Тема выпускной квалификационной работы: «Мультифрактальный метод диагностирования церебральной ауторегуляции в аппаратно-программной комплексе». Данная работа посвящена изучению метода мультифрактального анализа и его применимости для оценки ауторегуляции. Задачи, которые решались в ходе исследования: изучение научной литературы по тематике церебральной ауторегуляции и мультифрактального анализа; формирование датасетов добровольцев и пациентов требуемого формата и структуры; расчет характеристик для оценки ауторегуляции в реальном времени; расчет корреляционной размерности как характеристику случайных процессов. Все расчеты произведены с помощью программного кода, написанного на языке Matlab. По результатам работы можно выделить следующее: Наилучший метод для мультифрактального анализа – метод вейвлет-лидеров. Экспериментальным путем найдены оптимальные размера фрейма и сдвига окна. Изучаемый метод обладает хорошей чувствительностью к ауторегуляции, как показал эксперимент с дыхательным тестом. Рассчитанная корреляционная размерность показывает разницу в случайных сигналах и сигналах управления, которые вызывают ауторегуляцию у пациентов и добровольцев соответственно. В заключении исследования предложены идеи для продолжения развития и изучения мультифрактального анализа для его применения к наблюдению за гемодинамикой.

The subject of the graduate qualification work is «Multifractal method for diagnosing cerebral autoregulation in a hardware-software complex». The given work is devoted to the study of the method of multifractal analysis and its applicability for assessing autoregulation. Tasks that were solved in the course of the study: the study of scientific literature on the subject of cerebral autoregulation and multifractal analysis; formation of datasets of volunteers and patients of the required format and structure; calculation of characteristics to assess autoregulation in real time; calculation of the correlation dimension as a characteristic of random processes. All calculations were made using a program code written in the Matlab language. Based on the results of the work, the following can be distinguished: The best method for multifractal analysis is the wavelet leader method. Experimentally found the optimal parameters of the frame size and window shift. The studied method has good sensitivity to autoregulation, as shown by the experiment with the breath test. The calculated correlation dimension shows the difference in random signals and control signals that cause autoregulation in patients and volunteers, respectively. The study concludes with ideas for further development and exploration of multifractal analysis for its application to hemodynamic monitoring.