CC BY
26
Матанцев А. Б. Matantsev Л. B.
аспирант кафедры «Информационно-измерительная техника», ФГБОУВО «Уфимский государственный авиационный технический университет», г. Уфа, Российская Федерация
Ясовеев В. Х. Yasoveev V. Кк.
доктор технических наук, профессор, заведующий кафедрой «Информационно-измерительная техника», ФГБОУ ВО «Уфимский государственный авиационный технический университет», г. Уфа, Российская Федерация
Уразбахтина Ю. О. Urazbakktina Yu. О.
кандидат технических наук, доцент, декан факультета авионики, энергетики и инфокоммуникаций, ФГБОУ ВО «Уфимский государственный авиационный технический университет», г. Уфа, Российская Федерация
УДК 615.47-114:616-07-08
ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОСЕТЕЙ ДЛЯ СНИЖЕНИЯ ПОГРЕШНОСТИ МНОГОСЕНСОРНЫХ
СИСТЕМ ГАЗОАНАЛИЗА
Helicobacter pylori (H. pylori) — спиралевидная грамотрицательная бактерия, которая инфицирует различные области желудка и двенадцатиперстной кишки. Многие случаи язв желудка и двенадцатиперстной кишки, гастритов, дуоденитов, и, возможно, некоторые случаи лимфом желудка и рака желудка этиологически связаны с инфекцией Helicobacter pylori. В процессе своей жизнедеятельности бактерия расщепляет слизь, которая защищает желудок, и на эти оголенные участки попадает агрессивный желудочный сок с содержанием пищеварительных ферментов. Кроме того, бактерия выделяет особые токсины, которые способны вызвать иммунное воспаление и отторжение слизистой желудка. В некоторых случаях H. pylori, наоборот, провоцирует снижение выработки желудком соляной кислоты, что тоже вредно, и приводит к атрофическому гастриту с поражением функции пищеварительной системы. Поэтому весьма актуальным является построение измерительной системы для экспресс-диагностики хеликобактерной инфекции, которая позволит выявлять наличие инфицирования вышеназванной бактерией на ранних стадиях развития заболеваний.
В статье описана система экспресс-диагностики хеликобактериоза, принцип работы которой основан на факте выделения бактерией уреазы. При химической реакции уреазы и принимаемой пациентом мочевины образуется газообразный аммиак, который попадает в выдыхаемый воздух. По разности концентраций аммиака до и после приёма мочевины можно судить о поражении слизистой оболочки желудка штаммом Helicobacter pylori. Данный метод исследования прост в реализации, и кроме того исключает возможность заражения через медицинский инструмент, поскольку для проведения исследования не требуется взятие биопробы. Использование нескольких датчиков для дыхательной диагностики позволяет повысить точность измерения и тем самым снизить количество ложноположи-тельных и ложноотрицательных результатов исследования. Проведен анализ возможности применения искусственной нейронной сети для ввода измерений от многосенсорной системы. Рассчитаны погрешности и показаны преимущества применения нейросети. Рассмотренная система предлагается к использованию в лечебных, лечебно-профилактических учреждениях, а также на дому. Система может применяться для экспресс-диагностики
хеликобактериоза, для периодического контроля эффективности назначенного лечения, а также для самостоятельной диагностики пациентом.
Ключевые слова: Helicobacter pylori, диагностика, уреаза, измерительная система.
USAGE OF ARTIFICIAL NEURAL NETWORKS FOR ERROR REDICTION OF MULTI-SENSOR GAS ANALYSIS SYSTEMS
Helicobacter pylori (H. pylori) is a spiral gram-negative bacterium which infects different areas of stomach and duodenum. A lot of stomach and duodenum ulcer and gastritis cases are etiologi-cally connected to H. pylori infection, such as probably some cases of stomach lymphoma and stomach cancer. During its lifetime, the bacterium dissolves mucus that protects stomach, so aggressive gastric juice with enzymes gets to these unprotected areas. Moreover, the bacterium produces special toxins, which are capable of causing immune inflammation and abruption of stomach mucosa. In some cases H. pylori may otherwise cause recession of gastric acid production, which is also harmful and leads to atrophic gastritis with digestive system lesion. This is why development of express diagnosis measurement system is important, as the system allows to detect presence of H. pylori infection at early stages. This article describes system of express diagnosis of H. pylori infection based on measurement of concentration of urease produced by the bacterium. As a result of chemical reaction between urease and urea taken by patient, a gaseous ammonia is produced, which gets into air exhaled. By comparing the difference of ammonia concentration before and after urea adoption one can confirm stomach mucosa lesion caused by H. pylori. This method is simple in realization and excludes the possibility of contamination through medical instruments, because bioprobe is not needed. Usage of several gas sensors for urea breath diagnosis allows to increase measurement accuracy and therefore to lower the number of false-positive and false-negative results of diagnosis. Analysis of possible usage of artificial neural network for multi-sensor system signal input is conducted. Errors of such method are calculated and advantages of neural network usage are shown. The system reviewed is proposed to be applied at hospitals, health care facilities and for home use. It can be used for express diagnosis of H. pylori infection, for periodical control of prescribed treatment effectiveness and for self-diagnosis by patient.
Key words: Helicobacter pylori, diagnosis, urease, measurement system.
Helicobacter pylori (H. pylori) — спиралевидная грамотрицательная бактерия, которая инфицирует различные области желудка и двенадцатиперстной кишки. Многие случаи язв желудка и двенадцатиперстной кишки, гастритов, дуоденитов, и, возможно, некоторые случаи лимфом желудка и рака желудка этиологически связаны с инфекцией Helicobacter pylori. Поэтому весьма актуальным является построение измерительной системы для экспресс-диагностики хеликобактерной инфекции, которая позволит выявлять наличие инфицирования вышеназванной бактерией на ранних стадиях развития заболеваний [1, 2]. Авторами предлагается неинвазивная система экспресс-диагностики хеликобактериоза с помощью уреазных дыхательных тестов, основанных на определении концентрации аммиака в выдыхаемом воздухе. Данные методы предполагают приём пациен-
том мочевины нормального изотопного состава и последующее измерение концентрации аммиака с помощью газоанализатора с датчиками полупроводникового типа. К достоинствам метода можно отнести невысокую стоимость обследования, скорость получения результатов, высокую чувствительность (96 %), значительно меньшую по сравнению с системами, содержащими в своем составе масс-спектрографы, стоимость оборудования.
Полупроводниковые датчики газа дёшевы, обладают высокой чувствительностью (до 50 объемных миллионных долей в объёмном соотношении), что делает их достаточно перспективными для применения в системах неинвазивной дыхательной диагностики. Однако такие датчики имеют также и недостатки, главным из которых является наличие перекрёстной чувствительности. Это означает, что датчик чувствителен не только к
газу, на который рассчитан, но также и к другим, хотя и меньшей чувствительностью. Явление перекрёстной чувствительности на примере датчика TGS826 фирмы Figaro про-иллюстровано на рисунке 1. Здесь RS — сопротивление датчика при воздействии газа; R0 — сопротивление датчика в чистом воздухе. Концентрация газа выражена в м.д.
........—-i-- ..........
..........______i....]. ____i__ Air'4-fif
..........."7"""" *' "у ———i—-i—j——------}- .....г
-............[-—P^r .....f- Iso-butani
Hydrogen
...........-f— .j—.L Ammonia
........."f-^t ......!■■ —j-
j | i I ] ! j j j j Им. j Ethanoi
ю 100 юоо
Сопсетга1юп (рргт>)
Рисунок 1. Перекрёстная чувствительность датчика TGS826
Как видно из рисунка 1, датчик чувствителен в том числе и к этанолу. Это означает, что в условиях поликлиники или больницы, где в составе дезинфицирующих веществ зачастую используются спирты, возможно искажение показаний датчика, и как следствие постановка ошибочного диагноза.
Одним из возможных решений проблемы перекрёстной чувствительности является создание многосенсорной системы. Предлагаемая
система объединяет в себе достоинства датчиков полупроводникового типа и устойчивость искусственной нейросети к случайным возмущениям, а также возможность работы в загрязнённой газовой среде.
Структурная схема измерительного канала с применением нескольких датчиков приведена на рисунке 2.
В измерительный канал помимо датчика, чувствительного к аммиаку, устанавливаются датчики, чувствительные к газам, которые также влияют на показания основного датчика (ТС$2620, чувствительный к летучим органическим растворителям; MQ3, чувствительный к алкоголю, бензину, метану). Однако эти вспомогательные датчики обладают большей чувствительностью к примесным газам. При измерении оцениваются показания всех датчиков, и показания основного корректируются с учётом показаний вспомогательных. Работа с датчиками как источниками сигнала о концентрации различных газов осуществляется с помощью искусственной нейросети [3-9].
В таблице 1 приведено распределение весов синапсов датчиков газа в соответствии с их чувствительностью к газам.
Дальнейшее обучение и работа нейросети производятся непосредственно в тех условиях, в которых предполагается проводить исследования. Другими словами, нейросеть постепенно обучается отсекать именно те примесные газы, которые присутствуют в конкретном диагностическом кабинете. Важно учитывать, что при ощутимой смене условий
1 — полупроводниковые датчики: 1а — TGS2444; 1б - TGS2620; 1в — MQ-3; 2 — источник питания нагревательного элемента датчика; 3 — источник опорного напряжения для чувствительного элемента датчика; 4 — многоканальный АЦП Рисунок 2. Измерительный канал с применением нескольких датчиков
Таблица 1. Веса синапсов искусственных нейронов
^~~\Датчик Газ TGS2444 TGS826 MQ-3 MQ307A MQ136 MQ-8 TGS2620 TGS2611 TGS821
мн3 0,04 0,002
NH4 0,032
Этанол 0,012 0,003 0,2 0,41 0,67 0,18 0,19
Н2 0,012 0,0015 0,03 0,77 0,23 0,27 0,57
Н£ 0,01 0,07
Пропан 0,88 0,19
Бутан 0,0012 0,11 0,35
Гексан 0,74
Бензин 0,32
СО 0,52 0,006 0,02 0,15 0,32 0,26
СН4 0,9 0,1 0,24 0,85 0,02
Таблица 2. Соответствие понятий нормализованным величинам
Качественное понятие Нормализованная величина
Очень значительное изменение 1,00
Значительное изменение 0,75
Среднее изменение 0,50
Небольшое изменение 0,25
Незначительное изменение 0
Таблица 3. Соответствие диапазонов изменения концентрации газов нормализованным величинам
~——______^Характеристика Концентрация 0 0,25 0,5 0,75 1
Д С[]МН3], м.д. [0; 100) [100; 500) [500; 1000) [1000; 2000) >2000
Д С[СО2], м.д. [0; 250) [250; 700) [700; 1500) [1500; 3000) >3000
Д С[С2Н5ОН], м.д. [0; 50) [50; 150) [150; 250) [250; 500) >500
Д LPG, м.д. [0; 30) [30; 50) [50; 70) [70; 100) >100
Д RH, % [0; 3) [3; 10) [10; 30) [30; 40) >40
Д °С [0; 2) [2; 5) [5; 7) [7; 10) >10
уже обученная нейросеть может выдавать некорректные данные. Поэтому при значительном изменении рекомендуется заново программировать нейросеть начальными значениями. При этом значения, сформированные нейросетью в процессе обучения, можно считывать из микроконтроллера и затем использовать для программирования устройства, помещаемого в данные условия.
Проведена нормализация входных сигналов нейросети: в соответствие с диапазонами изменения входных величин приведены качественные понятия, описанные в таблице 2.
Экспертная оценка характеристик датчиков приведена в таблице 3.
Функция активации нейронной сети (рисунок 3) задаётся в виде кусочной функции:
0, 5 < О
• Б, 0>Б >1.
1, 5>1
На графике (рисунок 3) по оси абсцисс отложена сумма экспертных оценок характеристик сигнала в соответствии с таблицей 3 (усл. ед.); по оси ординат указана величина выходного сигнала (от 0 % до 100 % от максимального значения). Для проведения измерений выбрана кусочная функция с коэффициентом £ = 1. Нейросеть должна различать дыхание и с помощью скорректированных показаний определять степень инфицирован-
Сумма входных сигналов, уел, ед. Рисунок 3. Функция активации нейросети
ности Helicobacter pylori. Обучающую выборку составляют с учетом возможного состояния газовой смеси. Примесными газами могут быть пары этанола, озон (образуется при кварцевании) и др.
Для каждого датчика производителем предусматривается определённое напряжение питания. При этом, как правило, не указывается требуемая точность напряжения. Между тем, поскольку датчик по сути своей является резистивным делителем, любой дрейф напряжения питания при воздействии газа вызовет отклонение в показаниях датчика, поэтому важно обеспечить точный, насколько это возможно, уровень напряжения питания. Прямое применение источников опорного напряжения в данном случае невозможно, поскольку их максимальный ток обычно не превышает 10 мА. Следовательно, необходим буферный элемент. Схема питания нагревательных элементов датчиков изображена на рисунке 4.
Здесь D1 — источник опорного напряжения с дополнительной подстройкой выхода (потенциометр R5), например, AD586 от Analog Devices; D2 — мощный ОУ, включенный по схеме повторителя напряжения, например, OPA547 от Texas Instruments. Резистор R6 установлен для компенсации входного сопротивления операционного усилителя. Максимальный выходной ток ОУ должен быть не менее требуемого для нормальной работы датчиков. Приведённый в примере OPA547 способен постоянно выдавать ток не менее 500 мА. Также он оснащён
специальными выводами ГЬГМ (для ограничения максимального выходного тока) и Е^ (для включения и отключения выходных каскадов ОУ).
В промышленности полупроводниковые датчики обычно устанавливаются в помещениях, где выбросы газа нежелательны, и могут привести к опасной ситуации. Соответственно, воздушную среду в таких помещениях стараются поддерживать постоянной, и изменение концентрации газа маловероятно. Важно понимать, что в отличие от промышленного применения исследование дыхания пациента требует подготовки датчика газа перед проведением каждого измерения, поскольку для каждого пациента характеристики выдыхаемого воздуха индивидуальны.
Так, например, поток выдыхаемого воздуха нестационарен в отличие от воздуха в помещениях. Для демонстрации влияния такой нестационарности на датчик газа проведём следующий опыт. В нём датчик будет расположен напротив носа по направлению потока выдыхаемого воздуха. Расположение сенсора и полученная осциллограмма показаны на рисунке 5. Как видно из осциллограммы, потоки воздуха вызывают отклонение в показаниях датчика. Также видна общая тенденция к повышению показаний. Следовательно, при разработке медицинской измерительной системы с применением датчика газа следует принять меры для снижения скорости тока газа у поверхности датчика.
Рисунок 4. Источник опорного напряжения для питания нагревательных элементов датчиков
а) б)
а) расположение датчика; б) осциллограмма показаний датчика Рисунок 5. Проведение опыта для выявления воздействия движущихся потоков газа на датчик
Для исследования влияния перекрестной чувствительности было проведено компьютерное моделирование показаний датчиков на базе данных, приведенных в документации на данные датчики (чувствительность к основному и примесным газам, перечень газов, к которым перекрестно чувствителен датчик).
Исходными данными для моделирования являются зависимости показаний датчиков от концентрации газов, к которым он чувствителен. Для возможности построения непрерывной характеристики данные из документации аппроксимированы с применением пакета МаШетайса.
Таблица 4. Аппроксимация уравнений чувствительности
Датчик
Графики выходной величины
Уравнения чувствительности
TGS2444
Шз^О.ОЗО+^-^+У51; Я, х5 х2 х
гго Я, . ... 0,006 0,083 0,298
25 ^ X 3? X
„ Я, „ „„ 10,956 16,256 5,909
Н2: — = 0,361+—Ц---Ч-+-—■
Я, х3 х2 х
TGS2620
СгНрН: ^ = 0,026 +743962,065_24673 712 + 369;607
2 5 Я, х3 х2 х
„ Я, „,,„ 539798,890 19787,738 316,187 Я,: — = 0,173 +-^---^-+-'-;
Я, х х2 х
П 213291,287 6099,734 273,837 ОД„: — = 0,257+
™ ^ а 1338114,890 43223,370 660,672
СО: — = 0,372+-^---;-+-'--;
Д„ х3 х2 х
СН±
К
2949367,204 110843,080 1762,862
+-^---^-+-!-
MQ-135
СЛОН: ^ = 0,030 + В50411.017_ 22715 565 + 4071171
25 -«о х * 1
»г^ „,,„ 26748,770 2747,356 101,123
N0,: — = 0,114+-^---\-+—'-—;
Д, х х2 х
™ а 11114,513 2873,030 50,089 СО: — = 0,225+-^---\-+—-.
-йф XXX
MQ-136
СО- =1 342 I 9064,327 983,918 I 6,827■ ' ' х3 х2 X '
Ж4:^ = 0,603 + 307^175-1М+6^827;
До х3 х2 х
ггс^ „ 37280,702 4838,158 124,048
Я25: = 0,096+-^---1-+—--.
ххх
Создадим матрицу исходных концентраций вышеперечисленных газов. Чтобы исследовать реакцию системы в разных условиях, используем набор значений концентраций газов, сгенерированный случайным образом (таблица 5).
В качестве электрической аналогии датчик можно рассматривать как изменяющуюся проводимость. Если разбить график чувствительности датчика на количество фрагментов, стремящееся к бесконечности, то форма каждого отдельного фрагмента будет приближаться к линейной. Таким образом, в окрестности каждой точки графика чувствительности датчик можно рассматривать как несколько резисторов, включенных параллельно. На рисунке 6, а приведен пример разбиения графика функции чувствительности датчика на малые отрезки, а на рисунке 6, б — эквивалентная электрическая схема дат-
Таблица 5. Исходные концентрации газов
чика на малом отрезке графика, в которой каждый из резисторов отражает чувствительность датчика к одному из газов.
Для каждого газа выходная характеристика датчика выражается в виде где у — выходная характеристика датчика; RS — сопротивление датчика при воздействии газа, Ом; К0 — сопротивление датчика в чистом воздухе, Ом.
Тогда при воздействии на датчик нескольких газов в соответствии с приведенной выше эквивалентной схемой, проведя преобразования, можно записать:
у=—/_т1—/_(1)
7 V + 1 + 1 + 1
Ух Уг /Уз Уа
Составим сводную таблицу выходных характеристик (таблица 6). В графах для газов, к которым данный датчик нечувствителен, укажем 0.
NH3, ppm H2S, ppm C2H5OH, ppm H2, ppm ^kp ppm CO, ppm CH ppm NO2, ppm NH4, ppm
123,955 89,836 45,436 72,556 16,689 53,976 79,740 5,021 36,533
7,000 28,496 118,331 2,215 24,432 91,717 6,125 54,9415 4,906
53,670 134,192 131,915 11,785 70,765 86,604 67,390 23,098 73,523
88,542 128,263 137,053 148,641 122,538 114,594 10,376 101,394 3,599
102,578 67,072 22,411 133,018 124,412 114,086 65,690 142,038 113,555
29,803 92,865 45,912 132,115 5,316 92,641 61,957 101,929 43,815
56,182 35,659 6,461 67,386 16,465 81,618 65,772 113,017 9,446
136,041 84,925 129,972 14,343 28,149 60,895 99,087 143,951 6,797
а
Йг
r1
-сиъ-
[nh3] r2
[нг$]
r3
4ZH-
[с2н50н] r4
Ш
ь
—0
а)
б)
а) деление функции чувствительности датчика на отрезки; б) эквивалентная электрическая схема
чувствительного элемента датчика Рисунок 6. График функции чувствительности датчика и эквивалентная электрическая схема
чувствительного элемента датчика
Таблица 6. Сводная таблица выходных характеристик датчиков
Дагчик"\^ YNH3 YH2S уедш YH2 YC4H10 yCO YCH4 YNO2 YNH4
TGS2444 у**J / TOS2444 УтвЯ2444 чРгЩОН I res2444 УтиЯ2444 0 0 0 0 0
TGS2620 0 0 ^РгЩОН / res2620 7n?S2620 10 /res 2620 yCO / res2620 1/^4 /res2620 0 0
MQ-135 0 0 ЧР2ЩОН IMQ-135 0 0 yCO / MQ-135 0 /MQ-135 0
MQ-136 0 yBjS / Mg-136 0 0 0 yCO /Mg-136 0 0 ^ /Mg-136
102-
Electrical and data processing facilities and systems. № 2, v. 13, 2017
Таблица 7. Результирующие выходные характеристики
NH3, ррт TGS2444 TGS2620 MQ-135 MQ-136
123,955 0,036 0,588 0,173 0,447
7,000 0,033 0,921 0,518 0,361
53,670 0,037 1,366 1,184 0,404
88,542 0,038 0,599 0,334 0,426
102,578 0,093 0,810 0,316 0,345
79,789 0,044 1,026 1,302 0,386
107,123 0,040 1,383 1,336 0,393
63,544 0,034 1,027 0,225 0,585
15,789 0,058 0,826 0,483 0,391
29,803 0,034 0,768 0,195 0,347
56,182 0,034 1,277 1,076 0,530
136,041 0,050 0,831 0,195 0,349
1 --Циклы вычислений нейросети. №
Рисунок 7. Изменение свойств активационной Рисунок 8. График среднеквадратического
функции нейросети отклонения выходного сигнала от ожидаемого
Используя таблицу концентраций газов (таблица 5) и формулу чувствительности датчиков, составим таблицу результирующих выходных характеристик датчиков (таблица 7).
Измеренные показания датчиков переносят в файл редактора Ехсе1, который затем указывают в программе как источник данных для обучения. Кроме показаний датчиков в файле также должны содержаться ожидаемые показания системы, на которые будет ориентироваться нейросеть.
Изменение свойств активационной функции нейросети представлено на рисунке 7. Активационные функции сети отмечены в рабочей области соответствующими значками, а задать параметры этих функций можно в свойствах компонента.
Для наглядного отображения эффективности работы нейросети можно вывести график, показывающий среднеквадратиче-ское отклонение выходного сигнала от ожи-
даемого (рисунок 8). Сравнение полученного результата с желаемым дано на рисунке 9.
Согласно полученным данным, максимальная погрешность при обработке данных с помощью нейросети составит 20 % (для наихудшего случая) при погрешности датчика, связанной с перекрестной чувствительностью, равной 37 %.
Таким образом, применение нескольких датчиков и нейросетевой обработки данных позволяет уменьшить погрешность измерения на 17 %.
Выводы
В данной статье разработана модель чувствительности полупроводниковых датчиков газа, а также предложена методика корректировки показаний этих датчиков с применением нейросетевых технологий, что позволяет снизить погрешности измерения до 17 %.
Предложенный способ позволит производить неинвазивную диагностику бактериаль-
Рисунок 9. Сравнение полученного результата с желаемым
ного заражения, что исключит возможность заражения через медицинский инструмент. Разрабатываемая система может быть выполнена мобильной и использоваться как в амбулаторных условиях, так и на дому. Система может быть оборудована ^В-портом, а также беспроводными интерфейсами, что позволит собирать статистику проводимых исследований с помощью компьютера, в том числе дистанционно.
Предлагаемая система позволяет не только диагностировать возможную причину развития заболеваний желудочно-кишечного тракта, но и снизить стоимость такой диагностики, а также упростить процедуру диаг-
ностирования. Новизна заключается в коррекции показаний основного датчика по показаниям вспомогательных. Данное решение позволяет повысить точность определения концентрации аммиака в условиях воздействия на датчики газовой смеси с неизвестными концентрациями примесных газов. Нейронная сеть может быть обучена для работы в заданных условиях и подстроена под локальную атмосферу.
Рекомендуется применение разрабатываемой системы в лечебно-профилактических учреждениях, а также при амбулаторном наблюдении пациентов.
Список литературы
1. Методы диагностики хеликобактери-оза / Под ред. А.В. Козлова, В.П. Новиковой. СПб.: Диалектика, 2008. 88 с.
2. Корниенко Е.А., Милейко В.Е., Самокиш В.А. и др. Неинвазивные методы диагностики инфекции, вызванной Helicobacter pylori // Педиатрия. 1999. № 1. С. 37-41.
3. Матанцев А.Б., Уразбахтина Ю.О., Ясовеев В.Х. Система неинвазивной диагно-
стики хеликобактериоза // Вестник УГАТУ 2014. Т. 18, № 1 (62). С. 69-73.
4. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. М.: Высшая школа, 2002. 184 с. ISBN 5-06004094-1.
5. Гусев В.Г., Гусев Ю.М. Электроника и микропроцессорная техника. М.: КНОРУС, 2013. 800 с.
6. Сайт компании Figaro [Электронный ресурс]. URL: http://www.figarosensor.com.
7. Матанцев А.Б., Уразбахтина Ю.О., Ясовеев В.Х. Система диагностики хелико-бактерной инфекции // Высокие технологии, фундаментальные и прикладные исследования в физиологии и медицине: 5-я Между-нар. науч.-практ. конф. (Санкт-Петербург, 14-15 нояб. 2013). СПб.: СПбГПУ, 2013. С. 142-143.
8. Турута Е.Ф. Активные SMD-компо-ненты. СПб.: Наука и техника, 2006. 544 с.
9. Матанцев А.Б., Уразбахтина Ю.О., Ясовеев В.Х. Методы повышения точности уреазной дыхательной диагностики Helicobacter pylori // Вестник новых медицинских технологий. Тула: Изд-во ТулГУ, Т. 22, № 3, 2015. С. 86-92. DOI 10.12737 / ISSN 1609-2163.
References
1. Metody diagnostiki helikobakterioza / pod red. A.V. Kozlova, V.P. Novikovoj. SPb.: Dialektika, 2008. 88 s.
2. Kornienko E.A., Milejko V.E., Samokish V.A. i dr. Neinvazivnye metody diagnostiki infekcii, vyzvannoj Helicobacter pylori // Pediatrija. 1999. № 1, S. 37-41.
3. Matancev A.B., Urazbahtina Ju.O., Jasoveev V.H. Sistema neinvazivnoj diagnostiki
helikobakterioza // Vestnik UGATU. 2014. T. 18, № 1 (62). S. 69-73.
4. Terehov V.A., Efimov D.V., Tjukin I.Ju. Nejrosetevye sistemy upravlenija. M.: Vysshaja shkola, 2002. 184 s. ISBN 5-06-004094-1.
5. Gusev V.G., Gusev Ju.M. Jelektronika i mikroprocessornaja tehnika. M.: KNORUS, 2013. 800 s.
6. Sajt kompanii Figaro [Jelektronnyj resurs] URL: http://www.figarosensor.com.
7. Matancev A.B., Urazbahtina Ju.O., Jasoveev V.H. Sistema diagnostiki heliko-bakternoj infekcii // Vysokie tehnologii, funda-mental'nye i prikladnye issledovanija v fiziologii i medicine: 5-ja Mezhdunar. nauch.-prakt. konf. (Sankt-Peterburg, 14-15 nojab. 2013). SPb.: SPbGPU, 2013. S. 142-143.
8. Turuta E.F. Aktivnye SMD-komponenty. SPb.: Nauka i tehnika, 2006. 544 s.
9. Matancev A.B., Urazbahtina Ju.O., Jasoveev V.H. Metody povyshenija tochnosti ureaznoj dyhatel'noj diagnostiki Helicobacter pylori // Vestnik novyh medicinskih tehnologij. Tula: Izd-vo TulGU, 2015. T. 22, № 3. S. 86-92. DOI 10.12737 / ISSN 1609-2163.
