Nowoczesna medycyna jest wspomagana przez zaawansowaną aparaturę diagnostyczną, realizującą operacje przetwarzania, analizy i modelowania sygnałów biomedycznych w celu uzyskania wiarygodnej informacji o stanie zdrowia pacjenta. Do podstawowych zadań realizowanych przez komputerowe systemy diagnostyczne należy wyznaczania punktów charakterystycznych w obrębie rejestrowanych sygnałów pacjenta.

Dotychczasowe techniki są oparte na filtracji analizowanych sygnałów i wyznaczaniu miejsc, w których sygnały te, bądź uzyskane na ich podstawie przebiegi, osiągają lokalne maksima lub przekraczają zdefiniowane wartości progowe. Jednakże operacja filtracji wprowadza zniekształcenia przetwarzanych sygnałów i w rezultacie niedokładności pomiarów punktów charakterystycznych.

Alternatywne rozwiązanie polega na zastosowaniu metod sztucznej inteligencji w celu, po pierwsze: przeprowadzenia podziału analizowanych sygnałów biomedycznych na segmenty o różnych własnościach, a po drugie: ustalenia miejsc występowania punktów charakterystycznych na granicy wyznaczonych segmentów. Uznanym sposobem realizacji tego zadania jest zastosowanie rozmytego grupowania z lokalnie liniowymi modelami regresji. W tej metodzie prototypami danych przyporządkowywanych do poszczególnych grup są, w zależności od wymiarowości zbioru danych: linie, płaszczyzny oraz hiperpłaszczyzny o nieskończonej rozciągłości. Niekorzystną konsekwencją zastosowania takich prototypów jest możliwość zaliczenia bardzo odległych punktów do jednej grupy, gdy tylko występują one w bliskości danej hiperpłaszczyzny.

W celu udoskonalenia tego podejścia możliwe jest zastosowanie grupowania hierarchicznego, które pozwala na bardziej elastyczne tworzenie definicji prototypów. Modyfikacja liniowych prototypów, w taki sposób aby rozrzut danych przyporządkowanych do tej samej grupy był ograniczony, pozwala na przezwyciężenie niekorzystnego zjawiska polegającego na przyporządkowywaniu odległych punktów do tej samej grupy. Do podziału zbioru danych na grupy (a tym samym podziału analizowanych sygnałów biomedycznych na segmenty) można zastosować technikę hierarchicznego grupowania aglomeracyjnego. Zgodnie z wiedzą autorów w literaturze nie występuje jeszcze żadna praca stosująca hierarchiczne grupowanie z zastosowaniem liniowych modeli prototypów danych.

Celem ekspertyzy miało być potwierdzenie dobrej skuteczności metody hierarchicznego grupowania opartej na liniowych prototypach o ograniczonej rozpiętości, a szczególnie numeryczne wykazanie dużej dokładności metody, przy jej zastosowaniu do wyznaczania punktów charakterystycznych dla sygnałów biomedycznych. Wyniki uzyskanych analiz zostały opublikowane w czasopiśmie JCR o współczynniku oddziaływania (IF) większym niż 1.0.