Использование технологий машинного обучения при решении задачи классификации сигналов мониторинга инфразвукового фона

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.

1. Sandheep 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.2019.8929254

2. Heyden M. Classification of EEG data using machine learning techniques: Master’s thesis. Department of Automatic Control, Lund University, 2016.

3. 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.e07258

4. Siddharth 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.2019.2939908

5. Sharma 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/S0219519419400104

6. Narayan 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.2020.09.089

7. Shi 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.2019.8935684

8. Shaker 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.2020.2974712

9. Donmez 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/ASYU48272.2019.8946364

10. Кузин 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.

11. 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/10.1088/1755-1315/610/1/012010

12. Traversaro 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/10.1063/1.5022021

13. Константинов 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.

14. 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.2020.107857

15. Кузнецов 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.