CC BY
62
метрических системах для решения этой задачи применяется компьютерное оборудование и регистрирующую программу, считывающую значения напряжения на электродах, которые вводятся в исследуемый биологический объект.
Так как динамический диапазон исследуемых напряжений весьма широк, то применение традиционных фильтров, удаляющих шум из исходного сигнала, удобно заменить методом нейросетевой фильтрации, которая является более адаптивной. Обучая нейросеть исходными данными зашумленного сигнала, на выходе ее получаем отфильтрованный сигнал, для чего необходимо решить проблему выбора ее структуры. В данной статье приводятся 2 вычислительных метода решения данной проблемы.
Для выбора структуры нейросети необходимо решить проблему количественной оценки явления переобучения и недообучения, для чего применяется моделирование идеального сигнала и шума. С точки зрения математической статистики явление переобучения можно количественно оценить наличием или отсутствием корреляции между шумом и разницей сигнала на выходе нейросети и моделированным значением сигнала. Другой метод количественной оценки - вычисление интегральной кривизны нейросети, основан на том, что при появлении явления переобучения гладкость кривой уменьшается, и появляются локальные области выпуклости и вогнутости, где значение кривизны выше среднего значения. Таким образом получается, что чем сильнее влияние шума, тем больше возрастает и значение интегральной кривизны. Если взять интеграл по кривизне результирующей функции в качестве регулирующего функционала, то, чтобы добиться максимальной гладкости кривых, будем искать минимум функционала на конечном множестве точек графика.
Выбор оптимальной конфигурации нейросети состоит из следующих шагов: 1 -выбор конфигурации сети, полно охватывающий диапазон значений параметра, от которого будет зависеть степень проявления явлений пере/недообучения (например, число нейронов нейросети); 2 - проведение обучение нейросетей одним и тем же наборам входных данных, причем для каждой конфигурации следует провести серию экспериментов и построить графики зависимости сумм значений для статистических коэффициентов регрессии от значения параметра настройки нейросети, а также построить график интегральной кривизны; 3 - анализ графиков, с выявлением нужного локального минимума на графиках величин, который определяет наиболее перспективную конфигурацию по оптимальным показателям.
Значения найденных параметров, для определения оптимальной нейросети, полученные двумя разными методами, хорошо совпадают и, следовательно, можно применять как тот, так и другой метод.
О.М. Гергет, Т.С. Кривоногова
ДИАГНОСТИКА ПЕРИНАТАЛЬНОЙ ПАТОЛОГИИ У ДЕТЕЙ ОТ МАТЕРЕЙ С ОСЛОЖНЕННЫМ ТЕЧЕНИЕМ БЕРЕМЕННОСТИ НА БАЗЕ БИОМЕДИЦИНСКОЙ СИСТЕМЫ*
Центральной проблемой медико-биологических исследований, независимо от их специфики, является диагностика состояния организма человека. Наиболее уязвимыми в настоящих социально-экономических условиях оказываются дети. Снижение абсолютной численности детского населения и удельного веса в структуре
* Работа выполнена при финансовой поддержке РФФИ: проект № 04-06-80413
всего населения сопровождается ухудшением их здоровья. При этом состояние здоровья детей напрямую обусловлено состоянием здоровья матери, характером течения беременности и родов. В связи с этим актуальными являются проблемы, связанные с разработкой математического и программного обеспечения для диагностики перинатальной патологии у детей от женщин с осложненным течением беременности.
В данной статье мы остановимся на описании модели, ориентированной на диагностику перинатальной патологии у детей, и рассмотрим созданную для решения поставленной задачи интеллектуальную биомедицинскую систему.
Для построения модели диагностики перинатальной патологии у детей беременные женщины были ранжированы на 2 группы в зависимости от степени тяжести последствий поражения центральной нервной системы (ЦНС) в возрасте 4-5 лет у их детей: первую группу составили беременные женщины, чьи дети в возрасте 4-5 лет имели среднюю либо тяжелую степень тяжести последствий поражения ЦНС; вторую группу составили беременные женщины, чьи дети в возрасте 4-5 лет имели легкую степень тяжести последствий поражения ЦНС либо не было зарегистрировано ни одной из клинических форм последствий поражений ЦНС.
При построении математической модели, описывающей состояние организма ребенка, огромное значение играет с одной стороны то, что при функционировании организм требует сохранения неизменными своих «существенных» переменных в изменяющихся условиях внешней среды (такие приспособительные реакции, протекающие в организме человека носят название гомеостаз), с другой стороны то, что организм никогда не находится в равновесии. Л. Бриллюэн в своей статье «Термодинамика-кибернетика-жизнь» отмечал, что «жизни непрестанно угрожает смерть, и единственный способ избежать ее состоит в том, чтобы избежать изоляции» [1]. Следовательно, чтобы биосистема существовала, она должна обмениваться с внешней средой информацией, энергией и веществом. Таким образом, функционирование организма ребенка можно рассматривать как изменение состояния биосистемы, для описания динамических свойств которой используются понятия, введенные в теории управления. Обозначим показатели организма, как вектор состояния Х(хь...,хп), входное воздействие - показатели внешней среды К(уь...,ут), а показатели выходов биосистемы - контролируемые показатели организма через У(уь-.-,у2). В настоящей работе «выходом» биосистемы являются следующие показатели:
1. Степень тяжести факторов риска в III триместре.
2. Степень тяжести факторов риска перинатального периода в III триместре.
3. Степень тяжести факторов риска интранатального периода в III триместре.
4. Посещение комплекса оздоровительных мероприятий.
5. ТТГ, мМЕ/л в III триместре.
6. Т3, нмоль/л в III триместре.
7. Т4, нмоль/л в III триместре.
8. Кортизол, нмоль/л в III триместре.
9. Инсулин, мкед/мл в III триместре.
10. МДА, нмоль/л в III триместре.
11. Вит. Е, ммоль/мл в III триместре.
12. Оценка пробы Штанге 2П (21-29 недель).
13. Оценка пробы Штанге 3П (31-39 недель).
14. Оценка пробы Генча 2П (21-29 недель).
15. Оценка пробы Генча 3П (31-39 недель).
Динамические наблюдения за показателями задержки дыхания на вдохе (проба Штанге) и выдохе (проба Генча) у беременных женщин показали следующее: в
начальный период (I триместр) хорошие показатели проб не регистрировались в сравниваемых группах. Удовлетворительные и неудовлетворительные показатели проб регистрировались в сравниваемых группах и не различались между собой. Однако в третьем триместре гестационного периода наибольший процент хороших показателей пробы Штанге наблюдался у женщин второй группы (93,3%), подобные изменения отмечались и по показателям пробы Генча. Статистически значимых различий не было выявлено среди показателей, характеризующих гестацион-ный процесс беременных женщин с соматической патологией I триместра в сравниваемых группах, тогда как показатели III триместра имели статистически значимые различия.
Указанная динамика напрямую зависела от применения женщинами комплекса оздоровительных мероприятий. Так, например, в первой группе женщин комплекс оздоровительных мероприятий не применялся в 75,0% случаев, тогда как во второй группе лишь в 5,9% случаев.
Сигнализация для категориальных показателей была следующей:
• отсутствие факторов риска;
• легкая степень тяжести; хорошая оценка дыхательной пробы; посещение оздоровительных мероприятий с I триместра;
• средняя степень тяжести; удовлетворительная оценка дыхательной пробы; посещение оздоровительных мероприятий с III триместра;
• тяжелая степень тяжести; неудовлетворительная оценка дыхательной пробы; отсутствие оздоровительных мероприятий.
Для определения показателей, наилучшим образом разделяющим первую и вторую группы использовался дискриминантный анализ, позволяющий изучать различия между двумя и более группами объектов по нескольким переменным одновременно. Из 15 показателей было выделено 10, использование которых одновременно статистически значимо различают сравниваемые группы.
Дискриминантный анализ можно рассматривать как метод интерпретации и метод классификации наблюдений по группам. Интерес представляет функция классификации.
Решение задач классификации с помощью дискриминантного анализа основано на построении решающих правил. Метод построения решающего правила [2] состоит:
• в определении к дискриминантных весовых векторов (где к - количество классов):
= S Ли, , /е{1,...,к},
где и - вектор средних значений признаков ього класса; £ - средняя внутригрупповая дисперсия;
• в нахождении пороговой величины, минимизирующей вероятность ошибочной классификации:
^ . = -1 м>Т и. + 1п Р , ^e{1,■■■,k},
01 2 1 г 1 1
где Р. - априорная вероятность ього класса; - весовой вектор;
• в построении дискриминантной функции:
g. = ^ х + ^ ,
где х - объект исследования, заданный значениями набора признаков.
Для принятия решения о принадлежности объекта исследования классу было использовано следующее правило диагностики:
j = arg mах gt (х).
i=l,...,k
Принятие диагностического решения основано на подстановке значений признаков, описывающих состояние здоровья ребенка, в полученные дискриминантные функции и отнесении к тому классу, для которого функция имеет наибольшее значение.
Для оценки эффективности классификации после проведения дискриминантного анализа использовались следующие операционные характеристики:
Чувствительность классификации - частота наличия перинатальной заболеваемости у детей.
Специфичность - частота отсутствия перинатальной заболеваемости у детей.
Прогностичность положительного результата при классификации - частота его совпадения с наличием перинатальной патологии.
Прогностичность отрицательного результата при классификации - частота его совпадения с отсутствием перинатальной патологии.
Общий процент правильной классификации объектов исследования составляет 97,55%, что говорит о хорошей разделительной способности сравниваемых групп по всем показателям одновременно. Квадрат расстояния Махалонобиса между сравниваемыми группами составил 24,94.
Таким образом, наличие или отсутствие последствий поражения ЦНС у детей в возрасте 4-5 лет напрямую зависит от своевременного (с первого триместра) проведения беременным женщинам с соматическими заболеваниями простых в применении оздоровительных мероприятий (физические упражнения, дыхательная и аквагимнастика, музыкальная релаксация и др.), направленных на повышение резервных возможностей их организма, что способствует значительному снижению тяжести перинатальной заболеваемости и факторов риска к третьему триместру беременности.
Разработанная биомедицинская система, адаптированная к условиям работы как в больницах и роддомах, так и в частных клиниках, позволяет:
• производить диагностику перинатальной патологии у детей от женщин с осложненным течением беременности;
• осуществлять оценку уровня здоровья в рамках отдельной семьи с учетом индивидуальных особенностей всех ее членов, с целью оперативной оценки и формирования корректирующей программы лечения;
• прогнозировать состояние здоровья организма членов семьи с учетом микроклимата в семье, генетической предрасположенности к заболеваниям, влияния внешних воздействий и внутренних факторов;
• выбирать тактику по формированию лечебно-профилактических мероприятий и коррекции программы лечения.
Разработанная биомедицинская система состоит из целого комплекса программных компонент, которые реализованы с использованием языка С++ в среде быстрой разработки приложений C++ Builder. Выбор языка программирования обусловлен наличием широких возможностей, поддержкой адресной арифметики и богатой библиотеки функций. Среда C++ Builder относится к системам RAD (Rapid Application Development), обладает удобным интерфейсом, а интегрированная библиотека визуальных компонент VCL (Visual Component Library) позволяет существенно сократить время разработки приложений. Для реализации основных функций математического аппарата была разработана специальная библиотека С++ классов, поддерживающая функциональный базис системы.
Созданное программное обеспечение ориентировано на работу в семействе операционных систем Microsoft Windows, что дает возможность осуществить
взаимодействие пользователя с системой в форме многооконного диалогового интерфейса с развитой системой экранной помощи, поддерживающего основные соглашения вШ среды Windows.
Выполнение команд пользователя осуществляется по его выбору: из меню, посредством панелей инструментов, а также с использованием «горячих» клавиш. Для занесения входных данных предоставляются специальные формы, содержащие контролируемые поля ввода, списки и переключатели.
При проектировании программного комплекса реализован метод узлов [3], который позволяет работать с разнородной информацией на входе, и имеет несколько выходов. В данной биомедицинской системе разработано два узла.
Комплекс программ, лежащих в основе первого узла биомедицинской системы, позволяет провести распознавание предъявляемых объектов исследования либо в рамках дискриминантного анализа, либо с помощью логико-вероятностного подхода [4], а также отобразить итоговое решение в удобной и понятной форме. Полученные на выходе первого узла результаты поступают на вход второго узла. Однако уже на 1-ом этапе формируются выводы о состоянии здоровья и в случае ошибки (сбоя) в программе, ее можно выявить на данном этапе исследования, что не повлечет постановки неверного диагноза в дальнейшем.
Разработанный комплекс программ, лежащий в основе второго узла, позволяет прогнозировать изменения состояния организма и упреждать осложнения путем формирования корректирующей программы лечения. При этом программно реализованы алгоритмы, в основе которых лежит методика построения адаптационной функции на основе информационных критериев.
Каждый узел системы построен по модульному принципу, что дает возможность расширения и дополнения системы другими алгоритмами и программами. В состав узлов системы входят следующие основные модули (функциональные компоненты):
1) формирования базы знаний биомедицинской системы. Предназначен для: формирования на основе экспериментальных данных базы знаний, включающей описание структуры знаний и множество описаний объектов; реализации основных функций работы со знаниями (выборка, сортировка, информационный поиск); защиты информации в базе знаний от некорректных действий пользователей и несанкционированного доступа;
2) дифференциальной диагностики и прогнозирования уровня здоровья организма человека. Выполняет функции распознавания тяжести состояния; диагностики наиболее распространенных заболеваний; определения степени (вида) заболевания;
3) визуализации результатов исследования. Предназначен для наглядного отображения информационных структур; выявленных закономерностей; содержимого базы знаний, результатов принятия решений.
Архитектура программного комплекса разработана таким образом, что каждый функциональный модуль имеет возможность работы в двух режимах:
• в автономном режиме. Модуль выполняется как отдельное приложение и служит для решения конкретной задачи;
• в составе интегрированной программной среды, предназначенной для комплексной диагностики и прогнозирования уровня здоровья.
Модификация комплекса с целью расширения функциональных возможностей может производиться путем модификации отдельных модулей либо путем добавления новых программных компонент.
Применение биомедицинской системы для выявления перинатальной патологии у детей от женщин с осложненным течением беременности и формирования
рекомендуемых профилактических мероприятий показало целесообразность использования разработанной биомедицинской системы в практических целях. Применение системы в лечебно-оздоровительных центрах позволяет не только формировать лечебно-профилактические мероприятия и осуществлять коррекцию программы лечения, но и систематизировать информацию, касающуюся здоровья, как матери, так и ее ребенка.
Использование комплекса знаний о факторах риска дает возможность создать устойчиво функционирующую систему управления факторами риска, которая может стабилизировать ситуацию с состоянием здоровья детей раннего и дошкольного возраста
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Бриллюэн Л. Термодинамика-кибернетика-жизнь // Кибернетика. Современное состояние. - М.: Наука, 1980. - С.8-27.
2. Рао С.Р. Линейные статистические методы и их применения. -М.: Наука, 1968. - 547 с.
3. Нейлор К. Как построить свою экспертную систему. - М.: Энергоатомиздат, 1991. - 286 с.
4. Гергет О.М., Янковская А.Е. Нечеткое принятие решения в интеллектуальной медицинской системе // Интегрированные модели и мягкие вычисления в искусственном интеллекте. - Коломна, 2003. - С.369-376.
А.В. Дмитриев
РАСПОЗНАВАНИЕ ДЕРМАТОГЛИФИЧЕСКИХ ПРИЗНАКОВ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
Узоры гребешковой кожи и рисунок волосяного покрова издавна используются эмбриологами и тератологами для изучения морфогенеза, т. е. исследования диф-ференцировки органов и тканей. Для обозначения дисциплины, изучающей этот рисунок, Камминс в 1926 году ввел элегантный термин "дерматоглифика".
Сформулированы ключевые свойства дерматоглифики в изучении морфогенеза человека:
- обеспечение простого измерения качественных и количественных биологических признаков, отражающих размер и форму волярных подушечек плода;
- сформировавшиеся признаки дерматоглифики не изменяются при дальнейшем росте и развитии плода, ребенка и взрослого человека;
- дерматоглифика включает в себя наиболее наследуемые характеристики и одновременно отражает эффекты пола, расы, генных мутаций, хромосомных дефектов и тератогенных воздействий;
- признаки дерматоглифики могут быть использованы в изучении воздействий внешней среды в пренатальном развитии путем изучения различий рисунка у монозиготных, дизиготных близнецов и сибсовых пар одного пола;
- дерматоглифика может отражать нарушения пренатального развития при отсутствии других клинических симптомов этого нарушения;
- дерматоглифика обеспечивает измерение соматической симметрии или гемидистрофии ранних стадий развития эмбриона и плода;
Для автоматизации обработки ладонных параметров, разработана компьютерная система распознавания папиллярных узоров ладонной поверхности и дистальных фаланг пальцев.
