Исследование и разработка методов обработки сигналов и принятия решений в медицинских диагностических системах тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат технических наук Краснобаев, Дмитрий Анатольевич

  • Краснобаев, Дмитрий Анатольевич
  • кандидат технических науккандидат технических наук
  • 2011, Таганрог
  • Специальность ВАК РФ05.11.17
  • Количество страниц 183
Краснобаев, Дмитрий Анатольевич. Исследование и разработка методов обработки сигналов и принятия решений в медицинских диагностических системах: дис. кандидат технических наук: 05.11.17 - Приборы, системы и изделия медицинского назначения. Таганрог. 2011. 183 с.

Оглавление диссертации кандидат технических наук Краснобаев, Дмитрий Анатольевич

Введение.

1. Постановка задачи диагностик и анализ известных методов формирования решающих правил.

1.1 Классификация методов функциональных клинических исследований.

1.2 Постановка задачи выбора модели сигналов.

1.3 Анализ известных методов формирования решающих правил, применяемых для решения задач распознавания и диагностики.

1.4Методы диагностики, основанные на теории статистических решений.

1.5Типовая структура автоматизированной диагностической системы.40 Выводы по материалам первой главы.

2. Характеристики медико-биологических процессов и их преобразование для решения задач диагностики.

2.1 Объекты исследования и модели описывающих их процессов.

2.2Известные методы электроэнцефалографии и характеристики получаемых при этом процессов.

2.3Сокращение размерности описания медико-биологических процессов на основе обобщенного оператора преобразования.

2.4Выбор критерия оптимального решения при использовании обобщенного оператора преобразования.

2.5Сравнительный анализ моделей сигналов ЭЭГ.

Выводы по материалам второй главы.

3. Разработка алгоритмов параметрического и непараметрического распознавания реализаций медико-биологических процессов с патологиями.

3 ЛМетодика предварительной обработки сигнала ЭЭГ.

3.2Разработка параметрического алгоритма классификации ЭЭГ.

З.ЗРазработка непараметрического алгоритма классификации ЭЭГ.

3.3.1 Оптимизация разделяющих поверхностей и принятие решений.

3.3.2 Синтез алгоритма принятия решения на основе аппроксимационного подхода.

3.3.3 Формирование системы признаков на основе метода стохастического кодирования.

Выводы по материалам третьей главы.

4. Экспериментальные исследования предложенных алгоритмов классификации процессов ЭЭГ.

4.1 Описание объекта исследования.

4.2Разработка структурной схемы экспериментальной установки.

4.3 Экспериментальные исследования параметрического алгоритма классификации.

4.4 Экспериментальные исследования непараметрического алгоритма классификации.

4.5 Сравнительный анализ эффективности работы предложенных и известных алгоритмов классификации.

Выводы по материалам четвертой главы.

Рекомендованный список диссертаций по специальности «Приборы, системы и изделия медицинского назначения», 05.11.17 шифр ВАК

Введение диссертации (часть автореферата) на тему «Исследование и разработка методов обработки сигналов и принятия решений в медицинских диагностических системах»

В настоящее время, в связи с обострением проблемы оценки состояния здоровья человека, разработке методов и алгоритмов оценивания этого состояния уделяется большое внимание. Особенно остро стоит вопрос о диагностике патологий в сердечнососудистой системе и центральной нервной системе (ЦНС) (из-за высоких показателей смертности в нашей стране и в мире в целом).

Специфика диагностики различных заболеваний состоит в том, что на ранних стадиях многие заболевания обладают плохой симптоматичностью, в результате чего даже опытному врачу сложно выявить признаки, указывающие на наличие недуга. В таких случаях на помощь медикам приходит медицинское диагностическое оборудование, позволяющее объективно оценить состояние пациента. Одним из главных видов диагностики является функциональная диагностика, основанная на определении параметров функционирования различных систем организма. Методы функциональной диагностики являются наиболее сложными с точки зрения технической реализации, но именно эти методы дают наиболее объективные результаты.

Развитие компьютерных технологий способствует тому, что цифровое моделирование стало одним из этапов процесса анализа и синтеза систем диагностики медико-биологических сигналов (МБС). При построении новых систем диагностики, предназначенных для работы с данными клинических функциональных исследований, таких, как электроэнцефалография (ЭЭГ), электромиография (ЭМГ), электрокардиография (ЭКГ) ставится задача синтеза алгоритмов, позволяющих автоматизировать процесс принятия решения о принадлежности совокупности измеряемых сигналов (процессов) тому или иному семейству (классу) сигналов, соответствующему тем или иным состояниям исследуемой внутренней системы человека. При этом проблемой является обеспечение устойчивости показателей качества принятия решений в условиях априорной неопределенности относительно 4 параметров входных сигналов [1, 2, 3]. Преодоление трудностей, связанных с отсутствием статистических характеристик входных сигналов, возможно путем разработки алгоритмов, требующих для работы лишь протяженных обучающих выборок. В большинстве случаев применение известных непараметрических методов распознавания затруднено из-за значительной технической сложности их реализации на ЭВМ. Поэтому возникает < необходимость разработки приближенных непараметрических методов обучения и распознавания, несколько уступающих известным непараметрическим алгоритмам, но при этом существенно превосходящих их по простоте технической реализации [4]. Следует уточнить, что данные диагностические системы носят вспомогательный и уточняющий характер, т.е. последнее слово остается за врачом. Несмотря на несомненную актуальность проблемы классификации сигналов, имеется относительно небольшое число опубликованных работ, посвященных этому вопросу [2, 4, 5, б и т.д.].

В работах [4,5,6] предлагается использовать методы нелинейного преобразования входных сигналов. Сущность таких методов, прежде всего, заключается в том, что при формировании признакового пространства осуществляется переход от пространства значений входных сигналов к пространству функционалов, предварительно подвергнутых некоторому нелинейному преобразованию. Идея такого подхода состоит в увеличении путем соответствующего выбора вида нелинейного преобразования или функционала компактности сигналов каждого класса. Существует возможность построить алгоритмы инженерной реализации, близкие к оптимальным. При этом оптимизации подвергаются временные и пространственные параметры распознавания, определяющие такие показатели качества, как достоверность распознавания, быстрота принятия решений и величина затрат на оборудование.

Цель и задачи работы. Повышение эффективности автоматизированной классификации патологий с медицинских 5 диагностических системах с использованием алгоритмов оптимизации временных и пространственных параметров классификаторов МБС. Решение поставленной задачи проводится в несколько этапов:

1. Определение моделей медико-биологических сигналов.

2. Стационаризация фоновой ЭЭГ.

3. Формирование эффективных признаков и правил принятия решений.

4. Экспериментальное исследование показателей качества разработанных алгоритмов при классификации сигналов ЭЭГ.

Актуальность. В известных работах недостаточно внимания уделено эффективным алгоритмам распознавания медико-биологических сигналов при различных условиях, обладающим возможностью инженерной реализации, и учитывающим ограничения на время обучения, принятие решений и величину затрат на оборудование, в связи с чем разработка таких алгоритмов считается актуальной.

Научная новизна. В работе получен ряд новых результатов:

1. Предложен и реализован метод стационаризации фоновой ЭЭГ на основе ее сегментации, позволяющий использовать обработанный сигнал в системах диагностики. 4

2. Разработан и реализован метод параметричёской классификации сигналов ЭЭГ.

3. Разработан и реализован способ формирования признаков с использованием модифицированного метода стохастического кодирования медико-биологических сигналов, позволяющий сократить избыточность описания эталонных классов и распознаваемых объектов.

4. Определены условия целесообразности использования предложенных алгоритмов в компьютерных системах диагностики МБС.

Практическая ценность. Получены зависимости показателей эффективности классификаторов МБС от времени обучения и распознавания, 6 от вида опорных распределений и размерности признакового пространства. Диссертационная работа выполнялась в рамках госбюджетной работы «Разработка методов моделирования радиоэлектронных средств для информационно-телекоммуникационных систем повышенной эффективности» (Г/б 11056/1). Результаты работы представлены в виде программ параметрической и непараметрической обработки шумоподобных сигналов на ЭВМ. Результаты, полученные в работе, были использованы при разработке медицинских и гидроакустических систем конструкторского бюро «Ритм» (г. Таганрог). Научные и практические результаты были использованы при разработке НКБ «Миус» ЮФУ (г. Таганрог) в рамках договора 313135 по теме: «Исследование и разработка системы ультразвуковой эхоскопии головного мозга человека». Результаты исследований были использованы при постановке лабораторных работ по курсу "Автоматизированная обработка данных и аппаратура медицинских диагностических систем" на кафедре РПрУ и ТВ Технологического института Южного Федерального университета в городе Таганроге.

Достоверность изложенного подтверждается результатами моделирования и экспериментальных исследований характеристик предлагаемых алгоритмов при классификации электроэнцефалограмм, апробацией на научных семинарах, конференциях, актами внедрения.

Методы исследования основаны на использовании методов теории вероятности, статистической теории распознавания образов, математической статистики, функционального анализа.

Основные положения, выносимые на защиту:

- математические модели МБС;

- метод стационаризации ЭЭГ сигналов;

- метод параметрического распознавания ЭЭГ сигналов;

- метод непараметрического распознавания ЭЭГ сигналов; результаты моделирования и экспериментальных исследований предложенных алгоритмов в компьютерных системах диагностики МБС.

Апробация работы. Основные положения диссертационной работы обсуждались и докладывались: на Всероссийской научной конференции «Современные исследовательские и образовательные технологии» (Таганрог, 2010);

- на 13-й Международной научной конференции «Цифровая обработка сигналов и ее применение» (Москва, 2011);

- на Всероссийской научно-технической конференции «Актуальные вопросы исследования общественных и технических систем» (Таганрог, 2011); на Всероссийской научно-технической конференции с международным участием «Компьютерные и информационные технологии в науке, инженерии и управлении» (Таганрог, 2011)

- на 1-й Всероссийской конференции «Радиоэлектронные средства передачи и приема сигналов и визуализации информации» (Таганрог, 2011).

Публикации. По результатам выполненных исследований опубликовано 7 работ, в том числе, 2 статьи в центральных рецензируемых журналах, 5 статей и тезисов докладов в трудах международных и российских конференций.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав с выводами, заключения и приложений. Работа изложена на 183 страницах машинописного текста, 55 рисунках, 4 таблицах и содержит список литературы из 69 наименований.

Похожие диссертационные работы по специальности «Приборы, системы и изделия медицинского назначения», 05.11.17 шифр ВАК

Заключение диссертации по теме «Приборы, системы и изделия медицинского назначения», Краснобаев, Дмитрий Анатольевич

Выводы по материалам четвертой главы

В результате моделирования и экспериментальных исследований работы разработанных классификаторов при классификации случайных процессов с одинаковыми одномерными плотностями распределения вероятностей и различными корреляционными функциями определены значения суммарных вероятностей ошибки классификации при различных объемах обучающих и контрольных выборок и различных размерах признакового пространства.

Разработана и описана структурная схема экспериментальной установки для изучения характеристик параметрических и непараметрических методов обработки медико-биологических сигналов.

Метод классификации с формированием собственных областей распознаваемых классов эффективно работает при объемах обучающей выборки признаков, начиная от 10-20 объектов в классе, при однократной процедуре предъявления контрольной выборки.

Непараметрический метод распознавания, основанный на модифицированном методе стохастического кодирования целесообразно применять только при больших количествах распознаваемых классов, то есть в случае, когда построение разделяющих поверхностей на основе функций правдоподобия приводит к значительным вычислительным затратам.

Результаты моделирования и экспериментов показывают, что разработанные алгоритмы могут иметь область применения, выходящую за рамки исследования медико-биологических сигналов. В частности, они могут быть использованы в любых системах диагностики, где объектом исследований являются шумоподобные сигналы.

Определены оценки вычислительной сложности использованных алгоритмов моделирования работы разработанных классификаторов. Установлено, что при классификации показатели сложности реализации этих

142 алгоритмов имеют меньшее значение, по сравнению с непараметрическими алгоритмами распознавания на основе оценивания плотностей вероятности по методу к-ближайших соседей.

Заключение

В диссертационной работе рассмотрен комплекс теоретических и практических вопросов связанных с предварительной обработкой сигналов ЭЭГ, с построением признаковых пространств в автоматизированных системах диагностики-медико-биологических сигналов.

Основные научные результаты и положения, полученные в диссертационной работе, состоят в следующем:

1. На основе анализа прогнозных моделей процессов ЭЭГ разработан и реализован алгоритм сегментации электроэнцефалографических сигналов с целью их стационаризации и устранения артефактов.

2. Разработан и реализован метод параметрической классификации сигналов ЭЭГ. Определены показатели качества разработанного алгоритма.

3. Разработан и реализован метод непараметрической классификации медико-биологических сигналов с использованием модифицированного метода стохастического кодирования, позволяющий в ряде случаев улучшить результаты решения задачи диагностики, по сравнению с часто используемым непараметрическим алгоритмом по методу к - ближайших соседей. Исследованы возможности формирования признаков с использованием различных опорных случайных процессов. Показано, что сложность алгоритма на основе стохастического кодирования на порядок ниже, чем с использованием алгоритма по методу к - ближайших соседей.

4. Получены зависимости основных показателей качества разработанных алгоритмов от времени обучения и распознавания и размерности признакового пространства, позволяющие оптимизировать временные и пространственные параметры систем медицинской диагностики.

5. Проведено экспериментальное исследование показателей качества разработанных алгоритмов. В качестве исследуемых процессов использовались реальные сигналы ЭЭГ, прошедшие процедуру

144 сегментации. Использование разработанных методов для классификации электроэнцефалограмм позволило убедиться в их работоспособности при решении разнообразных задач диагностики.

6. Научные и практические результаты, полученные в диссертации, внедрены в ряде предприятий а также в учебный процесс, что подтверждается актами о внедрении.

Список литературы диссертационного исследования кандидат технических наук Краснобаев, Дмитрий Анатольевич, 2011 год

1. Фукунага К. Введение в статистическую теорию распознавания образов: Пер. с англ. М.: Наука. Главная редакция физико-математической литературы, 1979, 368 с.

2. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. М.: Мир, 1978,416 с.

3. Сенин А.Г. Распознавание случайных сигналов. Новосибирск: Наука. Сибирское отделение. 1974, 76 с.

4. Галустов Г.Г. Теоретические и аппаратные основы, анализ и синтез сложных сигналов диагностических систем. / Диссертация на соискание ученой степени доктора технических наук. Таганрог, 1991

5. Васильев В.И. Распознающие системы: Справочник. 2-е изд., перераб. и доп. Киев: Наукова думка, 1983, 423 с.

6. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов (статистические проблемы обучения). М.: Наука, 1974, 416 с.

7. Жуковский В.Д. Автоматизированная обработка данных клинических функциональных исследований. М.: Медицина, 1981, 352 с.

8. Френке Л. Теория сигналов / Пер. с англ. под ред. Д.Е. Вакмана. М.: Сов. Радио, 1975.

9. Галустов Г.Г. Автоматизированные системы и аппаратура медицинской диагностики: Учебное пособие. Таганрог: Изд-во ТТИ ЮФУ, 2010, 162 с.

10. Джевнис Г. И др. Автоматический анализ ЭЭГ последние достижения // ТИИЭР. 1975. Т.63. №10, стр. 3-15.

11. Исакссон А., Веннберг А., Зеттерберг Л. Машинный анализ ЭЭГ-сигналов на основе параметрических моделей. ТИИЭР. 1981, № 4, стр. 55-68.

12. Нюер P.M. Количественный анализ и топографическое картирование ЭЭГ: методики, проблемы, клиническое применение // Успехи физиологических наук. 1992, №1, стр. 20-40.

13. Фомин Я.А., Савич A.B. Оптимизация распознающих систем. М.: Машиностроение, 1993, 289 с.

14. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. М.: Радио и связь, 1986, 264 с.

15. Фу К. Структурные методы в распознавании образов / Пер. с англ. Под ред. М.А. Айзермана. М.: Наука, 1977, 319 с.

16. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных: Справ изд. М.: Финансы и статистика, 1983, 471 с.

17. Айвазян С.А., Енюков И.С, Мешалкин Л.Д. О структуре и содержании пакета программ по прикладному статистическому анализу. — В кн.: Алгоритмическое и программное обеспечение прикладного статистического анализа. М.: 1980, с. 7-62.

18. Линдсей П., Норман Д. Переработка информации у человека — М.:1974, 124 с.

19. Лябах H.H. Математические основы разработки и использования машинного интеллекта. — Ростов-на-Дону: издательство РГУ, 1989, 112с.

20. Ивахненко А.Г., Мюллер Й.А. Самоорганизация прогнозируемых моделей. — Киев: Техника, 1985, 223 с.

21. Айзерман М.А., Браверман Э.М., Розоноэр Л. И. Метод потенциальных функций в теории обучения машин. —М.: Наука, 1970, 384 с.

22. Енюков И.С. Методы, алгоритмы, программы многомерного статистического анализа: Пакет ППСА. — М.: Финансы и статистика, 198, 232 с.

23. Распознавание образов. Состояние и перспективы: Пер. с англ. / К.Верхаген, Р.Дейн, Ф.Грун и др. М.: Радио и связь, 1985, 104 с.

24. Горелик А.Л., Скрипкин В.А. Построение систем распознавания. М.: Советское радио, 1974, 224 с.

25. Дуда Р., Харт П. Распознавание сигналов и анализ сцен. М.: Мир, 1976, 511 с.

26. Загоруйко Н.Г. Методы распознавания и их применение. М.: Советское радио, 1972, 208 с.

27. Ковалевский В.А. Методы оптимальных решений в распознавании изображений. М.: Наука, 1976, 328 с.

28. Левин Б.Р. Теоретические основы статистической радиотехники. М.: Сов. радио, 1974-1976. Кн. 1-3. Кн.1, 552 с. Кн.2, 392 с. Кн.З, 288 с.

29. Патрик Э. Основы теории распознавания образов: Пер. с англ. / Под ред. Б.Р.Левина. М.: Сов. радио, 1980, 408 с.

30. Журавлев Ю.И. Непараметрические задачи распознавания образов // Кибернетика, 1986, №6, стр. 83-103.

31. Леман Э. Проверка статистических гипотез / Пер. с англ. Под ред. Ю.В. Прохорова. М.: Наука, 1979, 408 с.

32. Фомин Я.А., Савич A.B. Оптимизация временных параметров системы распознавания одномерных нормальных совокупностей // Радиотехника. 1984, №11, стр. 28-31.

33. Фомин Я. А., Савич A.B. Оптимизация системы распознавания многомерных нормальных совокупностей // Радиотехника. 1985, №12, стр. 811.

34. Цыпкин Я.З. Основы теории обучающихся систем. М.:Наука,1970, 252с.

35. Киселев Н.В. Методы построения систем распознавания и классификации негауссовых сигналов. Л.: Изд-во Ленингр. университета, 1986, 188 с.

36. Киселев Н.В., Сечкин В.А. Техническая диагностика методами нелинейного преобразования. Л.: Энергия, 1980, 108 с.

37. Горелик А.Л., Скрипкин В.А. Методы распознавания: Учеб. пособие. 2-е изд., перераб. и доп. М.: Высшая школа, 1984, 208 с.

38. Миленький A.B. Классификация сигналов в условиях неопределенности (Статистические методы самообучения в распознавании образов). М.: Сов. радио, 1975, 328 с.

39. Гришин В.Г. Образный анализ экспериментальных данных. М.: Наука, 1982, 237 с.

40. Кардиомониторы. Аппаратура непрерывного контроля ЭКГ: Учебное пособие для вузов / Барановский А.Л., Калиниченко А.Н., Манило Л.А. и др.148

41. M.: Радио и связь, 1993, 348 с.

42. Савайя Х.Д. Исследование- вопросов построения интегрированной экспертной системы для интерпретации электроэнцефалограмм на основе структурной модели ЭЭГ-сигнала: Автореф. дисс. к.т.н. С.Пб, 1993, 13 с.

43. Александров В.В., Шеповальников А.Н., Шнейдеров B.C., Машинная графика электроэнцефалографических данных. JL: Наука, 1979, 152 с. '

44. Труш В:Д., Кориневский A.B. ЭВМ в нейрофизиологических исследованиях. М.: Наука, 1978, 239 с.

45. Зенков JI.P. Клиническая, электроэнцефалография (с элементами эпилептологии). Таганрог: Изд-во ТРТУ, 1996, 358 с.

46. Жирмунская Е.А., Лосев B.C. Системы описания и классификации ■электроэнцефалограмм человека. М.: Наука, 1984, 81 с.

47. Буреш Я., Крекуле М., Брожек Г. Применение ЭВМ в нейрофизиологических исследованиях. Л.: Наука, 1984, 240 с.

48. Жирмунская Е.А., Майорчик В.Е. и др. Терминологический справочник (словарь терминов, используемых в электроэнцефалографии) // Физиология человека. 1978. Т.4, стр. 936-954.

49. Биопотенциалы мозга человека. Математический анализ / Под ред. В.С.Русинова; АМН СССР. М.: Медицина, 1987, 256 с.

50. Зенков Л.Р. Компьютерные методы обработки в клинической электроэнцефалографии // Журнал невропатологии и психиатрии. 1990, №12, стр. 103-109.

51. Колмогоров А.Н., Фомин C.B. Элементы теории функций и функционального анализа. М.: Наука, 1981. 543 с.

52. Гастев Ю.А. Гомоморфизмы и модели: логико-алгебраические аспекты моделирования. М.: Наука, 1975, 150 с.

53. Фомин В.Н. Математическая теория обучаемых опознающих систем. Л.: Изд-во ЛГУ, 1976, 235 с.

54. Омельченко В.А. Основы спектральной теории распознавания сигналов. Харьков: Высшая школа, 1983, 159 с.

55. Жирмунская Е.А., Дубнер П.Н., Гутман С.Р. Перспективы применения моделей типа авторегрессии скользящего среднего для анализа ЭЭГ. //Успехи физиологических наук, 1984, т. 15, N 4, стр. 6-22.

56. Быков В.В. Цифровое моделирование в статистической радиотехнике. Изд-во «Советское радио», 1971 г, 328 с.

57. Галустов Г.Г., Попов Б.В. Моделирование ЭЭГ-сигнала, заданного спектральными характеристиками. // Материалы международного научного симпозиума "Природа и человек: взаимодействие и безопасность жизнедеятельности". Таганрог: ТРТУ, 1996, стр. 48-50.

58. Шабанов Д.В. Исследование методов обработки ЭЭГ сигналов с целью решения задач классификации в медицинских диагностических системах. / Диссертация на соискание ученой степени кандидата технических наук. Таганрог, 2007, 147с.

59. Дорохов В.Б., Нюер М.Р. Топографическое картирование электрической активности мозга. Методические аспекты. — Физиология человека, 1992, т. 18, №6, стр. 16-21.

60. Галустов Г.Г., Поцыкайло A.A., Краснобаев Д. А. Синтез решающего правила классификатора сигналов при непараметрической априорной неопределённости // Известия ЮФУ. Технические науки, №1(114), : Изд-во ТТИ ЮФУ, 2011, стр. 78-84.

61. Галустов Г.Г. Классификатор случайных сигналов // Известия СКНЦ ВШ. Серия «Технические науки». Новочеркасск, 1984. №3, стр. 54-57.

62. Галустов Г.Г., Цымбал В.Г., Михалев М.В. Принятие решений в условиях неопределенности. М.: Радио и связь, 2001, 196с.

63. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде МАТЬАВ. М.: Техносфера, 2006, 616с.

64. Мартынов Н. Н. Введение в МгЛЬ&Ъ 6.-М.: КУДИЦ-ОБРАЗ, 2002, 352 с.

65. Ануфриев И.Е. Самоучитель МаЙЬаВ 5.3/б.х-СПб.: БХВ-Петербург, 2004, 736 с.

66. Краснобаев Д.А. Алгоритм параметрического распознавания реализаций медико-биологических процессов с патологиями и его реализация в программном пакете МАТЬАВ // Известия ЮФУ. Технические науки, №5(118), Изд-во ТТИ ЮФУ 2011, стр. 186-191.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.