CC BY
49
частности, показатели фракции выброса составили соответственно 62,2±0,9 % до операции и 63,8±0,8% - после (рис.). У 18 пациентов, имевших диагноз ИБС с признаками хронической сердечной недостаточности 1-11 функционального класса, показатели фракции выброса по ЭКГ в покое выросли с 46,6±0,8% до 49,6±0,9% (р<0,05). При наличии III функционального класса сердечной недостаточности у 14 лиц, эти параметры составили соответственно 36,7±0,9 % и 40,5±1,0% (р<0,05), без явной зависимости от дозы и количества введений озонокислородной смеси.
□ I
□ II
70
60
50
* с; 40
со Ф 30
20
10
0
ХСН I-II Ф.Кл
ХСН III Ф.Кл.
Рис. Показатели фракции выброса левого желудочка у больных ИБС до (I) и после (II) чрескожной коронарной ангиопластики с интракоронарным введением озонированного физиологического раствора
Введение озонированного физиологического раствора ин-тракоронарно не сопровождалось какими-либо физиологическими и биохимическими реакциями больных, что свидетельствует о безопасности метода. Отсутствие реакции белков острой фазы повреждения и воспаления (тропонинов, МВ-фракции креатин-киназы и С-реактивного протеина) возможно за счет благоприятного влияния озонидов на эндотелий коронарных артерий, даже у 4 пациентов с острым инфарктом миокарда. В исходном состоянии у них были повышены показатели тропонинаЛ в крови, а после оперативного вмешательства - значимо снизились и даже не превышали 0,2 нг/л у двух пациентов. Такой благоприятный эффект связан с антиоксидантным действием озона, захватывающим и инактивирующим преимущественно гидроксильный радикал (ОН') и пероксинитрит-радикал (ОКОО'), образующийся в результате взаимодействия супероксида (О2-) и оксида азота (N0) при ишемии миокарда. Закономерным итогом такого эффекта следует считать противовоспалительное влияние озонидов [14]. Положительное воздействие комплексной процедуры (ин-тракоронарной озонотерапии на фоне чрескожной ангиопластики) отмечено у 8 больных с нарушениями ритма сердца по типу экстрасистолии. По-видимому, озониды также благоприятно воздействуют на измененную возбудимость миокарда, что подтверждает результаты других исследователей [12]. По данным эхокардиографического исследования больных ИБС до и после операции, установлено положительное влияние озонокислородной смеси на инотропную функцию миокарда. Улучшение сократительной способности отмечено у больных, имевших признаки хронической сердечной недостаточности. Такое улучшение возможно за счет положительной динамики параметров кислородного метаболизма, сбалансированности процессов доставки кислорода к ткани миокарда, нормализации процессов микроциркуляции и клеточного метаболизма [18]. Происходит улучшение контрактильной функции миокарда. Биохимические эффекты и механизмы интракоронарного введения озонокислородной смеси надо изучать для расширения профилактического использования этого метода при операциях реваскуляризации миокарда, особенно у жителей северных регионов.
Выводы. Клинические исследования показали, что инфу-зии низких и средних концентраций озонокислородной смеси в физиологическом растворе безопасны для интракоронарного применения и выполняют протективную функцию в отношении эндотелия сосудов и ткани миокарда у больных ишемической болезнью сердца с увеличением инотропной функции в случаях, осложненных хронической сердечной недостаточностью.
Литература
1. Акчурин Р.С.и др. // Кардиология.- 2006.- №8.- С. 33-35.
2. Алехина С.П., Щербатюк Т.Г. Озонотерапия: клинические и эксперим. аспекты.- Н.Новгород: Литера, 2003.- 240 с.
3. Аргунов В.А., Воронова О.В. // Кардиоваскулярная терапия и профилактика.- 2005.- Т. 4.- С. 21-22.
4. Ашихмина Е.А. // Сердечно-сосоудистая хирургия: Ин-форм. сб. (Сер. медицина).- №1.- 2005.- С. 53-67.
5. Бокерия Л.Ф. и др. // Кардиология.- 2006.- №3.- С. 4-12.
6. Воейков В.Л. // Клиническая геронтология.- 2003.- Т. 9, №3.- С. 27-40.
7. Кадаифчи С. и др. // Кардиология.- 2006.- №2.- С. 19-26.
8. Катюхин В.Н. и др. Артериальная гипертензия на Севере.- Сургут: СурГУ, 2000.- 132 с.
9. Катюхин В.Н. и др. // Новые Санкт-Петербургские врачебные ведомости.- 2006.- №2.- С. 81-83.
10. Кремнева Л.В. и др. // Тер. архив.- 2006.- №3.- С. 89-95.
11. Мазуров А.В. и др. // Кардиология.- 2005.- №5.- С. 4-12.
12. Моисеева ОМ. и др. // Вестн. РАМН.- 2006.- №8.- С. 3.
13. Першуков И.В., Батыралиев ТА. // Кардиол.- 2006.-№7.- С. 85-100.
14. Петрищев Н.Н. и др.// Вестн. РАМН.- 2006.- №8.-С. 10-15.
15. Писаренко О.И. и др. // Кардиол.- 2005.- №2.- С. 37-44.
16. Хаснулин В.И. и др. Кардиометеопатии на Севере.- Новосибирск: СО РАМН.- 2000.- 222 с.
17. Шляхто Е.В. и др. // Кардиол.- 2005.- №7.- С. 44^8.
18. Karthik S. et al. // Ann. R. Coll. Engl.- 2004.- Vol. 86, №6.- P. 413-415.
19. Stanley W.C. et alii Cardiovasular Res.- 1997.- Vol. 33.-P. 243-257.
20. Wayne L. et al. //Euro Heart J.- 2006.- Vol. 27.- P. 1061.
THE PROTECTION OF VESSELS AND MYOCARDIAL TISSUE BY OZONE-OXYGEN MIXTURE DURING PERCUTANEOUS INTRACORONARY ANGIOPLASTY IN ISCHEMIC HEART DISEASE PATIENTS IN NORTH CONDITION.
V.N. KATYUKHIN, A.I. GORKOV, I.V. PETRENKO, I.P. RUDNITSKAYA Summary
The clinical research in 43 patients has shown that low and medium concentration ozone-oxygen mixture infusion into isotonic solution is harmless during percutaneous intracoronary angioplasty and it has protective function for vessel endothelium and myocardial tissue in ischemic heart disease patients with the increase of contractive ability in cases aggravated by chronical heart insufficiency.
Key words: percutaneous intracoronary angioplasty
УДК 616; 002.5/.6
ИСПОЛЬЗОВАНИЕ НЕЙРОИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ДЛЯ КОМПЛЕКСНОГО РЕШЕНИЯ МЕДИКО-БИОЛОГИЧЕСКИХ ПРОБЛЕМ
В.В. РУАНЕТ, А.А. ХАДАРЦЕВ, А.К. ХЕТАГУРОВА*
Ведение. Развитие науки во многом связано с проблемой обработки и истолкования информации, полученной в экспериментах. Поэтому в последнее время возросло значение информационного обеспечения как фундаментальных, так и прикладных аспектов научных исследований. Оно становится критическим фактором развития практически во всех областях знания. Методы обработки и процедура интерпретации данных определяются господствующими на данный период времени в науке представлениями. ХХ век был отмечен упорядочением вероятностного взгляда на мир. Еще в начале прошлого века был разработан целый комплекс подходов к статистической обработке данных, включая теорию планирования эксперимента, теорию массовых процессов и т.п. В то же время, вероятностный взгляд на мир рождает ряд вопросов, с которыми может столкнуться специалист при использовании, например, статистических методов [1]. На рис. 1 приведен пример, который сложно решить с помощью статистического подхода к его оценке. Из рис. 1 видно, что множества «Свой» и «Чужие» линейно неразделимы.
Москва, медицинский колледж РАМН
62.2+0.9
49.6+0.9
(р<005)
46.6+0.8
40.5+1.0 (p<0 ,05)
36 7+0 9
Рис. 1. Линейно неразделимые множества
Это означает, что в задачах классификации, которые играют одну из ключевых ролей в медицине, поскольку процедура постановки диагноза является классическим примером задачи классификации, не всегда оправданно выделять «главные» и «второстепенные» (информативные и неинформативные) параметры наблюдения, следует учитывать все контролируемые параметры. Каждый из них (пусть даже «плохой» для «Своего») для некоторого «Чужого N» может оказаться очень эффективным, так как именно его «Чужой N» и не может хорошо имитировать под «Своего». На рис.1 эта ситуация отображена множеством пересекающихся линейных границ, проекций, разделяющих множества гиперплоскостей [2]. Кроме того, математическая статистика применима только к тем данным, для которых можно построить функцию распределения. Методы планирования многофакторных экспериментов советуют в подобных ситуациях либо выбирать область функции, близкую к линейной, либо найти такое преобразование факторов или изучаемой функции отклика, при которой эта зависимость оказывается близкой к линейной. Кроме того, при изучении многофакторных воздействий значительно возрастает объем экспериментальных исследований [3]. Методы непараметрической статистики позволяют строить обоснованные модели систем в случае большого набора экспериментальных данных (достаточного для доказательства статистических гипотез о характере распределения) и при относительно равномерном распределении параметров в пространстве. Однако при высокой стоимости эксперимента или невозможности получения достаточного количества данных (например, при построении моделей экологических катастроф), их высокой зашумленности, неполноте и противоречивости, классические подходы могут оказаться малоэффективными [4].
Новые, наиболее эффективные решения научных и прикладных задач зачастую возникают как результат соединения и взаимодополнения ранее несвязанных идеями блоков из различных дисциплин. Качественный переход знаний в результате таких междисциплинарных исследований сродни изобретению и зачастую приводит к интегрированию знаний на новом, более высоком уровне. Науки о живом занимают в междисциплинарных исследованиях особое значение. Одним из примеров такого междисциплинарного симбиоза могут служить искусственные нейронные сети (ИНС). Именно от биологически инспирированных подходов ожидается основной вклад в дальнейшее развитие информационных технологий и робототехники (см. поисковую машину www.google.com по ключевым словам «biologically inspired information technologies» и «bio-inspired information technologies»).
Нейроинформатика - новое междисциплинарное направление, связанное с созданием и внедрением в практику, в том числе медицинскую, современных методов обработки информации, которые позволяют автоматизировать процесс анализа полученных результатов и формирования выводов [5]. Нейроинформаци-онные технологии (НИТ) ориентированны на работу со слабоструктурированными знаниями и анализ сложных нелинейных задач, в частности, на работу с образной информацией, удельный вес которой в информационном потоке вообще и медицинских исследованиях в частности постоянно растет, т.к. результаты, получаемые при применении современных клиникодиагностических методов часто представлены в виде изображений: электрофореграмм, метафазных пластинок, рентгенограмм и т.п. [6]. Они применяются для идентификации и классификации информации в случае неполных и нелинейных источников данных. Нейроинформатика является примером наукоемкого направления, в котором переплетается множество отраслей знаний: математика, нейрофизиология, схемотехника, педагогика, дидактика и др. [9-11]. Государство, правительство которого сможет найти идеи, средства, кадры и организационные возможности для реализации проекта создания полнофункциональной системы
искусственного интеллекта (Strong Artificial Intelligence), по-видимому, займет лидирующее стратегическое положение в современном мире [12]. Нами был опубликован ряд работ, связанный с применением биологически инспирированных информационных технологий (БИИТ) для создания интеллектуальных систем поддержки принятия решений (ИСППР), необходимых для обработки и интерпретации информации, полученной в ходе медико-биологических исследований, а также автоматизации процесса формирования выводов. В ходе работ нами создан алгоритм работы с массивом трудноформализуемой информации, использование которого облегчает процесс создания баз данных и ИСППР. Схема алгоритма представлена на рис. 2 [9].
Без подготовки профессиональных кадров специалистов, обладающих навыками1, а не только умениями2, работы с БИИТ, внедрение в практику интеллектуальных систем поддержки принятия решений и превращение их в рутинный инструмент работы с информацией, невозможно.
В стандартах образования любого уровня значительное место отводится изучению динамично развивающихся компьютерных информационных технологий (КИТ) и формированию умений работать с ними. Центральным звеном в развитии КИТ является создание систем автоматизации принятия и выполнения решений в сложных многоуровневых и многокомпонентных ситуациях т.к. современный уровень информационного потока зачастую не дает специалисту времени для наработки «опыта», продукта длительного осмысления полученной информации, который необходим для процедуры принятия решения. Основные подходы в развитии перспективных информационных технологий будут базироваться на использовании идей, возникших в ходе междисциплинарных исследований в науках о живом [8, 10].
Ключевой задачей образовательного процесса является обеспечение должного качества подготовки будущих специалистов, способных быстро адаптироваться к условиям работы, связанной с обработкой больших объемов информации. Одним из путей решения этой задачи является внедрение в учебный процесс интегрированных (сквозных) программ по специальностям [11]. Такие программы, ориентированы на конечную цель обучения - умение студентов решать профессиональные задачи.
Рис. 2. Схема работы с массивом трудноформализуемой информации
Теоретически это воплощается в подборе курсов и их логической расстановке. Но подобные программы не были обеспечены «инструментарием» - ограниченным набором методов обработки и интерпретации информации, которые давали бы возможность обучаемому быстро адаптироваться к информационным потокам, не только при переходе от изучения одних учебных дисциплин к другим, но и в будущей профессиональной деятельности. Подобным «инструментом» могли бы стать биологически инспирированные информационные технологии, в частности, искусственные нейронные сети, поэтому создание специализиро-
Навык - частично автоматизированное действие без непосредственного контроля сознания
2 Умения - освоенный человеком способ выполнения деятельности.
ванных учебных курсов, основанных на разработках в этой области, является актуальной и своевременной задачей.
ИНС - это технология, которая охватывает параллельные, распределенные, адаптивные системы обработки информации, способные «учиться» обрабатывать информацию, действуя в информационной среде. Поиски и изучение неявных алгоритмов, позволяющих автоматически накапливать и затем использовать опыт при обучении, продолжаются уже более 100 лет [12]. Однако первые серьезные попытки создания нейронных сетей были сделаны в 40-50-х годах, когда У.Маккалох и У.Питтс выдвинули основные положения теории работы головного мозга [13].
С появлением дешевых персональных компьютеров (ПК) произошел резкий скачок в этой области, которая в начале 80-х годов сформировалась в целую науку - нейроинформатику [14]. Ее можно рассматривать как перспективную альтернативу программируемым вычислениям. Новый подход не требует готовых алгоритмов и правил обработки - система должна «уметь» вырабатывать правила и модифицировать их в процессе решения конкретных задач обработки информации. Для многих задач, где такие алгоритмы неизвестны или же известны, но требуют значительных затрат на разработку программного обеспечения, например, при обработке зрительной и слуховой информации, распознавании образов, анализе данных, управлении, нейроинформа-ционные технологии дают эффективные, легко и быстро реализуемые параллельные методы решения. ИНС - это класс интеллектуальных систем, ориентированный на тиражирование опыта специалистов-экспертов в слабо формализованных областях, где качество принятия решений традиционно зависит от качества экспертизы, например, экономика, медицина и т.п.. Трудноформализуемые задачи медицины и биологии явились идеальным полем для применения нейросетевых технологий, и именно в этой области наблюдается наиболее яркий практический успех нейроинформационных методов [5, 7,15].
Изучение нейроинформационных технологий процесса обработки информации должно стать неотъемлемой составляющей учебного процесса подготовки специалистов всех уровней компетенции.
Цели исследования - доказать, что ней-росетевые технологии являются средством повышения качества образования на основе новых информационных технологий, обеспечивающих развитие научно-исследовательской и инновационной деятельности; реализацию личностно-деятельностного подхода; разработать эффективную модель учебного процесса, основанную на применении ИНС для обработки информации при изучении дисциплин, требующих решения неформализованных задач.
B соответствии с целями исследования были поставлены следующие задачи: отобрать из современных нейроинформаци-онных программ ряд наиболее приемлемых не только для использования в образовательном процессе, но и отвечающих требованиям, предъявляемым к современным подходам в области обработки информации; разработать систему оценки знаний по овладению программными продуктами и их применению на практике; адаптировать учебный материал к выбранным программным продуктам; разработать психолого-педагогические подходы к изучению темы; создать базы данных, разработать методические пособия; создать учебные интеллектуальные системы на базе искусственных нейронных сетей для использования их в учебном процессе.
Материалы и методы. B работе были использованы следующие программные продукты: для обработки изображений One — Dscan ver.1.3; для проведения статистического анализа полученных результатов использовали программу «STATISTICA for Windows StatSoft, Inc. (1998)»; эмулирующие искусственные нейронные сети: пакет программных продуктов «Excel Neural Package»; программа «NeuroPro 0.25»; «.Neural Networks StatSoft, Inc. STATISTICA for Windows»(1998); B качестве объектов исследования выступали студенты и преподаватели учреждений высшей и средней профессиональной школы РФ.
Результаты. Bнедрение нейросетевых технологий в учебный процесс проводится нами на протяжении ряда лет в учебных учреждениях среднего и высшего профессионального образова-
ния, системы непрерывного образования, в частности, Медицинском колледже РАМН (МК РАМН), МГУ им. М. В. Ломоносова, Тюменском медицинском колледже и ряде других [16].
В рамках работы был проведен повторный скрининг нейро-сетевых приложений для ПК, не только с учетом возможности использования их в научно-практической деятельности, но и совместимости с учебным процессом и восприятием обучаемыми этих программных продуктов (ПП). Всего было протестировано 10 нейропакетов (Neural 10, NeuroPro 0.25, QwikNet 32, Brain-Maker, MPIL, Braincel, Excel Neural Package, Fuzzy Logic Toolbox, Neural Networks StatSoft, Inc. STATISTICA for Windows) Он подтвердил, что NeuroPro 0.25, и семейство программ Excel Neural Package, являются наиболее удобным инструментом не только для решения задач прогнозирования и классификации, возникающих в ходе научно-практических работ, но и процесса преподавания нейроинформатики. Эти ПП отличает дружественный интерфейс, хороший Help, логика их функционирования очень подходит для использования этих ПП в качестве учебного пособия, т.к. содержит ряд опций, позволяющих анализировать, изучаемый материал. Вышеназванные ПП успешно используются нами в научно-практической деятельности, т. е. отвечают требованиям, предъявляемым к современному программному обеспечению в области обработки информации, поэтому именно они послужили базой для преподавания ряда дисциплин с помощью нейроинформационных технологий.
Необходимой составляющей процесса обучения является
система оценки знаний. Проводя занятия как в учебных учреждениях средней, так и высшей профессиональной школы, мы убедились в необходимости разработки адекватной системы оценки умений и практических навыков обучаемых в овладении программными продуктами и применением их в практической деятельности. Поэтому, нами были разработаны критерии оценки знаний представленные в табл. 1. Система позволяет не только контролировать степень овладения программными продуктами, но и понять, какие разделы работы с ними недостаточно освоены конкретным студентом. Она позволяет более дифференцировано подойти к оценке знаний, так как на каждом уровне учащемуся выставляется вся гамма оценок. Видеть прогресс в овладении методикой, если он присутствует, по переходам с уровня на уровень. Данная система оценки позволяет учитывать индивидуальный уровень подготовки обучаемых, т.к. индивидуальный подход к каждому обучаемому относится к числу важнейших дидактических требований к организации учебного процесса [17]. Когда отбирался материал для формирования курсов, мы учитывали тот факт, что для среднего медицинского персонала, согласно его должностным обязанностям, вполне достаточно владеть методиками на «техническом уровне», тогда как для студентов высших учебных заведений необходимо уметь работать на «интеллектуальном уровне». В процессе освоения обучаемым любого учебного материала принято рассматривать несколько этапов: мотивация, организация, понимание, контроль и оценка, повторение и обобщение. В ходе работы было доказано, что на всех перечисленных стадиях НСТ оказывают положительное влияние на усвоение учебного материала. В частности, разработанные нами психолого-педагогические приемы позволили поднять уровень мотивации при освоении учебного материала у студентов экспериментальных групп (занятия по профильным предме-
Таблица 2
Сводная таблица результатов анкетирования после проведения блока занятий по нейроинформатике
Bозрас- тная группа Кол- во опро- шен- ных Bопрос 1 Заинтересовала ли Bас проблема ИНС? (оценка по 5-балльной системе) Bопрос 2 Хотели бы Bbi глубже изучить тему? Bопрос 3 Как легче решить задачу? Bопрос 4 Могут ли ИНС пригодится Bам в работе?
5 или 4 3 или 2 Да Нет Не знаю с ИНС без ИНС Да Нет Не знаю
16-19 312 279 33 234 26 52 277 35 249 9 54
19-25 100 81 19 82 14 4 80 20 91 0 9
> 35 60 41 19 35 17 8 56 4 25 33 2
там проводились с применением интеллектуальных систем на базе ИНС), по сравнению с контрольными (занятия по профильным предметам проводились без применением ИНС) на 19.5%. Одной из причин столь большой разницы является то, что нейро-сетевые технологии дают возможность преподавателю убедить обучаемого в том, что ему под силу справиться с задачами, решение которых ему самому не по силам, т.е. работать с обучаемым, по определению Л.С. Выготского в «зоне ближайшего развития». Вообще количественные оценки колебались в интервале от 15% (организация) до 24,5% (повторение). Достоверность количественных оценок составила 95,75% при 95% общепринятом уровне достоверности в педагогических исследованиях [18].
Таблица l
Уровни овладения программным продуктом
Пользователь (учащийся)
Технический уровень Интеллектуальный уровень
I ступень II ступень III ступень IV ступень
Умеет Может Способен, Способен
работать вносить в пользуясь составить
только с нейропроект меню собственный
готовым технические оценить нейропроект
нейропроек- изменения значимость (формализовать
том, (менять входных информацию,
количество параметров составить базу
слоев, коли- и внести данных, обу-
чество изменения чить и протес-
нейронов в в нейро- тировать сеть,
слое) проект). оценить результат).
B ходе исследования было доказано, что использование ИСППР для решения ситуационных задач, в процессе изучения профильных дисциплин (терапия, медицинская генетика и т.п.) стимулирует обучаемых к занятию исследовательской работой, что на современном этапе развития общества становится необходимой составляющей профессиональной деятельности даже для специалистов среднего звена. Количественная оценка исследовательской составляющей при работе с учебным материалом у экспериментальных групп была на 30% выше, чем контрольных. Различия связаны с тем, что Excel Neural Package очень прост в освоении и работа с ним больше напоминает игру. Логика программы позволяет анализировать имеющийся материал практически в автоматическом режиме, что создает у пользователя иллюзию простоты процесса анализа и вызывает у него желание проявить свои способности в сфере, которую он считал для себя недоступной. B табл. 2 представлены итоги анкетирования после проведения блока занятий по нейроинформатике.
Анализируя данные представленные в табл. 2 можно резюмировать следующее: степень интереса к проблеме ИНС достаточно высока, при ответе на 1-й вопрос 79% респондентов оценили свою степень интереса по пятибалльной системе оценкой - 4 или 5; при ответе на 2-й вопрос 72% респондентов изъявили желание глубже изучить тему; при ответе на 3-й вопрос 87% респондентов считают, что легче решить задачу с использованием нейросетевых технологий; при ответе на 4-й вопрос 71% респондентов считают, что нейросетевые технологии пригодятся им в работе. Опираясь на данные, полученные в ходе исследования, были созданы схемы подготовки специалистов разного уровня компетенции по нейроинформатике, представленные на рис. 3 и 4. Опираясь на данные, полученные в ходе исследования, можно сделать следующие выводы: изложения материала надо начинать не с теории ИНС, а со строения и принципов работы биологических нейронных сетей. Наши данные свидетельствуют,
о наличии корреляции между порядком изложения материала в лекционном блоке и таким важным показателем усвоения учебного материала, как овладение соответствующей терминологией. B опытной группе этот показатель, по данным тестирования, превышал контрольную группу на 24,6% (r = 0, 8078, р = 0,015).
Знакомство с основами нейроинфор-мационных технологий
Изучение и работа с ПП Excel Neural Package
Изучение и работа с ПП NeuroPro 0.25
Создание интеллектуальных экспертных систем
Рис 4. Схема подготовки среднего медперсонала по нейроинформатике
Чем более формализован предмет, тем выше процент респондентов, которые считают, что без помощи ИНС легче решить поставленную задачу (терапия - 7%, микробиология - 12%, химия - 34% опрошенных). Наблюдается зависимость между самооценкой знаний по предмету и желанием воспользоваться ИНС для решения ситуационных задач. Из 100% респондентов, ответивших, что без ИНС легче решить химическую задачу, все считают, что знают химию на 4 и 5. Все, ответившие, что задачу по химии проще решить, применяя ИНС, оценивают свои знания по предмету не выше, чем, на удовлетворительно (г=0,8780, р=0,012). При проведении занятий по терапии, менее формализованному предмету, чем химия, не было выявлено такой зависимости. Самооценки колебались от удовлетворительно до отлично, но никакой корреляции с желанием использовать или не использовать сеть не отмечалось (г = 0,9111, р = 0,089).
Заключение. Результаты, полученные в ходе исследования, позволяют утверждать, что внедрение нейроинформатики в учебный процесс подготовки специалистов медикобиологического профиля являются эффективным средством повышения качества образования на основе использования новых информационных технологий, обеспечивающих его интеллектуализацию, реализацию личностно-деятельностного подхода; развитие научно-исследовательской и инновационной деятельности обучаемых. Биологически инспирированные методы еще далеки от своей возможной эффективности. Дальнейшие перспективы связаны с созданием полнофункционально интегрированных автономных интеллектуальных систем, обладающих мировоззрением, знаниями и способностью к творческой деятельности. Такие автономные высокоинтеллектуальные системы будут субъектами искусственной жизни и основой будущей беспрецедентной интеллектуальной революции. Для создания новых биологически инспирированных информационных технологий необходимо проводить специальную аналитическую н исследовательскую деятельность по обобщенной физикоматематической теории живого, но успехи в этой области не возможны без подготовки профессиональных кадров [12].
Литература
1. Шноль С.Э. О динамике новых истин в науке о жизни Кибернетика живого: Биология и информация.- М.: Наука, 1984.
2. Иванов А.И. Биометрическая идентификация личности по динамике подсознательных движений.- Пенза: ПГУ, 2000.
3. Налимов В.В. Теория эксперимента Наука 1971.
4. Терехов С .А. /В кн. Нейроинформатика.- Новосибирск: Наука, 1998.- С. 98-137.
5. Россиев ДА. В кн. Нейроинформатика.- Новосибирск: Наука, 1998.- С. 138-211.
7. БочковН.П. Клиническая генетика.- М.: Медицина, 1997.
Рис. 3 Схема подготовки специалистов по нейроинформатике
9. Горбань А.Н., Россиев ДА. Нейронные сети на персональном компьютере.- Новосибирск: Наука, 1996.
12. Калмыков В.Л. и др. // Биомед. химия.- 2004.- Т. 50, прил. №1.- С. 195-203.
14. Дадашев С и др. // ВНМТ.- 2006.- Т. XIII, №4.- С. 16.
15. Emmcche К. (1999) Theoretical Biologists, Philosophers of Biology, Historians of Biology and scholars of Social Studies of Biology, http://www.nbi.dk/emmeche/theobiophi.html).
16. Белогурова В.А. Научная организация учебного процесса.- М.: ГЭОТАР - Медиа, 2006.
18. Fu H.C., Shann JJ. // Int. J. Neural Syst.- 1994.- Vol.5, №1.- Р. 13-22.
19. McCalloch W. A. , Pitts W.//, Bull. Math. Biophys.- 1943.-№ 5.- Р. 115-133.
20. Stefanuk V.L. Expert systems and its applications.- Part 2.-Minsk, 1990.- Р.36-55.
22. Каллан Р. Основные концепции нейронных сетей.- М.,
2001.
23. Ruanet V.V., Khetagurova A.K. // Educational Technology & Society.- 2005.- Vol.8, №4.- P. 296-317.
25. Беспалько В.П. Педагогика и прогрессивные технологии обучения.- М: Изд. института проф. обр. России, 1995.
28. Голицына И.Н. // Информационные технологии и общество.- Т.6, №2.- 2003.- С. 77-83.
THE USE OF NEUROINFORMATION TECHNOLOGIES FOR COMPLEX DECISION OF MEDICO-BIOLOGICAL PROBLEMS
V.V. RUANET, A.A. KHADARTSEV, A.K. KHETAGUROVA
Summary
The obtained results allow to confirm that the introduce of neuroinformatics in medico-biological education of specialists iseffec-tive way of the improving of quality of learning by means of the use of new information technologies which provide for the intellectualiza-tion, the realization of individual-active approach, the scientific-reserch development and the innovation activity of student
Key words: neuroinformatics, medico-biological education
УДК 616-007; 517.988
ПРИМЕНЕНИЕ АППАРАТА НЕЛИНЕЙНОГО АНАЛИЗА ДИНАМИЧЕСКИХ СИСТЕМ ДЛЯ ОБРАБОТКИ СИГНАЛОВ ЭЭГ.
А. А. МЕКЛЕР*
В последние два десятилетия получили распространение методы анализа ЭЭГ, основанные на применении формального аппарата теории динамических систем и, в частности, детерминированного хаоса. Результаты их применения относительно легко интерпретируются в терминах физиологических моделей, реализующих системный подход в изучении нейрофизиологических процессов, - учения А.А. Ухтомского о доминанте, теории функциональных систем Анохина П.К. работ Швыркова В.Б.
Одной из величин, вычисляемых при помощи данного формального аппарата, является корреляционная размерность восстановленного аттрактора (О2) ЭЭГ. При помощи этой величины можно судить, насколько генерализованно протекают процессы в головном мозге, или насколько вариативна его деятельность. Вычисление этой величины сопряжено с рядом трудностей. Во-первых, математические теоремы и разработанные на их основе алгоритмы имеют теоретическое обоснование лишь для бесконечных и не зашумлённых хаотических процессов. ЭЭГ не удовлетворяет этим условиям. Во-вторых, вычислительные процедуры, применяемые разными исследователями, могут несколько различаться между собой, и на данный момент не существует единого мнения относительно выбора параметров для вычислений. Это ведет к трудностям при сравнении результатов, полученных в разных лабораториях. В-третьих, на одном из этапов процедуры вычислений требуется участие оператора для субъективного выбора вычислительных параметров. В итоге обработка больших объёмов экспериментальных данных крайне трудоёмка.
Здесь предложен алгоритм автоматического вычисления 02, позволяющий обрабатывать большие объёмы экспериментальных данных в потоковом режиме. Данный алгоритм адаптирован для сигналов ЭЭГ и для его реализации применены процедуры, представленные в весьма распространённом проекте TISEAN [1], что делает его доступным широкому кругу пользователей. Напомним, что в основе вычисления 02 лежит теорема Такенса [2], пользуясь которой по динамике одного временного ряда можно судить об эволюции всей системы, порождающей его, построив псевдоаттрактор, обладающий такими же метрическими характеристиками, как аттрактор системы в фазовом пространстве. Вычисление корреляционной размерности проводится с использованием псевдоаттрактора, что избавляет от необходимости реконструкции самой динамической системы, породившей исследуемый временной ряд. Более детально процедура вычислений состоит в следующем.
Пусть имеется исходный процесс Хо() - последовательность измеренных мгновенных значений переменной X. Мы можем отобразить данную последовательность в п-мерное пространство так, чтобы каждое значение данного временного ряда х(^ отображалось в точку этого пространства с координатами
{х(0,х(/, + т)...х(/,+ (п -1) т)} . Согласно те°реме Такенса, можно подобрать такие глубину погружения п и лаг т, что полученное в результате описанного преобразования множество точек будет обладать топологическими характеристиками аттрактора исследуемой системы (для бесконечного рядат может быть любым). Данное п-мерное пространство называется пространством вложения или лаговым пространством; множество точек, моделирующее исходный аттрактор - псевдоаттрактором или восстановленным аттрактором.
Собственно вычисление О2 основано на следующем принципе [3]. Возьмём некоторую точку х^, принадлежащую аттрактору, восстановленному в п-мерном лаговом пространстве, и сосчитаем, сколько точек этого аттрактора отстоят от неё на расстояние, не превышающее некоторую величину 8. Повторим эту процедуру для следующей точки и т.д. В результате мы сможем вычислить некоторую величину:
C(s) =
2 Z
i, 7=1
@( — |x —;
где @(x) - функция Хевисайда
©( х) =
J0 х< 0, а {1 х > 0
Ix — х I - расстояние между образами i-й и у-й точек временного
* Институт мозга человека РАН,193376, С-Петербург, ул. акад. Павлова 9
ряда в восстановленном аттракторе.
Эта зависимость называется корреляционным интегралом. При этом для малых значений s мы можем записать:
C(s)xsD2, откуда , с(^
D - lQgC(g)
2 logs
где D2 — размерность восстановленного аттрактора.
Pазмерность восстановленного аттрактора можно определить как наклон линейного участка графика зависимости log c (s)
от log s (рис.1). Этому участку соответствует плато на так называемом графике Раппа, который представляет собой значения вышеупомянутых наклонов (рис. 4-а). Размерность D2 вычисляется как среднее значение графика Раппа в интервалеs, соответствующем данному плато - в т.н. области измерения (scaling region). Для того чтобы правильно определить D2 таким способом, необходимо правильно подобрать величину лага т и размерность лагового пространства n (или Demb).
Размерность лагового пространства DembMожно подобрать такой, при которой наступает насыщение графика зависимости D2(Demb), последовательно вычисляя величину D2 для разных значений Demb- Если исследуемый процесс - стохастический, то насыщения не наступит (рис. 2).
Вычисление корреляционной размерности восстановленного аттрактора при обработке ЭЭГ. Процедуру вычисления D2 можно разбить на 3 этапа: вычисление С^)для различных значений Demb; поиск линейного участка зависимости logC(s) от log s и определение его наклона для каждого значения Demb; определение оптимального значения Demb и соответствующей ему величины D2. При работе с реальными процессами, в частности с
