Информационная система спирометрического анализа Текст научной статьи по специальности «Компьютерные и информационные науки»

© И.В. Стспанян, А.В. Карпишук, С.И. Буянов, 2007

УДК 622.867

И.В. Степанян, А.В. Карпишук, С.И. Буянов

ИНФОРМАЦИОННАЯ СИСТЕМА СПИРОМЕТРИЧЕСКОГО АНАЛИЗА

Семинар № 23

На предприятиях угледобывающей промышленности получили широкое распространение хронические обструктивные болезни легких (ХОБЛ). По прогнозам ВОЗ, к 2020 году ХОБЛ будет доминировать в структуре распространенности и смертности на планете наряду с сердечно-сосудистыми заболеваниями и диабетом. Сегодня от ХОБЛ на Земле умирает в 2,2 раза больше людей, чем от рака легких. Эта группа заболеваний объединена общим признаком - сужением дыхательных путей - бронхов. Это происходит из-за хронического воспаления легочной ткани, вызванного загрязненным воздухом, промышленными газами, пылью [1].

Такое положение во многом обусловлено поздней диагностикой этой патологии - выраженные симптомы заболевания проявляются, когда легочная функция уже существенно нарушена. Поэтому ранняя диагностика функциональных респираторных нарушений при заболеваниях легких является проблемой чрезвычайно актуальной.

В связи с этим встает необходимость обеспечения быстрого и надежного выявления признаков нарушения функции внешнего дыхания на ранней стадии с тем, чтобы предупредить опасное профзаболевание и снизить риск поражения дыхательной системы.

Для этих целей на кафедре Электротехники и информационных систем МГГУ под руководством заслуженного деятеля науки РФ доктора технических наук профессора Шкун-дина С.З. был разработан акустический спироанализатор [2, 3]. Современный акустический спирометр способен осуществлять прозвучивание измерительного канала с частотой 300 раз в секунду, определяя мгновенную скорость потока. Таким образом, согласно теореме Котельникова, акустический спирометр способен улавливать колебания воздушного потока с частотой до 150 Гц. Акустический спирометр не создает препятствий измеряемому потоку (поскольку в сечении нет никаких препятствий), он безынерционен и портативен, что позволяет производить мониторинг и оценку органов дыхания экспресс методом. Таким образом, если прибор сигнализирует об обнаружении признаков нарушений функции дыхания, то обследуемый направляется на углубленное медицинское обследование к врачу с тем чтобы своевременно предупредить заболевание и принять профилактические меры.

В ходе проведенных экспериментов с помощью акустического спироанализатора было обследовано 92 человека, среди которых 44 имеют диагноз «хронический пылевой бронхит» различной степени тяжести и другие формы профзаболеваний пы-

левой этиологии. Преобразование Фурье позволило выявить насыщенную спектральную картину форсированного выдоха. Анализ полученных спирометрических кривых показал, что в высокочастотной области спектральных портретов дыхания содержится информация, требующая дополнительного углубленного анализа (рис. 1), что стало предметом дальнейших исследований.

Для того чтобы с помощью акустического спироанализатора оперативно выявлять признаки нарушения функции дыхания необходимо обеспечить возможность применения различных аналитических методов для распознавания результатов акустической спирометрии. Так как задача распознавания спирометрических спектров характеризуется нечеткостью, неточностью, высокой размерностью, она относится к классу интеллектуальных задач. Следовательно, для ее решения целесообразно построение системы искусственного интеллекта (интеллектуальной информационной системы). Системы искусственного интеллекта или информационные системы, основанные на знаниях - это дальнейшее качественное развитие систем обработки дан-

Рис. 1. Набор спектров, полученных при помощи акустического спироанализатора. Представлена спектральная мощность в диапазоне частот от 0 до 150 Гц. На оси абсцисс отложены порядковые номера 250 элементов вектора, кодирующего спектры

ных, это информационная технология решения наиболее трудных неформализованных или слабоформа-лизованных задач, таких, например, как задачи управления, прогноза или задачи медицинской диагностики.

Компонентами разработанной информационной системы являются: непосредственно акустический спироанализатор, база данных, распознающий адаптивный алгоритм математического анализа снимаемой со спироанализатора информации, база знаний, а также система управления базой данных и базой знаний. Наличие базы знаний делает данную информационную систему интеллектуальной, поскольку в процессе построения такой системы, распознающие алгоритмы учитывают знания экспертов. В тоже время, база данных служит для хранения и накопления статистической информации с целью ее последующей обработки математическими методами.

Большой интерес вызывает распознающий алгоритм для решения задачи спирометрического анализа. На основе сравнительного анализа ряда математических методов был выбран нейрокомпьютерный подход. Сегодня этот подход стал одним из доминирующих при построении современных интеллектуальных автоматизирован-

ных информационных систем. Искусственные нейронные сети (нейрокомпьютеры, нейросистемы) - самообучающиеся системы, имитирующие деятельность нейронов коры головного мозга эксперта. Эволюционногенетические алгоритмы [4] представляют собой сетевые модели решения разнообразных комбинаторных и оптимизационных задач, имитирующие принцип естественного отбора в природе. Применение технологий, основанных на биологических принципах, в ряде случаев позволяет найти близкое к глобальному оптимуму решение многоэкстремальной задачи. В отличие от метода линейной регрессии, широко используемой в прикладной статистике, нейронные сети позволяют обнаруживать нелинейные зависимости. В тоже время, в современной нейроматематике известно множество принципиально различных нейросе-тевых архитектур. Поэтому ряд разработанных для акустической спирометрии интеллектуальных систем различаются именно аналитической частью - распознающим блоком, в то время как остальные компоненты практически неизменны (рис. 2). В качестве примера распознающего блока рассмотрим нейронную сетку Кохо-нена с самоорганизацией.

Способность самоорганизующейся нейронной сети Кохонена активизировать нейрон, ответственный за целый кластер (группу сходных векторов), можно применить для распознавания спирометрических спектров. Входная информация для сети Кохонена - это спектр дыхания, снятый со спирометра. Нейрон с максимальной активностью соответствует кластеру, к которому принадлежит соответствующий спирометрический спектр. Таким образом, для кластер-анализа используется сеть Кохонена, для которой задачей является разбиение

множества спектров на кластеры и сопоставление полученного результата с распределением спектров по классам.

Самоорганизация такой нейросети состоит из последовательности коррекций векторов, представляющих собой весовые коэффициенты нейронов. Каждый нейрон представляет собой п-мерный вектор

, где п=250 - размерность входных векторов, кодирующих спирометрические спектры. На каждом шаге обучения из исходного набора спирометрических спектров случайно выбирается один, а затем производится поиск наиболее похожего на него вектора весовых коэффициентов нейронов. При этом выбирается нейрон-победитель, который наиболее похож на вектор входов (в качестве критерия похожести используется Евклидово расстояние между спектрами). После того, как вычислен нейрон-победитель, производится корректировка весов нейросети. При этом вектор, описывающий нейрон-победитель и вектора, описывающие его соседей в сетке, перемещаются в направлении входного спирометрического спектра. Это проиллюстрировано на рис. 3 (в качестве примера используется двумерный вектор входа).

На основе проведенных исследований получены закономерности, которые позволяют учитывать интегралы центроидов кластеризации. Центроид кластеризации - вектор весовых коэффициентов нейрона, формирующего соответствующий кластер. В результате экспериментов с различными видами и топологиями нейросетей Кохонена можно сделать вывод о том, что для синтезированных нейросетей Кохонена интеграл центроида кластеризации, соответствующий на-

Рис 2. Принципиальная схема информационной системы распознавания результатов акустической спирометрии. БД и БЗ- база данных и база знаний соответственно, СУБД и СУБЗ - система управления базой данных и базой знаний. Мозг -математическая обвязка (нейроэксперт). Теоретически математическая модель может быть любая, например нейросеть Кохонена для кластер анализа, нечеткая логика, нейроэволюция, сети радиального базиса и т.д.

рушению функции внешнего дыхания, всегда меньше интегралов центроидов кластеризации, соответствующих норме [5]. При этом норме соответствует два и более кластера, в то время как нарушенной функции дыхания соответствует один кластер.

Самоорганизация нейросетей Кохонена для анализа данных акустической спирометрии позволяет формировать то количество спирометрических кластеров, которое реально присутствует в данных, а не жестко постулированы (как это происходит в случае экспертной оценки). В тоже время, идея другого подхода к распознаванию результатов акустической спирометрии состоит в том, чтобы классифицировать спектральные портреты выдоха по заведомо установленным нарушениям и обучить слоистую прямоточную нейронную сеть

перцептронного типа выявлять эти признаки.

Поскольку слоистые нейросети являются частным случаем нелинейной регрессии и существуют доказательства их способностей к универсальной аппроксимации [6], то искомую распознающую функцию можно представить в виде нейросети, обучающейся с учителем [7], а для ее обучения можно применять методы нулевого, первого и второго порядков. Общий вид многослойной нейросетевой модели:

ь

ПШ-1>пШ-2

Нщ-а Но

аЬЩ-2,ЬЩ-а Х"*аЬ21Ь^ Е аЬ1,ЬоХ0 (П)

_Ьщ-а =0 _Ь°=* Ьо _

где у(р) - функция выхода слоистой нейросетевой модели; а, Ь, Н, Ш - ее параметры.

Н

Н

щ-1

W -2

f

а

а

п.п.п

щ>‘‘Щ-1

Ьш 1=0

Пт о=0

W-1

W-2

X

Рис. 3. Подстройка весов нейрона победителя и его соседей. Координаты входного вектора отмечены крестом, координаты нейронов в результате самоорганизации отображены темно-серым цветом. Вид сетки после модификации отображен штриховыми линиями

Способности к обобщению прямоточной слоистой нейросети зависят от ее структуры. Существует к вариантов организации межнейронных связей, такое, что:

п2!

к =

(п2 -т)\ш\ ’

где п - количество нейронов т - количество синапсов нейросети. Все эти варианты различаются способностью к обобщению за счет структуры синаптических связей.

Для выбора структуры сети’ распознающей спирометрические спектрьі’ были разработаны нейросетевые операции и алгоритм синтеза нейросети ’ основанный на принципе эволюции [8]. Разработанные операции были применены для синтеза нейросетевой структуры’ распознающей результаты акустической спирометрии [9].

Нейронную сетЬ’ распознающую спектральные портреты’ можно рассматривать как совместно функционирующие нейросетевые блоки. В эволюционно-генетическом поиске структуры нейросети можно опираться на экспертные оценки популяции’ выступающей в роли коллектива ней-

роэкспертов. В процессе эволюционного поиска нейронная сеть не конвертируется в генотип, а все преобразования структуры выполняются напрямую. Это отличает разработанный подход от классических генетических алгоритмов, предусматривающих кодирование фенотипа особи (структура) в генотип (код).

В ходе нейроэволюционного поиска синтезируется набор нейронных сетей с различной структурой. При этом подсети подбираются в виде случайных пар и отбираются такие варианты пар, которые в результате объединения дают меньше ошибок на тесте, чем лучшая сеть из пары. Затем, в ходе искусственной эволюции, эти комбинации также объединяются, в результате чего сложность нейронной сети увеличивается от поколения к поколению. В результате проведенных исследований был синтезирован ряд слоистых нейросетей, две из которых схематически изображены на рис. 4. Синтезированные слоистые сети прошли испытания на тестовом множестве и показали возможность своего применения для распознавания спирометрических спектров.

Рис. 4. Внешний вид слоистых прямоточных нейронных сетей без обратных связей, распознающих спектры акустической спирометрии. Сети построены с применением разработанных эволюционных операций. Входной слой изображен схематично в виде линии

Помимо описанных выше нейросе-тевых технологий в исследованиях были применены НБР-сети, в частности вероятностные, нечеткая логика, метод динамических ядер и др. Отличительной особенностью всех этих методов является то, что их можно отнести к классу методов понижения размерности. В тоже время, известны и обратные методы - методы повышения размерности. Имея инструмент контролируемого повышения размерности, можно управлять вероятностью нахождения оптимального или близкого к оптимальному решению. В качестве примера такого подхода отметим перспективы применения виртуального квантового нейрокомпьютера «ЭМБРИОН» в составе информационной системы распознавания результатов акустической спирометрии. «ЭМБРИОН» [10] представляет собой модель мозга простейших организмов и отдельных областей мозга человека в виде функциональной системы академика П.К. Анохина, известной из нейрофизиологии. Особенностями нейрофизиологической

модели мозга являются принцип экстренной мобилизуемости и реализация аппарата прогноза будущего, известные из теории функциональных систем Анохина. Это возможность быстрого, в реальном времени создания и реконфигурирования синаптических весов связей и типов нейронов виртуальной нейронной сети, состоящей из сотен тысяч и более виртуальных квазинейронов. Это свойство позволяет отображать спирометрические спектры в пространство виртуальных квазинейронов сколь угодно большой размерности, ограниченность которого зависит только от возможностей технологической базы нейрокомпьютера. Этот подход требует дополнительных исследований для решения на его базе задачи акустической спирометрии.

Не смотря на то, что на обучение нейросетевых моделей и поиск их структур требуется значительные вычислительные затраты, нейросетевые алгоритмы обладают преимуществом - это мгновенность срабатывания искусственной нейронной сети, что не-

обходимо для оперативного распознавания признаков нарушения функции дыхания. Разработанная интеллектуальная информационная система позволяет с помощью акустического спироанализатора, теста ФЖЕЛ (форсированная жизненная

1. Айсанов З.Р., Кокосов А.Н., Овча-ренко С.И., Хмелькова Н.Г., Цой А.Н., Чу-чалин А.Г., Шмелев Е.И. Хронические об-структивные болезни легких. Федеральная программа. - M.: Consilium Medicum Том 2/N 1/2000

2. Шкундин С.З. Лашин В.Б. Фазовый способ акустической анемометрии. Метрология. 1990. №7 с.39-43.

3. Шкундин С.З., Румянцева В.А. Повышение точности измерения скорости воздушного потока акустическим анемометром. // Измерительная техника, №1, 2001, C. 54-57.

4. Holland John, Genetic Algorithms, Scientific American, July 1992, Vol. 267, No 1

5. Буянов С.И., Карпишук А.В, Сте-панян И. В. Выявление признаков профессиональных заболеваний органов дыхания с помощью акустического спироанализатора и самоорганизующегося слоя Кохонена / Исследование, разработка и применение высоких технологий в промышленности // Мат-лы Второй междунар. науч.-практ. конф.: Том 6 C-Пб.: Изд-во Политехнического университета, 2006, , C. 211-212.

емкость легких) и нейронных сетей выявлять признаки нарушения функционирования дыхательной системы, что способствует раннему выявлению профессиональных заболеваний дыхательной системы.

-------------- СПИСОК ЛИТЕРАТУРЫ

6. Горбань А.Н., Дунин-Барковский

B.Л., Кирдин А.Н., Миркес Е.М., Новоходь-ко А.Ю., Россиев Д.А., Терехов С.А., Се-нашова М.Ю., Царегородцев В. Г. Нейроинформатика. Новосибирск: Наука, 1998

7. Горбань А.Н., Царегородцев В.Г. Методология производства явных знаний из таблиц данных при помощи обучаемых и упрощаемых искусственных нейронных сетей. Труды VI Международной конференции "Математика. Компьютер. Образование". - М.: Прогресс-традиция, 1999. - ч.1 -

C. 110-116.

8. Хомич А.В., Степанян И.В., Кар-

пишук А.В. Принцип блочности в эволюционной оптимизации структур нейронных сетей. - Нейрокомпьютеры: разработка и

применение. - 2006. - №3, С. 17-25.

9. Хомич А.В., Степанян И.В., Карпишук А.В. Диагностика хронического пылевого бронхита по данным акустической спирометрии с применением блочных нейронных сетей. - Информационные процессы. - 2005. - Том 5, №5, С. 405-413.

10. Цыганков В.Д. Нейрокомпьютер и мозг. - М.: Синтег, 2001. ШИЗ

— Коротко об авторах

Степанян И. В. - кандидат технических наук,

Карпишук А.В., Буянов С.И. -

кафедра «Электротехники и информационных систем»

Московский государственный горный университет.

Доклад рекомендован к опубликованию семинаром № 23 симпозиума «Неделя горняка-2007». Рецензент д-р техн. наук, проф.С.З. Шкундин.