Математические методы исследования биоритмов


Выявление и оценка любого периодического процесса предусматривает обработку временного ряда наблюдений. Все ряды могут быть подразделены на группы с равно- и неравноотстоящими наблюдениями. Методы анализа первых хорошо разработаны и широко применяются в технике, где проведение замеров через строго одинаковые интервалы не составляет большого труда. Для их реализации существует много стандартных программ. Однако не все они могут быть приложены к анализу рядов с неравноотстоящими наблюдениями. В медицинских же биоритмических исследованиях неизбежно возникают пропуски наблюдений, т. к. будить людей нельзя: это влечет за собой искусственный сдвиг фазы ритма. В то же время методы, пригодные для анализа таких рядов, применимы и для анализа равноотстоящих данных. Данный метод может иметь широкое применение в медицине, начиная с выявления людей, входящих в группу риска по заболеванию онкологией, и заканчивая прогнозированием сезонных обострений геморроя или псориаза (и любой другой хронической болезни).

При описании ритмики преследуют следующие цели: выявление ритмических составляющих, а если таковые обнаружены — оценка параметров ритма и на основании этих сведений воспроизведение хода кривой, «очищенной» от шума. Это можно осуществить либо на основе табличных данных, определяющих некоторые характерные точки, или используя формулу, позволяющую рассчитать любую точку кривой. Именно такая формула выполняет роль модели явления. Модели могут быть различными, но они всегда отражают (описывают) сигнал, поступающий для регистрации от исследуемой осцилляторной системы. Нередко на выходе регистрируется результат деятельности не одного, а нескольких осцилляторов, в таком случае возникает необходимость изучения спектра с оценкой каждой его составляющей. Рассмотрим сначала пути анализа, исходя из наиболее простой одноосцилляторной модели.

В самом общем представлении все колебания можно разделить на два класса — гармонические и релаксационные. Первые описываются наиболее просто — синусоидами (косинусоидами), описание вторых сложнее. В наиболее общей форме ход ритмического процесса можно представить в качестве переходов от одного крайнего состояния к другому и обратно, повторяю-щихся через одинаковые промежутки времени. Такое определение подразумевает знание значений крайних состояний и периода процесса, но ничего не говорит о характере перехода, т. е. о форме кривой.

Переход от одного состояния к другому, достижение нового, начало возврата и сам возврат к исходному могут совершаться на каждом периоде в моменты, которые можно обозначить ti, t2, t3 и t4. Это позволяет выделить отрезки времени длительностью t2-ti — первый переход, t3-t2 — устойчивое состояние подъема, U-U — второй переход, U-U — устойчивое состояние спада. Информацию о характере переходов можно получить, вычисляя первую и вторую производные, время достижения ими максимума и обращения- в ноль. Зная их положение во времени, можно в известной степени судить о механизме процесса, отождествляя вторую производную с силой (не обязательно, естественно, механической), вызывающей колебательный процесс. Величина экстремумов первой производной позволяет судить о наибольшей скорости изменения процесса.

При столь значительной информативности указанные сведения, представленные в виде таблицы, хоть и дают приблизительное описание процесса, но не представляют собой модели, по которой исходная кривая может быть воспроизведена без

интерполирования.

Примерами крайних вариантов моделей могут служить синусоида и прямоугольный импульс. Синусоида отображает такой процесс, при котором совпадают точки ti с U, a t2 с t3, иначе говоря, когда устойчивых состояний нет, a t.j(ti)-ts(t2) равно t2(t3)-ti(t4), т. е. этапы подъема и спада симметричны во времени. Изменения производных показывают, что сила, вызывающая отклонение системы от устойчивого состояния, действует непрерывно и пропорциональна величине процесса с обратным знаком. Аппарат аппроксимации синусоидой хорошо разработан и нередко эту модель принимают как разумеющуюся. Вместе с тем априорно судить о форме кривой нельзя, выбор должен быть обоснован; если аппроксимация оказалась статистически значимой при заданном уровне вероятности, с таким же уровнем вероятности может быть принята и сама синусоидальная модель процесса.

Любая реально существующая система обладает инерцией, а воздействующие на нее силы конечны, поэтому переходные состояния всегда требуют некоторого времени. Отсюда следует, что модель процесса в целом должна включать в себя и модель переходных состояний. В случае синусоиды она наиболее проста: модель процесса в целом и модель переходных состояний совпадают.

Перед построением модели целесообразно выявить ход процесса, освободив его от статистических шумов (случайных флюктуации). Это успешно достигается применением сглаживания скользящими средними, но возможно лишь при равноотстоящих наблюдениях. Данный способ можно использовать и для анализа спектра в качестве фильтра, подавляющего колебания более короткие, чем отрезок сглаживания. Более медленные колебания сохраняются, хотя и подавляются. Их величина, однако, может быть восстановлена. При неравноотстоящих наблюдениях можно применять метод кусочной регрессии. В этом случае аппроксимацию проводят не путем вычисления среднего значения для точки, соответствующей середине пробного отрезка, а путем вычисления линии регрессии на отрезке, оценивая методом наименьших квадратов. При этом ординаты, соответствующие времени одного и того же наблюдения (для каждого пробного отрезка выравнивания), обычно не совпадают, поэтому их усредняют.

Использование полинома 1-й степени по трем точкам может служить фильтром, отсекающим все высокочастотные составляющие, включая шумы. Для того чтобы определить ход кривой детальнее, особенно на крутых изгибах, применяют аппроксимацию полиномом 3-й степени по 5 точкам. С помощью этого метода можно довольно точно моделировать и одно синусоидальное колебание.

Выявление хода процесса на всем протяжении от первого до последнего наблюдения позволяет уже визуально судить, присутствует ли в нем монотонный тренд, сколько экстремумов имеет кривая, проявляется ли суперпозиция нескольких составляющих. Если тренд выявляется, его целесообразно исключить перед дальнейшим анализом ритмичности. Если кривая имеет несколько экстремумов, можно составить представление о длительности периодов колебаний.

Следует остановиться на случае, когда выявляются только два экстремума (положительный и отрицательный), так что можно предполагать существование завершенного колебания с периодом, равным длине ряда. Это не более чем предположение, поскольку, согласно теореме Котельникова — Шеннона, для выявления реально существующей периодичности требуется, чтобы длина ряда была не менее чем в 2 раза больше длины выявляемого периода. Это легко понять чисто логически, без математических доказательств. Во-первых, если речь идет о периодичности, подразумевается повторяемость состояний. Существование же одного колебания не дает никаких оснований для суждения о том, были ли такие колебания ранее и будут ли они в дальнейшем. Возможно, ход процесса был совершенно ровным, а во время наблюдения возник какой-то единичный всплеск. Конечно, данный всплеск формально может быть описан в рамках периодического колебания, но, принимая такую модель, следует отдавать себе отчет в ограниченности возможности распространять ее на процесс в целом.

ПЕРЕХОД

Часто о существовании циркадианной периодичности известно из предыдущих исследований. Поскольку она выявлена практически для всех физиологических функций, предполагается неизбежность ее существования при изучении и любой новой, ранее не изучавшейся функции. После этого допущения иногда «идут» и на следующее: циркадианность отождествляют с 24-часовой периодичностью. Если первое допущение логично, то второе — нет: при перестройке ритмики вследствие, например, смены часовых поясов, в ходе иных адаптации или при патологии колебания обладают другой длиной периода (выход при этом за рамки циркадианного диапазона не обязателен). В этих случаях по наблюдениям на протяжении 24 ч в условиях их обычной зашумленности дать оценку длине периода невозможно. Поэтому если по наблюдениям в течение 24 ч становится известно, что процесс совершает колебание и возвращается приблизительно к начальному состоянию, а предшествующая информация свидетельствует, что периодичность имеется, то утверждение о том, что наблюдавшееся колебание тоже представляет собой проявление циркадианности, допустимо, но судить о его параметрах в этом случае нельзя. К сожалению, во множестве публикаций, основанных на такого рода наблюдениях, параметры «вычислены». Их ценность мала, поскольку они применимы для оценки процесса только в течение данных конкретных суток (таковым является неполноценное описание датских ученых, поставивших эксперимент с больными геморроем). Действительно, реальный ход циркадианного процесса в каждые последующие сутки не совпадает во всех деталях, при этом могут меняться и период, и фаза, и уровень, и размах (квазипериодичность). Эти изменения могут быть как случайными, так и систематическими. Последние выявляют и подвергают самостоятельному анализу, первые же учитывают в качестве погрешностей при определении параметров ритма. Несмотря на это, при начальном приближенном построении модели как выявление ритма, так и оценку его параметров целесообразно производить, исходя из предположения о строгой периодичности, а уточнения, связанные с ее квазиприродой, осуществлять на последующих этапах (см. метод скользящих временных срезов).

Любой анализ временного ряда, для которого предполагается периодичность, следует начинать с определения длины периода. Это достигается несколькими способами. При равноотстоящих наблюдениях могут применяться и Фурье-анализ, и вычисление автокорреляционной функции, и резонансно-поисковые методы, и иные приемы. При неравноотстоящих наблюдениях круг методов сужается. Правда, иногда ряд с неравноотстоящими наблюдениями преобразуют в новый, с равноотстоящими (интерполированием). Его можно обрабатывать всеми известными способами, но следует иметь в виду, что любое предварительное преобразование данных, естественно, вносит искажения.

Один из способов аппроксимации неравноотстоящих наблюдений основан на описании ряда синусоидами по методу наименьших квадратов. Если менять период пробной синусоиды и каждый раз оценивать качество аппроксимации с помощью вычисления корреляционного отношения, погрешности амплитуды и др., на кривой, отражающей эту зависимость (корреляционной периодограмме), возникнут пики. Последние соответствуют периодам, имеющимся в процессе. Высота пиков отражает степень приближенности синусоидальной моделью.

Выявить наличие ритмичности, используя синусоидальную аппроксимацию, можно даже в том случае, если сигнал имеет иную форму. Предположим, что прямоугольный импульс повторяется каждые 24 ч, а наблюдения проводят в течение 6 сут с интервалом 1 ч.

Импульс возникает в 02 ч, оканчивается в 04 ч, т. е. длится 2 ч, так что за время его существования производят 3 измерения, которые приходятся на 2; 3 и 4 ч времени суток, т. е. на 30; 45 и 60° цикла с периодом Т = 24 ч. Если аппроксимировать такой ряд синусоидами с периодами 24; 36; 48 и 72 ч или иными, то наибольшим значение корреляционного отношения окажется при аппроксимации первой из них, хотя с позиций вероятностных оценок значимым его считать нельзя. Из отсутствия значимости синусоидальной аппроксимации можно сделать два вывода: либо неудовлетворительна сама модель, либо шум настолько велик, что определение параметров ритмики невозможно. Для выбора решения необходимо построить плексограмму (от лат. plexus — сплетение), выбрав за основу период, выявленный на периодограмме. Построение плексограммы, соответствующей приведенному примеру, явно укажет, что в качестве модели должно быть избрано описание прямоугольного импульса, имеющего длительность 2 ч и скважность 12/1.

Таким образом, построение плексограммы представляет собой второй этап анализа, необходимый, если синусоидальная аппроксимация выявила пики на периодограмме, но значимость их формально невелика. Весь ряд наблюдений (его графическое отображение называют хронограммой) разбивают на отрезки с длиной, равной длине выявленного периода. Время каждого наблюдения после этого отсчитывают от момента окончания предыдущего периода. Затем все наблюдения совмещают соответственно их новым абсциссам. Для фильтрации шумов плексограмму сглаживают. Если модель в силу каких-либо априорных соображений уже выбрана, это целесообразно сделать по методу наименьших квадратов, подбирая уравнение регрессии для всего ряда, если же модель неизвестна — кусочной полиномиальной аппроксимацией. Построение плексограммы дает много информации о ходе кривой. Конечно, если процесс представлен несколькими составляющими, влияние их будет сказываться, но не настолько, чтобы существенно исказить ее ход. Это связано с тем, что в живых системах временные диапазоны различных регуляторных реакций, как правило, разделены, а каждому уровню организации (клеточному, тканевому, системному и т. д.) соответствуют свои диапазоны биоритмов.

Поскольку синусоидальная аппроксимация занимает ключевое положение в построении периодограммы, остановимся подробнее на принципах расчетов (реализованы в пакете прикладных программ).

Каждое наблюдение характеризуется двумя величинами: календарным временем (абсцисса) и величиной процесса (ордината). Для составления системы нормальных уравнений значения календарного времени переводят в десятичную систему, учитывая число минут от условно выбранной даты. Ряд аппроксимируют выражением yi = C0 + Acos(coti+9), где yi — значение аппроксимированной ординаты, С0 — мезор, А — амплитуда о — угловая частота, ti — значение на абсциссе, ф — акрофаза. Для конкретных расчетов вводят величины Сс и Cs, причем:

A=(Cc2+Cs2)0’5, (p=arctgCs/Cc.

Система нормальных уравнений выглядит следующим образом:

ПЕРЕХОД

С помощью этой системы можно найти коэффициенты С0, Сс и Cs при неравноотстоящих наблюдениях. Затем вычисляют обратную матрицу, так как это дает возможность легко определить корреляционное отношение (ц) и погрешности коэффициентов sc0, scc, Scs, а затем и эллипс ошибок, т. е. область, в которой с заданной вероятностью находятся значения А и ср. Система уравнений нелинейна, поэтому производят итерацию, вводя на каждом шаге новое значение ш = 2л/Т. Для каждого шага вычисляют л2, что отражает долю дисперсии полезного сигнала в общей дисперсии. В ряду, образованном значениями г)2, выбирают пики, и для периодов, соответствующих каждому из них, вычисляют коэффициенты С0, Сс, Cs и их погрешности. Рассчитывают эллипсы ошибок и определяют погрешности амплитуды и акрофазы (эд и s,,), а также значимость модели по t-критерию Стьюдента. Расчет t возможен как для амплитуды, так и для г|. В первом случае t = A/sA, во втором его вычисляют через z-преобразование: t—z^s,,, где s,,= l/(n-3), откуда t„ = = 0,5(п-3) 1п(1+г1)/(1-л).

Итерацию проводят в два приема. Сначала устанавливают относительно широкий шаг AT.

Обычно при обработке ряда выявляется несколько значимых гармоник. Принимая за исходные предпосылки синусоидальность модели и возможность существования нескольких осцилляторов с суперпозицией их колебаний, возможно сложение ординат выявленных гармоник, что уточняет ход процесса во времени. Оценку такой суперпозиционной модели производят, вычисляя долю общей полезной дисперсии ц2 (для суммарного сигнала). Введение каждой новой значимой гармоники увеличивает т29. При неравноотстоящих наблюдениях возможно выявление артефактных гармоник, которые могут быть формально вычислены. Они не увеличивают долю полезной дисперсии и их исключение осуществляют программными средствами. Такие же артефактные гармоники выявляются, если аппроксимировать ряд на периодах Т, более коротких, чем допускается теоремой Котельникова — Шеннона (выше частоты Найквиста). Они тоже исключаются программными средствами, но лучше (для экономии времени расчетов) не задавать Тнач в области зоны «запрещенных» теоремой периодов.

Учитывая, что биологические ритмы квазипериодичны, оценка спектра и параметров его отдельных составляющих возможна лишь на ограниченном отрезке времени. Поэтому часто возникает необходимость проследить динамику указанных параметров. Для этого синусоидальную аппроксимацию сочетают с вычислением скользящих средних (или с кусочной полиномиальной аппроксимацией) — метод временных серийных срезов. Часто его применяют, аппроксимируя ряд косинусоидой с каким-либо одним периодом, чаще всего 24-часовым. Изменения параметров наглядно выявляются в ходе адаптивных перестроек организма, например, при перелетах через несколько часовых поясов или при изменении режима труда и отдыха. Так, если до перелета акрофаза 24-часового ритма какой-либо функции организма стабильно соответствовала некоторому времени суток, то после перелета она в течение нескольких дней смещается на то количество часов, которое необходимо для совпадения с местным поясным временем. Скорость перестройки разных физиологических функций неодинакова. Метод временных серийных срезов позволяет установить ее длительность, а по сочетанию перестройки нескольких функций — оценить степень десинхронизма.

Алгоритм сводится к тому, что из всего ряда наблюдений выделяют начальный участок (интервал аппроксимации) и оценивают на нем параметры ритма по интересующему периоду.

Затем участок аппроксимации сдвигают по общему ряду на отрезок времени t (инкремент сглаживания, t значительно меньше интервала аппроксимации). При этом часть наблюдений из начала общего ряда исключают, а несколько последующих, ранее не учтенных, присоединяют. На сформированном таким способом новом участке опять оценивают параметры по тому же периоду. Такую процедуру сдвига и оценки повторяют, пока не исчерпают всего первичного ряда наблюдений. В результате возникают 3 новых ряда, отражающих изменения мезора, амплитуды и акрофазы. Эти ряды выявляют систематический компонент, отражающий квазипериодичность процесса. Оценка значимости и трактовка выявленных изменений представляют собой самостоятельную задачу.

Все сказанное относилось к анализу временного ряда, полученного в результате наблюдений одного объекта, состояние которого изменяется как единого целого. Иногда возникает необходимость оценить состояние ритмики группы индивидуумов по известным параметрам ритмики каждого из них. В этом случае применяют групповой косиноранализ. Отметим, что он возможен только при сопоставлении параметров ритмов с одинаковыми периодами.

Сложность организации биоритмов, их взаимное влияние, наличие синхронизации, резонанса и десинхронизмов диктуют необходимость разработки и совершенствования как методических приемов исследования биоритмов в клинике, так и анализа результатов с использованием математических методов и электронно-вычислительной техники. Поэтому необходима совместная работа клиницистов и математиков по формулировке и корректной постановке проблемы исследования в каждом конкретном случае.

Клиническое наблюдение надо планировать так, чтобы ответить на следующие вопросы: цель испытания, контингент больных, критерии и методика их отбора, число больных на разных этапах изучения биоритмов, схема наблюдения (продолжительность и частота) с учетом экстремальных ситуаций, выбор методик, выбор признаков, характеризующих степень выраженности патологического процесса, единовременность исследования и др..

Основные исследования целесообразно разделять на отдельные составляющие задачи и для каждой из них разрабатывать адекватные математические методы решения. Так, практическое использование косинор-анализа в его жестком варианте для выявления суточных ритмов в клинических условиях показало ограниченность его применения. Это можно объяснить не только неоднородностью групп обследованных, но и неадекватностью метода для аппроксимации показателей, не имеющих синусоидального вида или представляющих собой суперпозицию нескольких составляющих.

Перспективы разработки математических методов анализа биоритмов велики (в частности – для оценки методов повышения иммунитета человека и профилактики сотен заболеваний). Предстоит изучение как групповых, так и индивидуальных особенностей биоритмов. Возникает задача выделения различных типов ритмов одного и того же показателя. Необходима разработка методов изучения зависимостей между формой хронограмм и клиническими параметрами (возрастом, степенью тяжести заболевания и др.) и внешними синхронизирующими (геофизическими) факторами. Особое место занимает изучение механизмов формирования ритмов физиологических показателей. При этом перспективными могут оказаться близнецовые исследования как методический прием анализа соотносительной роли генетической и внешнесредовой компонент в формировании ритма. Изучение степени выраженности нарушений периодичности комплекса показателей в различных группах позволит оценить роль десинхронизма при различной выраженности патологического процесса. Разработка специальной системы методов и модификации классических (параметрических и непараметрических) методов обработки временных рядов должна помочь познанию общих закономерностей биоритмических процессов и определить пути коррекции их нарушений.



Еще по теме: