CC BY
38
УДК 681.3
ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЯ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ БРОНХИАЛЬНОЙ АСТМЫ НА ОСНОВЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ Ю.С. Данилова, Е.Н. Коровин
В статье рассматривается построение модели постановки диагноза на базе многослойного персептрона, что позволяет выделить наиболее информативные факторы из множества динамически изменяющихся параметров состояния пациента
Ключевые слова: нейронная сеть, бронхиальная астма
На сегодняшний день существует много разновидностей нейронных сетей, характерных для различных типов задач, которые можно классифицировать по следующим признакам:
-тип входной информации (аналоговые или двоичные данные);
- характер обучения (с учителем и без);
- характер настройки синапсов
(фиксированные или динамические связи);
- метод обучения (обратное распространение, конкурентная настройка, использование правила Хебба, гибридные сети и т.д.);
- характер связей (прямое и прямое-обратное распространение информации);
- архитектура (персептроны,
самоорганизующиеся ИНС (интеллектуальная нейронная сеть) Кохонена, сети адаптивного резонанса, рециркуляционные, рекуррентные, встречного распространения, ИНС с обратными связями Хэмминга и Хопфилда, с двунаправленной ассоциативной памятью, с радиально-базисной функцией активации и т.п.).
Рассмотрим возможности обучения ИНС на примере многослойного персептрона с прямым распространением информации. Характер связей сети для нашего случая будет выглядеть, как показано на рис. 1:
Рис. 1. Структура многослойного персептрона
Данилова Юлия Сергеевна - ВГТУ, аспирант, тел. (473) 246-76-99
Коровин Евгений Николаевич - ВГТУ, д-р техн. наук, профессор, тел. (473) 246-76-99
Самый известный алгоритм обучения сети -так называемый, алгоритм обратного распространения (back propagation).
В основу метода легли прямой ход вычисления выходных значений, вычисление ошибки последнего слоя и рекурсивное обратное распространение.
На начальном этапе моделирования была построена нейронная сеть для классификации бронхиальной астмы по степени тяжести на базе многослойного персептрона с использованием обучающей выборки из 64 примеров заболевания бронхиальной астмы.
Входами разработанной сети являются 13 векторов классификационных признаков БА (табл. 1).
Следующим этапом исследования было построение 6 нейронных сетей, обучение которых производилось на базе многослойного персептрона с помощью пакета STATISTICA 6.1. с использованием сигмоидной функции.
Далее производилось обучение нейросети с помощью алгоритма обратного распространения.
Характеристики полученных сетей представлены в табл. 2.
Результаты моделирования оценивались как доля ошибки обучения, тестовой и контрольной ошибки в соответствующих выборках (табл. 2).
Анализ полученной таблицы выявил недостаточные интерполяционные качества пяти из полученных моделей. Наиболее эффективной является сеть, характеризующаяся следующими ошибками:
- ошибка обучения — 3,7% (1 неверный),
- контрольная ошибка — 5,6% (1 неверный),
- тестовая ошибка — 4,8% (2 неверных).
В результате была выбрана модель персептро-на с 13 входами (Х1-Х13), одним выходом и одним промежуточным слоем, состоящими из 9 нейронов (ИНС №1). Сеть имеет 1 выход (у), определенное значение которого соответствует той или иной степени тяжести заболевания. То есть:
- у=0 — пациент здоров,
- у= 1 — интермиттирующая астма,
- у=2 — легкая персистирующая астма,
- y=3 — персистирующая астма средней тяжести,
- у=4 — тяжелая персистирующая астма.
Классификационные признаки БА
Таблица 1
Симптом Наименование симптома Степень выраженности симптомов и их коды
Хі Частота возникновения приступов заболевания 0 — нет 1 - редко (менее одного раза в неделю) 2 - чаще 1 раза в неделю, но реже 1 раза в день 3 - ежедневно
Х2 Характер обострения 0 — нет 1 - Короткие обострения 2 - Обострения могут нарушать сон больного, угнетать физическую активность 3 - Частые обострения
ХЗ Частота ночных симптомов 0 — нет 1 - возникают редко (не чаще двух раз в месяц) 2 - возникают, по меньшей мере, 2 раза в месяц 3 - случаются очень часто (чаще 1 раза в неделю) 4 - случаются очень часто
Х4 ОФВ! % от нормы
Х5 Суточный разброс ПСВ %
Х6 ЧСС уд/мин.
Х7 Увеличение лейкоцитов в ОАК 0 - нет 1 - есть
Х8 Ускорение СОЭ в ОАК 0 - нет 1 - есть
Х9 Эозинофилия в ОАК 0 - нет 1 - есть
Хі0 Характер одышки 0 — нет 1 - экспираторная 2 - инспираторная 3 - смешанного характера
Хіі Наличие кашля с отхожде-нием вязкой мокроты 0 - нет 1 - есть
Хі2 Ограничение физической активности 0 - нет 1 - есть
ХіЗ При ЭКГ наличие гипертрофии левого желудочка 0 - нет 1 - есть
Таблица 2
Результаты моделей___________________________________________
Архитек- тура Производитель-ность обуч. Контр. произво- дитель- ность Тест. про-изво-дитель-ность Ошибка обучения Контроль-ная ошибка Тестовая ошибка Входы Скрьітьіе(і)
ИНС №1 1,GGGGGG 1,000000 1,GGGGGG G,G37475 G,G55518 G,G48165 13 9
ИНС №2 1,GGGGGG 1,000000 1,GGGGGG G,G364G3 G,G44G97 G,G65568 13 8
ИНС №3 1,GGGGGG 1,000000 1,GGGGGG G,G5GG19 G,GGGG21 G,GGGG21 13 9
ИНС №4 1,GGGGGG 1,000000 1,GGGGGG G,GGGG1G G,G6GG15 G,GGGG32 13 9
Методы нейросетевого моделирования позволяют оценить относительную значимость влияния отдельных исходных переменных на отклик, т.е. выполнить анализ чувствительности сети по ее входам. Этот анализ дает возможность идентифицировать неинформативные переменные с низкой чувствительностью, которые могут благополучно игнорироваться в последующих просчетах.
Чувствительность каждой входной переменной измеряется в терминах ошибки сети: т.е. вычисляется прирост общей погрешности предсказания, если бы анализируемая переменная была бы исключена на входе.
Таким образом, для классификации бронхиальной астмы окончательно была выбрана нейронная сеть на базе многослойного персептрона, входами которой является 13 векторов классификацион-
ных признаков БА. Архитектура выбранного пер-септрона представлена на рис. 2.
Архитектура: МП 13:26-9-5:1 , N=1 Г^іоизеодительность обуч = 1 .OCilijOO . Контр гроизводітельность = 1 рООООО , Тест производит альност ь = 1 .ОСШОСШ
Рис. 2. Архитектура нейронной сети (ИНС №1) постановки диагноза БА
Итогом моделирования стали следующие основные нейросетевые модели для бронхиальной астмы:
У1= f (-0,98152+0,40774* 82Л--1,23927*822-1,96498*82.з-0,61312*824--0,56509*82.5-1,84852*82.6+0,98062*82.7);
У2= f (-0,61545+1,07001*82.1+ +1,0918*82.2+1,26226*82.з-1,18592*82.4--0,17796*82.5-0,00002*82.6+2,52784*82.7);
Уз= f (-0,73327+0,651118* 82.1-
- G,568G61*S22 + G,947857*S23 +
+ G,849886*S24 + G,676459*S2.5 +
+ G,G17849*S26-G,48G57*S2.7);
Y4= f (-G,57826-G,13616*S21+ +G,11679*S22-G,52754*S23-1,G4994*S24 + +1,GG111*S2.5-G,78G12*S2.6-1,58851*S2.7);
Y5= f (G,56749-1,46742*S21--1,76883*S22+G,9518*S23+G,25227*S24--G,15538*S2.5-G,46897*S2.6+2,31989*S2.7)
где Y1 - пациент здоров,
Y2 - интермиттирующая астма,
Y3 - легкая персистирующая астма,
Y4 - средней тяжести персистирующая астма, Y5 - тяжелая персистирующая астма,
S2l - i-е нейроны скрытого слоя.
В анализа результатов исследования достоверность постановки диагноза составила 95,2 %.
Литература
1. Круглов В. В., Борисов В. В. Искусственные нейронные сети: теория и практика. - М.: Г орячая линия -Телеком, 2QQL - З82 с
2. Абовский Н.П. и др. Разработка практического метода нейросетевого прогнозирования. //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2QQ2. - С. Ю89 - 1G97.
3. Нейронные сети. STATISTICA Neural Networks: Пер. с англ. - М.: Горячая линия -Телеком. 2GG1. - 182 с.
Воронежский государственный технический университет
DECISION SUPPORT FOR THE DIFFERENTIAL DIAGNOSTIC OF ASTHMA BASED ON NEURAL NETWORK MODEL Yu.S. Danilova, E.N. Korovin
The article considers construction of a model of diagnosis based on a multilayer perceptron, which allows to select the most informative of the many factors dynamically changing the parameters of the patient
Key words: neural network, asthma
