CC BY
15
Visnyk N'l'UU KP1 Servia Radiolekhnika tiadioaparatobuduummia, "2018, Iss. 72, pp. 42—46
УДК 621.391.833
Нейромережева система д!агностики гестозу
ваштних
Муст,ецов М. П.1, Баган С. О?
1Харк1вський нацшнальний ушверситет ¡мен! В. Н. Каразша 2Харк1вський нацшнальний ушверситет радшелектрошки
E-mail: bagan.v. o&grnaiL com
Робота присвячепа шдвищешпо шформативпост! метод!в експрес-д1агпостики стану серцево-судишю1 снстемн вагтшх та д1агпостнкн гестозу шляхом розробки д1агпостнчно1 снстемн мошторипгу i оцшки стану гемодипамши вагтшх в пергшаталышй перюд. Снптезовапа пейроппа мережа, дозволяв оциштп стаи гемодипамши за традпгцйппмп д1агпостпч1шмп крптер!ямп. класифшувати патологи вагтшх та своечаспо виявляти групу шдвпщепого рнзнку пергшаталышх ускладпепь.
Клюноаг слова: серцево-судшша система: ваптшсть: гестоз: гемодипам1чш параметрп: мереж! пейропш
Вступ
Сучасш дослщжоння стану здоров'н вагтшх свщчать, що патолог!! пороГягу ваитноста в 60-70% обумовлеш прихованою або хрошчною екстрагеш-тальною патолоието. Екстрагоштальна патолоия захворювання 1 патолоичш стани р1зного ступе-ня важкость яш шддаються торат! або корекиД, або вимагають иереривання ваптность У пащенток з окстрагсшталыгою иатолоияо зустр1чаеться 85% важких гостстав [1].
Поеднання порушонь реионарного кровотоку внаашдок основного екстрагошталыгого захворювання на фош зннжоння загального периферичного судинного опору у зв'язку 1з збшыненням об'ему судинного русла, що характерно для ваптность сприяе шдвищеншо прояв ознак органно! шем!! посилення гшортгагш або збшынення проте'нщш, тобто клпично важкого гестозу [2].
Свосчасна доагностика 1 профшактика функцю-налышх порушонь в д1ялыгоста ссрцево-судинно1 снстемн в поринаталышй перюд приводе до зннжоння маторинсько! летальность перинатально! захворю-ваноста \ смертносп при основних формах ссрцсво-судиннсм патолог!! у вагтшх [3].
До тепершнього часу гостоз залишаеться най-бшын загадковим ускладнснням ваитносп з новщо-мою етюлоияо, но до кшця вивчоним патогенезом, при ввдеутшета радикалышх методов його лжування та профшактики. Д1агностика гестозу, через неви-значешеть ознак, с дужо складною задачею, вщлшо-ння яко1 в значшй хйр1 заложить в1д знань \ доеввду лжаря. В той же час свосчасне виявлоння ознак гестозу та адекватна терашя дозволяс змоншити ступшь його важкоста \ пролонгувати ваптшеть [4]. На сьогодшшшй день доагностика гестозу полягае
в оцшщ анамнестичних даних (даних про захворювання жшки, перебЬ дано! ваитноста), скаргах пащентки, результатах клпичного об'ективного до-стджоння \ лабораторних даних. При шдозр1 на гестоз проводить додатков1 доелвдженни (УЗ до-стджоння, допилерометрпо) [5]. Прикшцевий ви-сновок заложить ввд лжаря, тобто доагноз в значшй м1рь заложить ввд суб'ективного фактору.
Новим, порсиективним напрямом створоння ме-дичних доагностичних систем с розробка ште-лектуалышх систем, що дозволить шдвшцити об'ектившеть медичних доагнехйв. На топорпншй час кшуе докшька наирямшв створоння систем ме-ДИЧН01 доагностики (сксиортш систоми, доагности-чш шформащйш систоми, спощатзоваш систоми, тощо). На жаль, засобами штучного штелекту номо-жливо виключити лшаря вщ ироцесу д1агностики. Цо пов'язано з тим, що д1агноз с результатом продуктивного, творчого мнелення. Тому математичш мо-тоди в медичнш д1агиостищ, ик в ноформатзовашй област1 знань, застосовуютьси в икост1 допом1жних засоб1в. Це поисшос волику ыльшеть р1зновид1в 1н-телоктуалышх систем медично! д1агностики.
Одним з иорспективних п1дход1в до створоння дь агностичних систем с використання теор11 нечиких множин з використанням автоматичного формува-ння баз знань експортних висновшв [6]. Це можливо при використанш теор11 ночиких мерож та ней-ромерожевих тохналопй. Основна вдея, покладона в основу таких систем, полягае в тому, щоб на основ1 кнуючих даних, про показники та д1агнози реалышх пащснт1в визначати парамотри фуикщй належност1, як1 дозволяють формувати д1агноз в випадках неоднозначносп зв'язк1в ''парамотри дь агноз" [7,81-
Нойроморожоиа система д1агиостики гостозу ваггших
43
Розглянемо можливосп такого шдходу для доа-гностики гостозу.
1 Можливосш нейромереже-вих технологи для анал1зу i обробки медичних даних
Icnyi04Í коми'юторш системи М0ДИЧ1Ю1 доагно-ctiikii ефективно працюють в областях медицини, до систоматизоваш знания про конкретно захворю-вання (його р1зновиди) та його симптоматику.
В иашому випадку жодон симптом (кшьшений або яшений) стану BariTiio'í ni сам по co6i, ni в поеднанш з шшими симптомами ио можо забезпе-чити достов1рне розшзнавання гостозу. Для nepoBip-ки порспоктнв внкорнстання iiohítkiix множин для доагностики гостозу була синтозована штучна ней-ронна мережа, з використанням пакоту прикладных програм Statistica. Завданням систоми е. визначен-ня типу патологп' ваитних на 6a3Í гомодинахпчних показник1в.
В якосп вихщних даних були використаш результата обстожонь пащенток пологового будинку, гцо продставляють собою розультати обстожонь 147 породшь. для яких BiflOMi 18 показник1в стану здоров'я. Така кшыйсть показнишв обумовлона доагно-стичними можливостями в1ддшсння патологп' ваи-тних. Були враховаш наступи! показники гомодина-míkii: частота пульсу. артер1алышй тиск, ударний та хвилинний об'еми кровь ударний шдокс, сорцовнй шдокс, об'емна швидшеть кровотоку. лшшна швид-KÍCTb кровотоку. ИОТуЖШСТЬ JlÍBOrO шлуночка сорця. реограф1чний систашчний та д1астол1чний шдокси, загалышй порифорпший onip судии. Bei показники росструвалися вщиовщно методами та засобами, що використовуються в вичизнянш модициш.
Пащснтки були розбип на cím груи вщиовщно до ступсшо важкоста захворювання:
• 1 група гостоз важкого ступоня, що вщио-вщае номшальному значоншо «дужс високий» (4 иащяггки):
• 2 група гостоз легкого ступоня важкость що вщповщае номшальному зиачоиию «дуже иизький» (19 пащяггок):
• 3 група гостоз ссреднього ступоня важкость що вщповщае номшальному значению «серо-дшй» (39 пащяггок):
• 4 група гостоз легкого ступоня важкоста з тондеищяо до сореднього ступоня важкость що вщиовщае номшальному значению «иизький» (20 пащяггок):
• 5 група гостоз сореднього ступоня важкоста з тондеищяо до високого ступоня важкость
що вщповщае номшальному значению «вшце сореднього» (30 пащенток):
• 6 група гостоз сореднього ступоня важко-сп з тондеищяо до легкого ступоня важкоста, що вщповщае номшальному значению «нижче сореднього» (22 пащяггки):
• 7 група гостоз високого ступоня важкосп з тондеищяо до сореднього ступоня важкоста, що вщповщае номшальному значению «високий» (13 пащяггок).
Розподш по трупам було проведено на основ1 показнишв гемодинамши з урахуванням типу гемо-динамши. Отримана модельна база показншав була розбнта на дв1 виб1рки навчальну та контрольну. В якосп тостово1 множини до розгляду були вибраш даш 40 пащенток, даш яких були закладош в основу гонеращ! модольно! бази.
Для вибору мпималыгого числа нойрошв та ви-значення структури моролй використовували процедуру контрасту вання. При тосту ваши в якоста типу нейронно! моролй було обрано тришаровий порсе-итрон 1 рад1альна базисна функщя (РБФ). Даний тип нейронно! мереж1 обрано через наявшеть иози-тивних результате при його використанш у схожих задачах прогнозування медико-техшчного призна-чення та простоту реал1защ1 алгоритму. Мережа РБФ являе собою спещалышй тип иойроииих мерож з прямими зв'язками, осиовие призиачоиия яких с апроксимащя та штерполящя багатовтпрних фун-кщй для вщлшення, зокрема, задач прогнозування [71-
Рад1альна базисна функщя мае один прихований нелшшний шар. 1 використовуючи функщю Гаусса, забезпечуе локальну апроксимащю нелпшшого воображения 1 навчасться на порядок швидше. шж нойронна мережа з використанням алгоритму зво-ротнього иоширення.
Виходячи з того, що ми маемо 18 показнишв стану ваптно!, розм1ршсть вхщного вектора Жж = 18, тому вхщний шар мштить 18 нейрошв. Число нойрошв у вихщному ищи вщиовщае числу клаяв (Жу = 7), вщповщно розбиттю виб1рки даних.
Експориментуючи з кшьшетю олементв у при-хованому шар1 з отриманого д1аиазону значень, ириходимо до висновку, що мпималыге значения квадратично! помилки на навчалыий множит вщ-пов1дае мерож1 РБФ з 60 елементами в прихованому шар1.
Проводен1 оксперимонтальн! дослщження показали. що навчання мореж1 с мптизашето квадратично! помилки на навчалыий множит з використанням град1я1та оцшки. Град1ент ощнки обчислювали методом подв1йност1. а само, методом зворотного иоширення помилки. який с алгоритмом град1я1тиого спуску. В якосп функщ'1 активаш! вибраио лои-стичиу функщю, а фуикщяо помилки серодиьо-квадратичну.
44
Мустоцов М. П., Наган С. О.
Рис. 1. Структура системи нечикого лопчного виведеиия иа ocuoBi алгоритму Сугеио
Результата класифшацп представлен! в табл. 1. де представлен! су марш статистичш даш (загалыге число пащягаок в кожному клая. число класиф1ко-ваних правильно та помилково). та крос-розультати класифшацп в % (який вщсоток иащягаок з даного стовпця був вщнессний до даного рядка).
Табл. 1 Результата класифшацп
о to
lO (М
fa
Р «
ГЕСТ03 1 2 3 4
Всього 2 16 27 12
Bipno 2 16 25 12
HoBipno 0 0 2 0
Bipno (%) 100 100 92.6 100
HoBipno (%) 0 0 7.4 0
ГЕСТ03 5 6 7 1-7
Всього 23 13 11 147
Bipno 22 13 8 142
HoBipno 1 0 3 5
Bipno (%) 95.7 100 72.7 92.3
HoBipno (%) 4.3 0 27.3 7.69
Використания заиропоновано! системи д1агно-стики гостозу на баз1 нойронно! моролй з використанням показнишв гемодинамши дозволило класи-фшувати иащягаок з патолопяо ссрцево-судинно! системи з досить високим вщсотком вщсоток в1р-но класиф1кованих склав 92.3 % (142 иащягаки з 147). Вщсоток нстарно класшркованих склав всього 7.69 % (5 иащягаок з 147).
За результатами тостування модель пройшла перев1рку. оскшьки за тооротичним значениям по-милка тестування повинна бути мошною за 18 %. В наглому випадку дана помилка складас 7.69 %, тобто модель з високим р1внем точноста визначае ступшь важкосп гостозу. а отжо. може бути викори-стана на ирактищ для визначоння ступоня гостозу у ваптних жшок.
Таким чином показано, що д1агностика гостозу ваитних в порииаталышй иерюд иа баз1 нойронно! морена дозволяс визначити тип иатогенотичного вар1анту порушень системного кровооб1гу \ встано-вити ступшь важкосп гостозу.
2 Пбридна мережа як адаптивна система нейро-нечггкого виводу
В рамках дано! роботи для побудови модат було використано редактор ANFIS. що дозволило створювати або завантажувати конкретну модель адаптивно! системи нейро-нечикого виводу. вико-нувати i'l навчання. в1зуал1зовувати Г! структуру та використовувати налагоджену морожу для здобут-тя результате нечикого виводу.
Нейро-нечику морожу можна розглядати як один з р1знов1ццв систем нечикого лопчного виво-доння типу Сугеио [7]. Алгоритм Сугеио мае певну перевагу над пшшми алгоритмами дано! системи в плаш TOHHOCTi й простоти роашзащь При застосу-Bainii системи ночикого виводу типу Сугеио загаль-ний вихщ с середшм зважеиим ycix вводеиих даних. оскшьки вихщно значения с лпийною комбшащяо вхщних значень плюс деяко постшне значения. При цьому функцп належност сиитозоваиих систем на-лагоджеш так. щоб мптпзувати вщхилення хйж результатами нечикого модолювання i експоримен-талышми даними.
Кшьшсть иарамотр1в гемодинамши було змен-шоно до 7 з метою створення засобу окспрес-д1агностики стану ваптних.
Пород гонеращяо структури системи нечикого виводення типу Сугеио шеля виклику д1алогового BiKiia властивостей було задано для кожно! з Bxi-диих 3Miiiinix по 3 лшгвктичних терма, а в якост i'x функщй ириналожност Bii6pani трику-rai функцп.
На рис. 1 можна побачити вхщш та вихщну во-личини. У якост вхщннх параметр1в нойромереж1 вистуиають 7 показнишв гемодинамши. натомшть вихщним параметром с ступшь важкост гостозу.
В ход1 даного дослщжоння був обраний cnoci6 створення вихщно! системи нечикого лопчного виводу "Sub. clustering" генорування системи по методу субкласторизацп.
Парамотри методу субкластеризащ! наступш: pi-вонь впливу вх1дннх 3Miiiiinx 0.5: коефщяга придушення 1.25: accept ratio 0.5 коефщящ що встановлюе в ск1льки раз1в потонщал дано! кра-
Нейромережева система д1агиостики гестозу ваггших
45
Рис. 2. Грасрчшш шторфейс перегляду правил згонеровано! снстемн нечикого виводоння
пкн мае бути вигце за потонщал центру першого кластера для того, щоб центром одного з кластор1в була призначена дана крапка: reject ratio 0.15 коефщящ що встановлюе в скшьки раз1в потонщал дано! крапки мае бути иижче за потонщал центру першого кластера, щоб крапка. що розглядаеться була внключена з можлнвнх центр1в кластор1в.
Метод навчання пбриднем морена пбридний (hybrid), тобто с комбшащяо методу найменших квадрапв i методу зменшення зворотного град1я1-та, piBOiib помилки навчання (Error Tolerance) 0. кшьккть циюпв навчання (Epochs) 40.
Подальше налаштування парамотр1в побудова-no'i та навчено! пбридно!' мереж1 виконувалося за допомогою стандартних граф1чних засоб1в пакету Fuzzy Logic Toolbox.
Результати дослщжень показу ють, що при вне-cciini 7 основних иараметр1в, що характеризують стан BariTiio'i жшки, ми отримуемо результат у ви-гляд1 визначення тнпу гемодннам1кн та ступешо важкосп гестозу (рис. 2).
За результатами навчання середня помилка складас 0.006. що евщчить про високу здатшеть систоми оцшювати критичшеть стану BariTiio'i на основ! иоказнишв, як1 характеризують гемодинамь
ку-
Визначення типу гемодинамши i ступеня важко-CTi гестозу дозволяе л1карю-д1агносту та акушеру-гшекологу оцшити наскшькн критичний стан BariTiio'i на момент дослщження i прийняти необх1дн1 заходи л1кування.
Висновки
3 метою д1агностики гестозу. була синтезована нейронна мережа, що дозволяе класифшувати па-тологй' BariTiinx з використанням нейро-нечикого моделювання в середовшщ Mat lab.
Результати дослщжень, показали, що при вне-ceinii 7 основних иараметр1в, що характеризують стан BariTiio'i жшки, ми отримуемо результат у ви-гляд1 визначення ступешо важкосп гестозу.
Використання запропонованого шдходу систоми дозволило скоротити к1льк1сть показник1в neo6xi-дних для д1агностики гестозу з 18 до 7 показни-к1в. Застосування запроионовано!' систоми дозволяе вибирати тактику ведения пащенток з гестозом з шдив1дуалыю шдобраною терашяо i контролем i"i ефективносп та виключити необ1"рунтоване використання медикаментозних засоб1в.
Система д1агностики гестозу на 6a3i iiefipoiinoi мереж1 з використанням 7 показнишв гемодинамь ки дозволила класифшувати иащенток з иатолоияо серцево-судинно1 систоми з досить високим вщео-тком (92,3%) Bipno класшркованих иащеттв.
Перелж посилань
1. Медведь В.11. Основные вопросы экстрагеииталышй патологии / В. 11. Медведь // Медицинские аспекты здоровья женщины. '2011. № 6. с. 5-11.
"2. Карпов ЛЛО. Экспертная скрипит' система: Экспресс-оценка системы кровообращения у беременных / Л.Ю. Карпов, М.В. Охапкип, В.11. Шмелев // Всероссийский форум: Интеллектуальные ресурсы ротонов России па рубеже тысячелетий. Ярославль. "2000. с. 70-7'2.
3. Киселева Н. 11. Актуальные проблемы гестоза (патогенез, диагностика, профилактика и лечение) / Н. 11. Киселева, С. Н. Запько, Л. 11. Солодков. Витебск : ВГМУ, '2007. 196 с.
4. Охапкип М. В. Преэклампсия: гемодииамический ада-птацшшиый синдром / М.В. Охапкип , В.Н. Серов, В.О. Лопухин // ЛГ-ипфо. '200'2. № 3. С. 9-12.
5. Глухова Т. Н. Патогенетическое обоснование прип-ципов диагностики, прогнозирования и комплексной терапии гестоза / Т.Н. Глухова, 11.Л. Салон, Н.П. Чеспокова. Саратов : СарГМУ, "2005. 47 с.
6. Халафяп Л. Л. STATISTICA 6. Статистический анализ данных / Л.Л. Халафяп. М. : Випом-Пресс, '2007. 512 с.
7. Воровиков В. 11. Нейронные сети. Statistica Neural Networks. Методология u технологии современного анализа данных / В.П. Воровиков. М. : Горячая линия Телеком, "2008. 392 с.
8. Mustetsov N. P. The possibilities of neural network technologies in solving medical problems // N.P.
46
Мустецов М. П., Вагап С. О.
Mustotsov, S.A. Bahan / European Conforonco on Innovations in Technical and Natural Sciences, Vienna, Austria, '20 July '2017. pp. 111-116.
References
[1] Medved: V.l. ("2011) Osnovnye voprosy ekstragenital:noi patologii [The main issues of extragenital pathology]. Medychni aspekty zdorov:ia zhinky, No 6, pp. 5-11.
[2] Karpov Л. U., Shmelev V. 1. and Okhapkin M. B. (2000) Ekspertnaya skrining sistema: Ekspress-otsenka si-stemy krovoobrashcheniya u beremennykh [Expert screening system: Rapid assessment of the circulatory system in pregnant women]. Materialy 11 Rossiiskogo foruma: Mat' i dit.ya, pp.70-72.
[3] Kiseleva N. 1., Zairko S. N. and Solodkov Л. P. (2007) Aktual'nye problemy gestoza (patogenez, diagnosti-ka, profilaktika i It tin nit i [Actual problems of gestosis (pathogenesis, diagnosis, prevention and treatment)]. Vitebsk, VGMU, 196 p.
[4] Okhapkin M. В., Serov V.N. and Lopukhin V'.O. (2002) Preeklampsiya: gemodinamicheskii adaptatsionnyi sindrom [Preeclampsia: hemodynamic adaptation syndrome]. AG-info, No 3, pp. 9-12.
[5] Glukhova T.N., Salov 1. Л. and Chesnokova N. P. (2005) Patogeneticheskoe obosnovanie printsipou di-agnostiki, prognozirouaniya i kompleksnoi terapii gesloza [Pathogenetic substantiation of the principles of diagnosis, prognosis and complex therapy of gestosis], Saratov, SarGMU, 47 p.
[6] Khalafyan Л.Л. (2007) STAT1ST1CA 6. Statisticheskii analiz dannykh [STAT1ST1CA 6. Statistical data analysis], Moscow, Binom-Press, 512 p.
[7] Borovikov V.P. (2008) Neironnye seti. Statistica Neural Networks. Metodologiya i tekhnologii souremennogo analiza dannykh [STATISTICA Neural Networks: Methodology and technology of modern data analysis]. Moscow, Goryachaya liniya, 392 p.
[8] Mustotsov N.P. and Bahan S.A. (2017) The possibilities of neural network technologies in solving medical problems. European Conference on Innovations in Technical and Natural Sciences, p.111-116.
Нейросетевая система диагностики ге-стоза беременных
Мустецов Н. П., Баган С. А.
Работа посвящена повышепшо информативности методов экспресс-диагностики состояния сердечнососудистой системы беременных путем разработки диагностической системы мониторинга и оценки состояния гемодинамики беременных за счет применения пейро-сетевых технологий. Разработанная методика экспресс-диагностики состояния сердечно-сосудистой системы во время беременности позволяет оцепить состояние гемодинамики по основным 7 диагностическим показателям и своевременно обнаружить группу повышенного риска перинатальных осложнений.
Ключевые слова: беременность: система сердечнососудистая: гестоз: гемодипамические параметры: нейронные сети
Neural Network of the gestosis diagnosis system
Mu.itet.iov, M. P., Bahan, S. O.
Introduction. The work is devoted to the increase of the information content of the methods of express diagnostics of the state of the cardiovascular system of pregnant women by developing a diagnostic monitoring system and assessment of the state of hemodynamics of pregnant women due to the use of neural network technologies. Currently, gestosis is one of the most urgent problems of modern obstetrics due to the prevalence and complexity of etiopatliogenesis, the absence of early and reliable diagnostic criteria, effective prevention and treatment measures, high maternal and perinatal morbidity and mortality, as well as large economic costs of intensive care for patients. The proposed approach to optimization of the diagnosis of preeclampsia using registration key hemodynamic parameters, which allows to objectively evaluate the hemodynamics in pregnant women with preeclampsia, to determine the type of hemodynamics in pregnant women and to monitor the effectiveness of the therapy.
Neural network technologies for the analysis and processing of medical data. The synthetic structure of the artificial neural network has shown the effectiveness of its use for diagnosis of gestation, using real clinical data. The basis of the diagnostic system was the artificial neural network, using the application package Statistica.
Hybrid network as an adaptive system of neuro-fuzzy output system. In order to diagnose gestosis, we synthesized a neural network that allowed us to classify the pathologies of pregnant women on the basis of osci-llomet.ric data, using neural-fuzzy modeling in the Mat.lab environment. In the framework of this work, the ANFIS editor was used to build the model that would help create or load a specific model of the adaptive neuro-fuzzy inference system, perform its training, visualize its structure, change and adjust its parameters, and use the configured network to obtain the results of fuzzy inference. The findings of the tests, show that with the introduction of 7 basic parameters characterizing the state of a pregnant woman, the produced result is in the form of a definition of the type of hemodynamics and the degree of gestosis. The determination of the type of hemodynamics and the degree of gestosis allows the diagnostician and the obstetrician-gynecologist. to assess the critical state of the pregnant woman at the time of the study and to take the necessary treatment measures.
Conclusion. In order to diagnose gestosis, a neural network was synthesized, which allowed classifying the pathology of pregnant women using neuro-fuzzy simulation in a Mat.lab environment.. The application of the proposed system helps choose the tactics of treating a patient, diagnosed with gestosis according to individually selected therapy, monitoring its effectiveness, which will have a positive effect, on the course and outcome of pregnancy: most, importantly, controlling the state of maternal hemodynamics will eliminate the unreasonable use of medications.
Key words: pregnancy: cardio-vascular system: preeclampsia: the hemodynamic parameters: neural network
