ntvНаучно-технический вестник информационных технологий, механики и оптикиScientific and Technical Journal of Information Technologies, Mechanics and Optics2226-14942500-0373Университет ИТМО10.17586/2226-1494-2024-24-1-156-164ntv-93Research ArticleМАТЕМАТИЧЕСКОЕ И КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕMODELING AND SIMULATIONИспользование технологий машинного обучения при решении задачи классификации сигналов мониторинга инфразвукового фонаUsing machine learning technologies to solve the problem of classifying infrasound background monitoring signalshttps://orcid.org/0000-0001-9176-6965ФроловИ. Н.FrolovI. N.

Фролов Иван Николаевич — инженер-программист

Горно-Алтайск, 649000

 

Ivan N. Frolov — Software Engineer

 Gorno-Altaisk, 649000

xfin@bk.ruhttps://orcid.org/0000-0003-1327-5188КудрявцевН. Г.KudryavtsevN. G.

Кудрявцев Николай Георгиевич — кандидат технических наук, старший научный сотрудник

Горно-Алтайск, 649000

sc 57204835030

Nikolai G. Kudryavtsev — PhD, Senior Researcher

 Gorno-Altaisk, 649000

sc 57204835030

ngkudr@mail.ruhttps://orcid.org/0000-0002-8043-4014СафоноваВ. Ю.SafonovaV. Yu.

Сафонова Варвара Юрьевна — ассистент

Горно-Алтайск, 649000

sc 57222578674

Varvara Yu. Safonova — Assistant

 Gorno-Altaisk, 649000

sc 57222578674

safonova_varvara@mail.ruhttps://orcid.org/0000-0002-9174-224XКудинД. В.KudinD. V.

Кудин Дмитрий Владимирович — кандидат технических наук, старший научный сотрудник

Москва, 119296

sc 56025952800

Dmitry V. Kudin — PhD, Senior Researcher

Moscow, 119296

 sc 56025952800

d.kudin@gcras.ruГорно-Алтайский государственный университетРоссияGorno-Altaisk State University (GASU)Russian FederationГеофизический центр Российской академии наукРоссияGeophysical Center of The Russian Academy of Sciences (GCRAS)Russian Federation202412122024241156164Copyright © Фролов И.Н., Кудрявцев Н.Г., Сафонова В.Ю., Кудин Д.В., 20242024Фролов И.Н., Кудрявцев Н.Г., Сафонова В.Ю., Кудин Д.В.Frolov I.N., Kudryavtsev N.G., Safonova V.Y., Kudin D.V.This work is licensed under a Creative Commons Attribution 4.0 License.https://ntv.elpub.ru/jour/article/view/93

Введение. Широко известно, что среди звуковых сигналов, порождаемых природными и техногенными явлениями, наиболее долгоживущими являются волны частотой менее 20 Гц, именуемые инфразвуком. Это свойство позволяет отслеживать путем инфразвукового мониторинга возникновение высокоэнергетических событий в региональных масштабах на расстоянии до 200–300 км. Вместе с тем выделение полезных инфразвуковых сигналов из фонового шума является нетривиальной задачей при обработке сигналов в реальном времени и постфактум. В работе предлагается новый метод классификации специфических сигналов в данных инфразвукового мониторинга с использованием перестановочной энтропии Шеннона и векторов распределения частот встречаемости перестановок последовательных выборочных значений ранга 3 (количество элементов перестановки). Метод. Для оценки применимости предлагаемого энтропийного метода классификации использованы два метода машинного обучения — метод случайных лесов и классический нейросетевой подход. Методы реализованы на языке Python с использованием библиотек Scikit-lean, TensorFlow и Keras. Выполнена оценка качества классификации по сравнению с традиционным частотным методом выделения классов, основанном на использовании преобразования Фурье. Распознавание проведено на подготовленных данных инфразвукового мониторинга на территории Республики Алтай. Основные результаты. Результаты вычислительного эксперимента по разделению пяти классов сигналов показали, что классификация предложенным методом дает одинаковые результаты распознавания нейронной сетью. При этом по сравнению с частотной классификацией исходных данных точность распознавания составила 51–58 %. Для метода случайных лесов точность распознавания частотных классов равна 51 %, а для метода перестановочной энтропии — 45 %. Обсуждение. Анализ результатов вычислительного эксперимента показал конкурентноспособность метода классификации перестановочной энтропии при распознавании инфразвуковых сигналов. Предлагаемый метод реализуется значительно проще при поточной обработке сигнала в низкопотребляющих микроконтроллерных системах. Планируется дальнейшая апробация метода на пунктах регистрации инфразвуковых сигналов, а также в составе системы обработки данных инфразвукового мониторинга для выделения событий в реальном режиме времени.

It is widely known that among sound signals generated by natural and anthropogenic phenomena, the most long-lived are waves of frequency less than 20 Hz, called infrasound. This property allows tracking at a distance by infrasound monitoring the occurrence of high-energy events on regional scales (up to 200–300 km). At the same time, the separation of useful infrasound signals from background noise is a non-trivial task in real-time and post-facto signal processing. In this paper we propose a new method for classification of specific signals in infrasound monitoring data using Shannon permutation entropy and vectors of frequency distribution of occurrence frequencies of permutations of consecutive sample values of rank 3 (number of permutation elements). To evaluate the validity of the proposed entropy-based classification method, two machine learning methods — random forest method and classical neural network approach — implemented in Python language using Scikit-lean, TensorFlow and Keras libraries were used. The classification quality was evaluated against the traditional frequency-based method of class extraction based on Fourier transform. Recognition was performed on the prepared infrasound monitoring data in the Altai Republic. The results of computational experiment on the separation of 5 classes of signals showed that classification by the proposed method gives the same results of recognition by neural network with in comparison with frequency classification of the original data; the recognition accuracy was 51–58 %. For the random forests method, the recognition accuracy of frequency classes was slightly higher: 51 % vs. 45 % for classes using the permutation entropy method. The analysis of the results of the computational experiment shows sufficient competitiveness of the method of classification by permutation entropy in the recognition of infrasound signals. In addition, the proposed method is much easier to implement for inline signal processing in low-consumption microcontroller systems. The next step is to test the method at infrasound signal registration points and as part of the infrasound monitoring data processing system for real-time event detection.

машинное обучениемодель случайного лесаискусственная нейронная сетьинфразвукперестановочная энтропияклассификация фрагментов временных рядовmachine learningrandom forest modelartificial neural networkinfrasoundpermutation entropyclassification of time series fragmentsИсследование выполнено за счет средств гранта Российского научного фонда и Министерства образования и науки Республики Алтай № 23-21-10087.The research was carried out using a grant from the Russian Science Foundation (RSF) and the Ministry of Education and Science of the Altai Republic No. 23-21-10087ReferencesSandheep P., Vineeth S., Poulose M., Subha D.P. Performance analysis of deep learning CNN in classification of depression EEG signals // Proc. of the TENCON 2019 — 2019 IEEE Region 10 Conference (TENCON). 2019. P. 1339–1344. https://doi.org/10.1109/TENCON.2019.8929254Sandheep P., Vineeth S., Poulose M., Subha D.P. Performance analysis of deep learning CNN in classification of depression EEG signals // Proc. of the TENCON 2019 — 2019 IEEE Region 10 Conference (TENCON). 2019. P. 1339–1344. https://doi.org/10.1109/TENCON.2019.8929254Heyden M. Classification of EEG data using machine learning techniques: Master’s thesis. Department of Automatic Control, Lund University, 2016.Heyden M. Classification of EEG data using machine learning techniques: Master’s thesis. Department of Automatic Control, Lund University, 2016.Guerrero M.C., Parada J.S., Espitia H.E. EEG signal analysis using classification techniques: Logistic regression, artificial neural networks, support vector machines, and convolutional neural networks // Heliyon. 2021. V. 7. N 6. P. e07258. https://doi.org/10.1016/j.heliyon.2021.e07258Guerrero M.C., Parada J.S., Espitia H.E. EEG signal analysis using classification techniques: Logistic regression, artificial neural networks, support vector machines, and convolutional neural networks // Heliyon. 2021. V. 7. N 6. P. e07258. https://doi.org/10.1016/j.heliyon.2021.e07258Siddharth T., Tripathy R., Pachori R. Discrimination of focal and non-focal seizures from EEG signals using sliding mode singular spectrum analysis // IEEE Sensors Journal. 2019. V. 19. N 24. P. 12286–12296. https://doi.org/10.1109/JSEN.2019.2939908Siddharth T., Tripathy R., Pachori R. Discrimination of focal and non-focal seizures from EEG signals using sliding mode singular spectrum analysis // IEEE Sensors Journal. 2019. V. 19. N 24. P. 12286–12296. https://doi.org/10.1109/JSEN.2019.2939908Sharma R., Sircar P., Pachori R.B. A new technique for classification of focal and nonfocal EEG signals using higher-order spectra // Journal of Mechanics in Medicine and Biology. 2019. V. 19. N 1. P. 1940010. https://doi.org/10.1142/S0219519419400104Sharma R., Sircar P., Pachori R.B. A new technique for classification of focal and nonfocal EEG signals using higher-order spectra // Journal of Mechanics in Medicine and Biology. 2019. V. 19. N 1. P. 1940010. https://doi.org/10.1142/S0219519419400104Narayan Y. SEMG signal classification using KNN classifier with FD and TFD features // Materials Today: Proceedings. 2021. V. 37. Part 2. P. 3219–3225. https://doi.org/10.1016/j.matpr.2020.09.089Narayan Y. SEMG signal classification using KNN classifier with FD and TFD features // Materials Today: Proceedings. 2021. V. 37. Part 2. P. 3219–3225. https://doi.org/10.1016/j.matpr.2020.09.089Shi Y., Davaslioglu K., Sagduyu Y.E., Headley W.C., Fowler M., Green G. Deep learning for RF signal classification in unknown and dynamic spectrum environments // Proc. of the 2019 IEEE International Symposium on Dynamic Spectrum Access Networks (DySPAN). 2019. P. 1–10. https://doi.org/10.1109/DySPAN.2019.8935684Shi Y., Davaslioglu K., Sagduyu Y.E., Headley W.C., Fowler M., Green G. Deep learning for RF signal classification in unknown and dynamic spectrum environments // Proc. of the 2019 IEEE International Symposium on Dynamic Spectrum Access Networks (DySPAN). 2019. P. 1–10. https://doi.org/10.1109/DySPAN.2019.8935684Shaker A.M., Tantawi M., Shedeed H.A., Tolba M.F. Generalization of convolutional neural networks for ECG classification using generative adversarial networks // IEEE Access. 2020. V. 8. P. 35592– 35605. https://doi.org/10.1109/ACCESS.2020.2974712Shaker A.M., Tantawi M., Shedeed H.A., Tolba M.F. Generalization of convolutional neural networks for ECG classification using generative adversarial networks // IEEE Access. 2020. V. 8. P. 35592– 35605. https://doi.org/10.1109/ACCESS.2020.2974712Donmez H., Ozkurt N. Emotion classification from EEG signals in convolutional neural networks // Proc. of the 2019 Innovations in Intelligent Systems and Applications Conference (ASYU). 2019. P. 1–6. https://doi.org/10.1109/ASYU48272.2019.8946364Donmez H., Ozkurt N. Emotion classification from EEG signals in convolutional neural networks // Proc. of the 2019 Innovations in Intelligent Systems and Applications Conference (ASYU). 2019. P. 1–6. https://doi.org/10.1109/ASYU48272.2019.8946364Кузин Д.А., Стаценко Л.Г., Анисимов П.Н., Смирнова М.М. Применение методов машинного обучения для классификации акустических сигналов по спектральным характеристикам // Известия СПбГЭТУ ЛЭТИ. 2021. № 3. С. 48–54.Kuzin D.A., Statsenko L.G., Anisimov P.N., Smirnova M.M. Applying machine learning methods to acoustic signal classification using spectrum characteristics. Proceedings of Saint Petersburg Electrotechnical University, 2021, no. 3, pp. 48–54. (in Russian)Wu Y., Zhang J., Chen X., Zou S., Yang M. Research on the recognition of infrasound signal of nuclear explosion by SVM and CNN // IOP Conference Series: Earth and Environmental Science. 2020. V. 610. P. 012010. https://doi.org/10.1088/1755-1315/610/1/012010Wu Y., Zhang J., Chen X., Zou S., Yang M. Research on the recognition of infrasound signal of nuclear explosion by SVM and CNN // IOP Conference Series: Earth and Environmental Science. 2020. V. 610. P. 012010. https://doi.org/10.1088/1755-1315/610/1/012010Traversaro F., Redelico F.O., Risk M.R., Frery A.C., Rosso O.A. Bandt-Pompe symbolization dynamics for time series with tied values: A data-driven approach // Chaos. 2018. V. 28. N 7. P. 075502. https://doi.org/10.1063/1.5022021Traversaro F., Redelico F.O., Risk M.R., Frery A.C., Rosso O.A. Bandt-Pompe symbolization dynamics for time series with tied values: A data-driven approach // Chaos. 2018. V. 28. N 7. P. 075502. https://doi.org/10.1063/1.5022021Константинов А.В., Лештаев В.С. Подготовка признакового пространства нейросетевой модели для классификации сейсмо-акустических событий системы PROGNOZ-ADS // 5-я конференция Международной научной школы академика РАН К.Н. Трубецкого «Проблемы и перспективы комплексного освоения и сохранения земных недр», 14–18 ноября 2022, Москва. М.: ИПКОН РАН, 2022. C. 108–112.Konstantinov A.V., Leshtaev V.S. Preparing the feature space of a neural network model for the classification of seismoacoustic events of the PROGNOZ-ADS system. Proc. of the 5th conference of the International Scientific School of Academician K.N. Trubetskoy from the Russian Academy of Sciences “Problems and prospects for the integrated development and conservation of the earth interior”. Moscow, IPKON RAS, 2022, pp. 108–112. (in Russian)Jiao S., Geng B., Li Y., Zhang Q., Wang Q. Fluctuation-based reverse dispersion entropy and its applications to signal classification // Applied Acoustics. 2021. V. 175. P. 107857. https://doi.org/10.1016/j.apacoust.2020.107857Jiao S., Geng B., Li Y., Zhang Q., Wang Q. Fluctuation-based reverse dispersion entropy and its applications to signal classification // Applied Acoustics. 2021. V. 175. P. 107857. https://doi.org/10.1016/j.apacoust.2020.107857Кузнецов И.А. Методы и алгоритмы машинного обучения для предобработки и классификации слабоструктурированных текстовых данных в научных рекомендательных системах: диссертация на соискание ученой степени кандидата технических наук. М.: МИФИ, 2019. 127 c.Kuznetcov I.A. Machine learning methods and algorithms for preprocessing and classification of semi-structured text data in scientific recommendation systems. Dissertation for the degree of candidate of technical sciences. Moscow, MEPhI, 2019, 127 p. (in Russian)

The authors declare that there are no conflicts of interest present.