Информационно-вычислительные технологии, искусственный интеллект и обработка больших данных в медицине
Для своевременной сигнализации о скором возможном наступлении критической ситуации поступаемые сигналы должны быть обработаны в реальном времени с помощью алгоритмов искусственного интеллекта (ИИ), которые должны работать в условиях ограниченных вычислительных ресурсов. Соответственно, сигнал, который будет поступать на вход ИИ, должен быть как можно более полным. В ходе решения данной задачи были проанализированы существующие подходы к фильтрации электрокардиосигнала [1, 2] и была осуществлена попытка разработать фильтр, который учитывает шумы, вызываемые в результате постоянного ношения устройства, при этом сохраняет параметры полезного сигнала на достаточном уровне для его обработки методами искусственного интеллекта.
Обоснование применения адаптивных алгоритмов для анализа электрокардиосигнала. Ранее в цифровой обработке сигналов в основном использовались методы линейной фильтрации в связи с наличием подходящего математического аппарата, простотой понимания и расчета. Однако, например, при использовании линейных фильтров нижних частот острые зубцы Q, R, S и другие высокочастотные компоненты электрокардиосигнала сглаживаются. Вследствие этого теряются информативные признаки, которые содержатся в этих высокочастотных компонентах и должны быть сохранены для дальнейшей интерпретации и анализа. При этом если расширить полосу пропускания фильтра нижних частот, часть частотного спектра помех оказывается в полосе пропускания фильтра, и, соответственно, эти помехи не будут подавлены. Таким образом, применение линейных фильтров не обеспечивает высокого качества подавления помех в электрокардиосигнале, к тому же приводит к искажению электрокардиосигнала и смещению основных компонентов кардиограммы и, соответственно, такой сигнал будет малопригоден для обработки с помощью ИИ.
Обработка электрокардиосигнала как нестационарного сигнала. Проанализировав существующие подходы к фильтрации нестационарных сигналов, было принято решение использовать и модифицировать для фильтрации электрокардиосигнала следующие методы:
- декомпозицию на эмпирические моды (англ. Empirical mode decomposition - EMD);
- внутреннюю декомпозицию по шкале времени (англ. Intrinsic time-scale decomposition - ITD).
Алгоритм EMD выделяет базовую линию и позволяет получить эмпирическую моду с четко определенной мгновенной амплитудой и частотой. Цель EMD заключается в выделении сигнала, имеющего строго положительные значения на всех локальных максимумах и строго отрицательные значения на всех локальных минимумах. После получения первой моды она вычитается из входного сигнала, и процесс повторяется на результирующем сигнале более низкой частоты, пока все исходные волны не будут удалены и не будет выделен тренд исходного сигнала, после чего к полученным модам применяется преобразование Гильберта для извлечения мгновенной информации об амплитуде и частоте.
Алгоритм ITD позволяет разложить сигнал на сумму высокочастотных компонентов, для которых мгновенная частота и амплитуда четко определены, и монотонный тренд (аналоги эмпирических мод в EMD). Алгоритм сохраняет точную временную информацию о критических точках сигнала и бегущих волнах с временным разрешением, равным временному масштабу появления экстремальных точек во входном сигнале.
На основе данных методов анализа нестационарных сигналов была предпринята попытка разработать адаптивный фильтр, сохраняющий параметры полезного сигнала на достаточном уровне для его обработки методами искусственного интеллекта.
Литература
1. ECG Signal Processing, Classification and Interpretation: A Comprehensive Framework of Computational Intelligence. Ed. Gacek A., Pedrycz W.. Springer London, 2014. 278.
2. Волосатова Т.М., Спасенов А.Ю., Логунова А.О. Автоматизированная система анализа и интерпретации электрокардиосигнала. Радиостроение. 2016;1:1-18.
ОЦЕНКА УРОВНЯ ЗДОРОВЬЯ ЧЕЛОВЕКА ПРИ ИСПОЛЬЗОВАНИИ БИОМАРКЕРОВ НУЛЕВОГО ТИПА
Кокорин Е.М.
Колледж экономики и информатики им. А.Н. Афанасьева, Ульяновск, Россия Научный руководитель: Кокорин В.Н., д-р техн. наук, профессор
Любую сложную систему можно представить в виде поэлементной структуры и характеристик ее составляющих -точных и вероятностных, при этом используются лишь отклики так называемого «естественного разума», -моделирующей установкой самого организма, обеспечивающей выделение, переработку и трансформацию текущей информации/сигналов для коррекции развития в определенном жизненном цикле развития биосистемы.
Используя элементы искусственного разума при создании цифровых двойников как клетки, так и органов/систем, выявляется возможность корректирования и планирования развития психосоматики при анализе текущих индикаторов здоровья. Использование системы управляющих уравнений на основе текущих величин данных диагностического лабораторного обследования организма человека по основным биомаркерам (в том числе и на субклиническом уровне) позволит повысить качество, продуктивность и продолжительность жизни человека.
К основным критериям оценки состоянии здоровья следует отнести массу тела, пульс, объем талии и бедер, жизненную емкость легких, кислотно-щелочной баланс, артериальное давление, величину холестерина, уровень глюкозы и
Вестник медицинского института «РЕАВИЗ». 2023. Том 13. № 2. Приложение
гемоглобинав крови, характер возбудимости вегетативной нервной системы, состояние сна, настроение, наличие фобий и страхов, наличие целеустановки (социальные показатели).
Рассмотрена схема, характеризующая системную организацию основных регуляторов состояний биосистемы человека на основе функционирования и показаний его:
1. Сенсорных анализаторов (приемных органов): а) глаза/нос/язык/уши, где происходит преобразование воспринимаемых внешних раздражителей в нервные импульсы; б) нервные проводники импульсов в кору мозга; в) группы нервных клеток в центрах коры мозга - анализ ипульсов.
2. Системы кровообращения/-творения.
3. Центральной/периферийной нервной системы, - интеграция полученной информации и ее координат за счет обеспечения направленного (векторного) влияния на деятельность/функционирование всех составляющих психосоматики человека.
4. Дыхательной и выделительной систем, обеспечивающие транспорт газообразной составляющей жизнеобеспечения и функционирования биосистем, а также выведение шлаков.
Для расчета комплексного показателя уровня (индекса) здоровья, оценивая его количественным индексом, целесообразно использовать аналитическое выражение, определяющее количественное значение комплексного энергетического показателя, характеризующего уровень психосоматики в диапазоне основных функциональных систем организма:
Y4-1( Kt х pt)
Пэ/к _ НЬН/N'
Относительное значение каждого i-го показателя биомаркера можно определить:
^отн _ ^~б/с Кб/с
Предложено при оценке уровня здоровья рассматривать 9 основных биомаркеров нулевого типа, достаточно емко характеризующих уровень равновесия психосоматики человека. Таким образом, векторная диаграмма будет представлять правильный девятиугольник с пропорциональным фиксированием линий промежуточных референтных значений.
Показатель уровня (индекса) здоровья (Пэ/к) представляет собой функцию: Пэ/к _ f(J.Xt), определяемую основными факторами, характеризующих как саму биосистему: возраст, комплекс систем ее регуляции, (так и текущие/референсные значения регистрируемых биомаркеров.
ttpll х Pt X
П _ g_ 1(Kiотн X Р,. X Ккорр) _ ^ _ ЛКРб/с 1 РЛ/д )
Пэ/к _ vli /N _ к-Гр, /N'
Таким образом, данное аналитическое решение позволяет определить интегральный i-й энергетический потенциал биосистемы организма; алгоритм анализа и оценки «резерва здоровья» на субклиническом уровне.
ПРОБЛЕМА ВЫБОРА ОПТИМАЛЬНОГО РАЗМЕРА ВЫБОРКИ ДЛЯ РЕШЕНИЯ МЕДИЦИНСКИХ ЗАДАЧ
КЛАССИФИКАЦИИ МЕТОДАМИ ГЛУБОКОГО ОБУЧЕНИЯ
Окуньков С.В., Улитин И.В.
Саратовский государственный университет, Саратов, Россия Научный руководитель: Барулина М.А., д-р физ.-мат. наук
Введение. Одна из самых актуальных проблем машинного обучения на сегодняшний день является проблема нахождения оптимального размера выборки для обучения моделей. Данная проблема аккумулирует в себе три другие основные проблеммы с данными: когда их мало, когда их много и когда они несбалансированы.
Целью данной работы является изучение зависимости результатов обучения современных моделей нейронной сети от размеров выборки и ее дисбалансности на примере мультиклассовой классификации степени хронической варикозной недостаточности нижних конечностей тела по фотографиям.
Параметры выборок данных. В качестве первой выборки были использованы 11 118 фотографий, соотношение классов в которой составило СО (7,84 %), С1 (25,27 %), С2 (13,43 %), С3(33,67 %), С4 (13,76 %), С5 (3,62 %), С6 (2,4 %).
Для получения второй выборки этот набор данных был дополнен до 20 971, при этом степень дисбаланса классов немного возросла: СО (11,89 %), С1 (26,2 %), С2 (13,64 %), С3(32,66 %), С4 (11,38 %), С5 (2,18 %), С6 (2,04 %).
Третья выборка была получена путем урезания второй так, чтобы одни классы несильно перевешивали другие: СО (14,36 %), С1 (14,1 %), С2 (15,3 %), С3(13,94 %), С4 (14,33 %), С5 (14,45 %), С6 (13,47 %).
Используемые модели нейронных сетей. Для проведения экспериментов были использованы следующие современные модели искусственных нейронных сетей для классификации изображений: ResNet50, VIT, DeIT.
Результаты обучения. В качестве целевых метрик для определения качества предсказания моделей были использованы следующие метрики: F1-score и TP для самых малочисленных классов C5 и C6. F1-score был использован для измерения качества прогнозирования модели для всех классов. Она представляет из себя среднее гармоническое между