представляются в виде графов с вершинами, помеченными в соответствии со значениями локального энергетического спектра, и гранями с весовыми значениями, соответствующими некоторым геометрическим расстояниям. Хотя в основе данного подхода лежит сравнение одного изображения, представленного графом с другим, на практике прибегают и к механизму нейронных сетей для осуществления подобного процесса сравнения.

Системы, основываются на архитектуре динамических связей (Dynamic Link Architecture - DLA). С ее помощью предпринимают попытку решить несколько проблем искусственных нейронных сетей, где самой острой проблемой является выражение синтаксических связей в нейронных сетях. DLA использует синоптическую пластичность и может сразу же формировать наборы нейронов, сгруппированных в структурированные графы, и сохранять преимущества нейронных систем.

DLA позволяет определять изображения с помощью объектно-независимого стандартного набора определителей черт, автоматического обобщения на больших группах симметричных операций и получения знаний о новом объекте путем однократного обучения, уменьшая время, затрачиваемое на обучающие шаги.

Распознавание инвариантных объектов достигается с учетом фона, разложения, искажения и размера при выборе набора элементарных характеристик, которые будут максимально надежными при подобных изменениях. В работе используются преобразования Габоровских вейвлетов. Вейвлеты служат детекторами черт, характеризуя их своими частотой, местоположением и направлением. Кроме того, применяются два нелинейных преобразования как вспомогательные в процессе сравнения.

Для работы DLA требуются как минимум два уровня - пространство изображений и пространство моделей. Пространство изображений соответствует основным областям коры головного мозга, отвечающим за зрение, а модельное пространство, с биологической точки зрения, соответствует меж височной части коры.

Пространство изображения состоит из двухмерного массива узлов (А-а), где а = 1..F. Каждый узел с позицией х состоит из F нейронов (х, а ), определяющих различные черты. Метка, а используется для обозначения различных типов черт. Общее количество типов черт определяется для данного узла при сплетении изображения с подмножеством волновых функций.

Соседние узлы соединяются связями, кодирующими информацию о локальной топологии. Изображения представляются графом атрибутов. Атрибуты, привязанные к узлам графа, являются векторами энергии локальных определителей черт. Каждый объект изображения представлен подграфом в пространстве изображений.

Пространство моделей представляет собой собрание всех графов атрибутов, которые являются идеализированными копиями подграфов пространства изображений. Между двумя пространствами имеются возбуждающие соединения, которые хранят черты а. Эти соединения между пространствами возникают тогда и только тогда, когда черты относятся к соответствующему типу.

Системы с DLA основываются на формате данных, позволяющем закодировать информацию в атрибутах, установить связи в пространстве изображений и передать информацию в пространство моделей без прямого указания ее позиции в пространстве изображений.

Структура сигнала определяется тремя факторами: входным изображением, случайным спонтанным возбуждением нейронов и их взаимодействием с ячейками того же или соседнего узлов в пространстве изображений.

Связь между нейронами кодируется в форме временной корреляции и вызывается возбуждающими взаимодействиями между изображениями. Всего имеется четыре типа связей, использующихся при распознавании и представлении объектов:

Ÿ связи всех узлов и ячеек, которые принадлежат одному объекту;

Ÿ связи, выражающие отношения соседства с изображением объекта;

Ÿ связывающие индивидуальные ячейки черт с чертами, представленными в различных позициях;

Ÿ связывающие точки в графе изображения и графе модели друг с другом.

Основной механизм DLA, в дополнение к параметрам соединения между двумя нейронами, является динамической переменной (J) между двумя ячейками (i, j). J-переменная играет роль синоптических весов для передачи сигнала. Параметры соединения только участвуют в сжатии J-переменных и могут быть плавно изменены путем длительной синоптической пластики. Веса связей J1j являются предметами процесса стремительной модификации и контролируются сигналами взаимодействия нейронов х и j.

Отрицательные сигнальные взаимодействия приводят к уменьшению, а положительные - к увеличению J"j, при отсутствии всяких отношений JX, плавно переходит к состоянию покоя. Быстрая самоорганизация является критической для DLA.

Каждое запоминаемое изображение формируется путем подбора точек прямоугольной решетки как узлов графа. Решетка позиционируется на сохраняемое изображение и его комбинации пикселей (jets) запоминаются в соответствии с позицией каждого узла решетки и классом изображения.

Распознавание нового изображения имеет место при его трансформации в решетку, и все запомненные графы сравниваются с ним. Настройка DLA происходит при установлении и динамическом изменении связей между вершинами в пространстве моделей.

В течение процесса распознавания объект выбирается также из пространства моделей. Копия модели графа размещается в центре пространства изображений. Каждая вершина в модели графа соединяется с соответствующей вершиной графа изображения. Качество сравнения оценивается при помощи ценовой функции.

Размер графа изображения зависит от некоторого фактора, в то время как центр графа зафиксирован, и если общая цена снижается, то новое значение размера графа принимается.

Этот процесс повторяется до тех пор, пока не будет найдена оптимальная цена. Распространение и оценка размера повторяются для улучшения уровней разрешения и учета большинства из представленных изображений.

Распознавание производится после определения полной цены для каждого объекта. В случае если сравнение одной модели лица будет значительно лучше всех остальных моделей, лицо считается опознанным.

Таким образом, система идентифицирует человеческое лицо путем сопоставления выделенного из него графа с набором хранящихся графов.

Есть результаты сравнения 300 изображений лиц с другими 300 изображениями тех же людей, полученными из базы данных.

Точность распознавания в экспериментах составила 97,3%.

Организация баз данных. Все рассмотренные методы, применяемые для решения задачи поиска лиц в базах данных, можно разбить на три отдельных класса, в зависимости от способов организации базы и проведения в ней поиска, а также процедуры сравнения хранящихся в ней данных.

Первый тип - изображения хранятся в базе, обычно в развернутом виде, и одновременно служат ключами при поиске.

В процессе распознавания изображения поочередно извлекаются из базы и сравниваются с искомым.

Данная организация запоминающих и сравнивающих структур имеет один очень существенный недостаток - огромное время поиска.

Она реально допустима при небольшом объеме лиц в охранных системах.

К методам распознавания, ориентированные на данный тип базы, можно причислить прежде всего метод анализа оптических потоков, хотя могут работать и другие методы не требующие больших затрат времени на предварительную подготовку изображений.

Второй тип базы данных хранят как само изображение, так и некоторое его описание, служащее ключом поиска. Данное описание, как правило согласовано с методом распознавания, используемым в системе. Для данных описаний установилось не сколько определений – сигнатура, ключ и т. д.

Процесс поиска в таких системах происходит в два этапа: сначала проверяются сигнатуры и затем для близких к искомому, извлекаются и сравниваются непосредственно сами изображения. Недостатки данных систем необходимость вычисления данного ключа для каждого изображения при пополнении базы, а затем хранение его в базе.

Однако при этом достигается существенный выигрыш во времени поиска.

Процедуры поиска построенные на методах геометрических характеристик и сравнения с эталоном хорошо согласованные с данным типом баз данных.

Третий тип предполагает отсутствие близко расположенных (по времени доступа) файлов описаний изображений.

Предполагается достаточный объем сигнатур для проведения сравнительного анализа без привлечения по пиксельного описания изображений.

Базовыми методами сравнения являются такие методы, как анализ главных компонент, нейронные сети, вероятностные методы и некоторые другие.

Изображения кодируются некоторым вектором, который служит одновременно и ключом поиска. При необходимости оценка изображения может быть восстановлена по своему вектору и некоторым данным, вычисленным в процессе обучения системы.

Основной недостаток подобных систем - непредсказуемость работы и уменьшение точности распознавания при поиске в очень больших базах данных (отобъектов и выше), кроме того, при постоянном пополнении базы система нуждается в своевременном дополнительном обучении на расширенной выборке.

Рассмотренные методы не исчерпывают всего разнообразия применяемых операций при распознавании близко расположенных в пространстве признаков объектов, однако они дают довольно богатый материал для формирования углубленного понимания путей решения проблем распознавания образов.

3.8. Распознавание объектов по косвенным признакам

В медицине постановка диагноза базируется на совокупности наблюдений, анализов и измерений не редко только косвенно говорящих о наличии болезни. Это налагает определенную специфику на проведение процесса распознавания и принятие решения.

Рассмотрим данный процесс на примерах систем иридодиагностики и аускультации сердца. Хотя изображения глаза перспективны и в охранных системах.

Самой надежной и точной методикой создания биометрического портрета человека является сканирование сетчатки человеческого глаза. Сетчатка пронизана кровеносными сосудами, переходящими в малые вены и артерии. Их рисунок — уникальный в своем роде и с возрастом меняется незначительно. Впрочем, при тяжелых заболеваниях и травмах, могут происходить его изменения, препятствующие распознаванию. Инфракрасный лазер отражается сосудами глазного дна. Человек должен находиться не дальше чем на расстоянии 1,5 см. от камеры и не двигаться. При этом воспринимается более 400 характерных точек. Для сравнения: при съемке отпечатков пальцев их количество колеблется между 30 и 40.

В противовес сканированию сетчатки, распознавание зрачка не требует лазерной техники. Избыточное освещение может вызвать сужение зрачка и затруднить обследование. Поэтому часто работают с искусственным источником освещения. Распознавание базируется на значительных признаках на зрачке, типа кругов, канавок, пятен сосудиков или завитушек. И только некоторые насчитывают ровно 200 атрибутов.

Одним из разделов медицинской диагностики является наука - иридология. В основе ее лежит изучение радужной оболочки глаза. Помимо специальных инструментов каждая наука имеет также свой особый язык, свою терминологию. Ключевым понятием в иридологии является целостность тканей. Цель иридологии – это оценка степени целостности тканей, включая врожденные сильные и слабые места организма, собирательно называемые ‘конституцией’.

Стремясь добиться наилучшей визуализации радужной оболочки глаза (радужки), специалисты на первом этапе работали с инструментами офтальмологии (раздела науки о глазных болезнях и аномалиях): офтальмоскопом, щелевой лампой и другими приспособлениями для освещения и увеличения.

Сегодня существует ряд приборов: интрапупиллографы, биокалиброметры, регистраторы пульсации хориоидального участка сетчатки: считыватели формы зрачка, регистраторы микродвижений глаз, которые создают довольно объемные описания характеристик состояния глаза.

Исследуются зрачковые реакции при интегральной и локальной стимуляции сетчатки глаза, зрачка с разрешением 15-20 угловых минут разных участков сетчатки и временным до 1 мс. Источники света обеспечивают локальное возбуждение с определенной частотой мигания. Подсветка может осуществляться и в инфракрасном свете без симуляции реакции глаза.

Приборы позволяющий проводить измерения линейных величин и микрофотометрический анализ локальных участков изображений радужки, глазного яблока. Считывается 3D форма зрачка. Геометрические параметры регистрируются с точностью и локальностью в 100 мкм и выше.

Это позволяет судить о той или иной степени деформации формы зрачка в каждом отдельном секторе радужки и на основе этого признака в комплексе с другими иридодиагностическими признаками проводить предварительную постановку диагноза.

А поскольку пульсация хориоидального участка сетчатки отражает пульсацию кровотока заднего сосудистого слоя глаза, то по ее величине можно судить о характере кровотока в сосудах радужной оболочки.

Богатую почву для диагностики создает геометрия линий в различных участках сетчатки.

Особый раздел иридодиагностики – цветовой состав радужной оболочки. Собственная пигментация радужной оболочки – определяется концентрацией меланина в переднем пограничном слое и строме. Кривые пропускания 5% раствора этого пигмента рис. 99.

Из спектральных свойств меланина ясно, почему сильно пигментированные коричневые радужки в красном свете кажутся более светлыми, чем серые или голубые. Очевидно также, что в синем свете все пигментные образования становятся черными, а в красном почти полностью обесцвечиваются. Поэтому локальная пигментация на более светлом фоне окружающей ткани радужки, также как участки депигментации на темном фоне, контрастнее всего выглядит на синем свете.

Рис. 99. Кривые пропускания меланина и гемоглобина на различных участках спектра

Выбор вида освещения определяется спектральными свойствами исследуемой детали и окружающего ее фона. При исследованиях состояния гемоглобина обращают на себя внимание два участка спектра с минимальным пропусканием:

– участок с длиной волны менее 440 нм (фиолетовый свет);

– 540...580 нм (желто-зеленый).

Из-за поглощения света в этих участках новообразованные сосуды радужной оболочки могут выглядеть, как черные линии.

Из спектральных свойств меланина ясно, почему сильно пигментированные коричневые радужки в красном свете кажутся более светлыми, чем серые или голубые. Очевидно также, что в синем свете все пигментные образования становятся черными, а в красном почти полностью обесцвечиваются. Поэтому локальная пигментация на более светлом фоне окружающей ткани радужки, также как участки депигментации на темном фоне, контрастнее выглядит на синем свете.

На рис. 100 приведена классификация систем иридохромографии по используемой аппаратуре. Спектральный состав коэффициентов пропускания и отражения может исследоваться на различной по стоимости аппаратуре.

Детальная картина получается в ветви с монохроматической фотоприемной матрицей благодаря применению узкополосных источников света.

В полихроматической ветви работают наборы светофильтров. В обеих случаях может осуществить нечто подобное иридохромоскопическому анализу.

Упрощенные системы оснащаются цветными приборами наблюдения.

Рис. 100. Классификация систем иридохромографии

При выборе вида освещения для иридохромоскопии следует исходить из предполагаемых спектральных свойств объекта наблюдения и окружающего его фона. Необходимо стремиться к созданию максимального контраста и фона. Глубинный анализ тканей радужки проводится с учетом особенностей ее структуры и степени пигментации. В терминах ТРО необходимо не допускать увеличения зон перекрытия классов в цветном признаковом пространстве.

Сегодня широко используются системы, способные распознать личность по фотографии сетчатки (банковские системы пропусков, военные и т. д.), многие медицинские центры сегодня могут предложить полную диагностику организма именно по изображению все того же глаза, ну а лазерная коррекция зрения стала рабочим инструментом офтальмологии.

Процесс автоматической диагностики с постановкой диагноза в данном применении находится в начальной стадии. Основной задачей является предварительная обработка исходных изображений с соблюдением принципов ТРО. Это особенно важно для систем работающих в недоступной человеку области спектра.

На рис. 101 представлена последовательность операций при распознавании в устоявшаяся в иридодиагностике. Описано три подхода к решению задачи.

При распознавании по контуру неизвестный объект (1) считывается, его изображение (2) на квантуется и дискретизируется (3).

Понижение размерности описания достигается минимизирующим преобразованием (4).

В результате выполнения описанных этапов плоское изображение объекта представляется в виде многосвязного контура. Т. к. при идентификации используется только внешний контур изображения, то его выделение происходит в узле (5).

Параллельно проводится анализ изображения с целью выявления на нем отдельных опорных элементов (6), необходимых для проведения нелинейных преобразований внешнего контура изображения объекта (7).

Выполнение этого этапа позволяет уменьшить перспективные искажения на изображении, а также провести желательную переориентацию в пространстве и приведении его к плоскостям проектирования, в которых интегральные признаки идентификации проявляются наиболее ярко.

Далее объект идентифицируется (8).

При этом либо происходит классификация неизвестного объекта, либо, если риск диагноза велик, делается запрос новой реализации объекта, снятой, например, под другим ракурсом.

Рис. 101. Основные операции обработки изображений в иридодиагностике

При распознавание по одиночным признакам получают одиночное изображение (2) и далее проводятся этапы предварительной обработки изображения: кодирование (9) и минимизация (10).

Затем многосвязной контур подвергается препарированию (11) на систему односвязных контуров.

Каждый такой контур нормализуется (12) и распознается (13).

Т. к. целевые признаки, как правило, представляют собой связную систему из односвязных контуров, то для их формирования приходится проводить синтез односвязных контуров для получения изображений целевых признаков (14), по найденному набору который на изображении неизвестного объекта и проводится его целевое распознавание (15).

Исходом этого этапа может быть либо отнесение неизвестного объекта к одному из классов, либо запрос новой информации об объекте.

Распознавание по стерео парным снимкам проводится с помощью двух приборов наблюдения.

Стерео изображения (16) дискретизируются, кодируются (17).

Минимизация их описания (18), и препарация на систему односвязных контуров (19) подготавливает несвязанное описание объектов.

Для 3D анализа проводится идентификация схожих точек стереопары (20).

Далее составляется пространственное описание видимой части неизвестного объекта (21) и формируются целевые признаки (22).

По ним проводится распознавание (23), определяется номер класса либо дается запрос новых снимков неизвестного объекта.

Многие из приведенных операций подходят под термин фильтрация изображения.

Изображение глаза будет зашумлено, поэтому понятие фильтрации в данном случае весьма обширно, и включает в себя любое преобразование графической информации. Фильтрация может быть задана не только в виде формулы, но и в виде алгоритма, а не редко и таблицы его реализующая. Человек запоминает графическую информацию, в основном, в виде трех ее составляющих:

1.Низкочастотные составляющие изображения. Они несут информацию о локализации объектов, составляющих изображения. Эта составляющая наиболее важна, так как связка глаз - мозг уделяет ей первостепенное внимание.

2.Высокочастотные составляющие изображения. Они отвечают за цветовые перепады - контуры изображения. Увеличивая их, мы повышаем резкость изображения.

3.Текстуры изображения. Чтобы понятно объяснить, что это такое проведем небольшой эксперимент. Расслабьтесь, вспомните интерьер вашего дома, например, письменный стол. Вы знаете его очертания, местоположение, цвет - это низкочастотные характеристики, вспомнили его заостренные углы, небольшую царапину где-нибудь ближе к его кромке - это высокочастотные составляющие. Также Вы знаете, что стол деревянный, но не можете в точности рассказать обо всех мельчайших деталях его поверхности, хотя общие характеристики (коричневый с темными впадинами, две области расхождения концентрических эллипсов от сучков) - наверняка. В данном случае в скобках - описание текстуры. Можно трактовать текстуру как характеристику участков в контурах изображения.

Будем рассматривать фильтры в виде квадратной матрицы A. Пусть исходное изображение X, а получаемое как результат фильтрации - Y. Для простоты будем использовать матрицы 3x3:

Рекурсивными фильтрами первого рода будут такие фильтры, выход Y которых формируется перемножением весовых множителей A с элементами изображения X. Для примера рассмотрим фильтры низких частот:

.

Фильтром низких частот пользуются часто для того, чтобы подавить шум в изображении, сделать его менее резким. Используя фильтр A3 , будем получать изображение Y следующим образом:

Выход фильтра второго рода формируется аналогично первому, плюс фильтра B:

Для простоты рассмотрим одномерный фильтр вида:

:

Рассмотрим и другие фильтры:

Высокочастотные (для подчеркивания резкости изображения):

Для подчеркивания ориентации север N, и северо-восток N-S:

.

Подчеркивание без учета ориентации (фильтры Лапласа):

.

Корреляционный:

,

где- коэффициенты корреляции между соседними элементами по строке (столбцу). Если они равны нулю то отфильтрованное изображение будет совпадать с исходным, если они равны единице, то фильтр будет эквивалентен лапласиану. При обработке изображений очень часто используют последовательность фильтров: низкочастотный и Лапласа.

Часто используют и нелинейную фильтрацию. Для контрастирования перепадов изображения используют градиентный фильтр:

,

или его упрощенный вид:

.

Еще один нелинейный фильтр - Собела:

A0 ... A7 - входы, yi, j - результат фильтрации.

,

Рекурсивная версия :

где B0 ... B7 - выход отфильтрованного изображения.

Нелинейная фильтрация - достаточно загадочная область цифровой обработки сигналов, многое еще в ней пока не изучено. Важность же ее не вызывает сомнений, потому, что окружающий нас мир по своей сути не так линеен, как порою хочется его нам интерпретировать.

Примеры работы некоторых фильтров приведены на рис. 102 – фильтр Лапласа и на рис. 103 – фильтр Собела.

Левое окно интерфейса программы показывает – исходное изображение, правое – полученный результат.

Рис. 102. Выделение контуров методом Лапласа

Рис. 103. Обработка изображения фильтром Собела

Наряду с оптическими изображениями в медицине широко применяются и акустические сигналы.

Известно, что выслушивание является одним из наиболее эффективных ме­тодов клинических исследований сердца.

И в наше время, несмотря, на внедрение в клиническую практику рент­геновского, ЭКГ и других методов, наиболее полное представление о меха­нике сердечной деятельности и ее нарушениях по-прежнему дает исследо­вание звуков сердца.

В данном случае это пример хорошо теоретически проработанной причинно-следственной картины, содержащей сложные механические модели и уравнения динамики жидкостей.

Базовой привязкой является обычно сигнал с электрокардиографа, На рис. 104 приведен график поясняющий синхронизацию. Теоретическим обоснованием является высокая степень корреляции между длительностью акустической и электрической систолы.

Рис. 104. Синхронизация циклов прослушивания сердца по электрокардиограмме. - сигнал с электрокардиографа, - сигнал с стетотелефона

Упрощенно считая, что систола - это только со­кращение миокарда, а диастола - только пассивное расслабление, можно ввести два базовых сигнала синхронизации R- зубец и T- зубцы.

На самом деле картина существенно сложнее. Теория фазовой структуры сердечного цикла была создана 1945 г. Сердечный цикл состоит из 4-ех периодов и 11-ти или 8 фаз. Опишем некоторые из них.

Система желудочков начинается с фа­зы трансформации, или асинхронного сокращения (20 мс), в конце которой атриовентрикулярные клапаны закрываются внутри желудочковым давлени­ем. В следующей фазе изометрического сокращения (32 мс) в основном поддерживается постоянство объезда, не отмечается выраженной динамики геометрии внутренних н внешних поверхностей сердца.

Далее следует протосфегмический интервал (5 мс), когда закончилось изометрическое сокращение. Очередные фазы - максимального и редуцированного изгнания - дифференцируются друг от друга лишь по внутри желудочковым барограм­мам.

Теперь о периодах и фазах диастолы. Первая из них именуемая протодиастолическим интервалом, соответствует закрытию полулунных клапа­нов, и во время нее кровотока через клапаны уже нет (последнее трудно представить, если при открытых клапанах сохраняется хотя бы минималь­ный перепад давления).

Следующая фаза - изометрического расслабления (85мс) - характер­но, как известно, снижением внутри желудочкового давления, причем сред­няя его скорость примерно равна средней скорости подъема давления, в на­чале механической систолы. На том этапе, так же как и в фазу трансформа­ции, имеет место явление активного изменении геометрии желудочков, т. е. часть явлений не сводится к пассивному расслаблению миокарда. Следует подчеркнуть, что фаза быстрого пополнения желудочка постоянством дли­тельности (в норме 9.5 мс).