CC BY
58
ИЗВЕСТИЯ
ПЕНЗЕНСКОГО ГОСУДАРСТВЕННОГО ПЕДАГОГИЧЕСКОГО УНИВЕРСИТЕТА имени В. Г. БЕЛИНСКОГО ФИЗИКО-МАТЕМАТИЧЕСКИЕ НАУКИ №26 2011
nrnv
ИМ. В. Г. БЕЛИНСКОГО
IZVESTIA
PENZENSKOGO GOSUDARSTVENNOGO PEDAGOGICHESKOGO UNIVERSITETA IMENI V.G. BELINSKOGO PHYSICAL AND MATHEMATICAL SCIENCES №26 2011
УДК: 616.61-002.2:004.8
ПРИМЕНЕНИЕ НЕЧЕТКОГО ВЫВОДА С ОПТИМИЗАЦИЕЙ В ДИАГНОСТИКЕ ХРОНИЧЕСКОЙ ПОЧЕЧНОЙ НЕДОСТАТОЧНОСТИ
© О.Ю. КУЗНЕЦОВА Пензенский государственный педагогический университет имени В. Г. Белинского
e-mail: [email protected]
Кузнецова О. Ю. — Применение нечеткого вывода с оптимизацией в диагностике хронической почечной недостаточности // Известия ПГПУ им. В. Г. Белинского. 2011. № 26. С. 564—
567. — Рассматривается диагностика синдрома эндогенной интоксикации (СЭИ) больных в терминальной и в ранней стадии хронической почечной недостаточности с помощью нечетких нейронных сетей. Предложена оптимизация весов нечеткой сети, которая позволила в пять раз уменьшить погрешность диагностики.
Ключевые слова: нечеткие нейронные сети, синдром эндогенной интоксикации
Kuznecova O. U. — The diagnostics of chronic rena ¡insufficiency by fuzzy network with Optimization Toolbox // Izv. Penz. gos. pedagog. univ. im.i V. G. Belinskogo. 2011. № 26. P. 564—567. — The chief task of this scientific research is the diagnostics of syndrome of endogenous intoxication by fuzzy network with Optimization Toolbox. Optimization of weights of the fuzzy network which has allowed to reduce diagnostics error five times.
Keywords: fuzzy network, syndrome of endogenous intoxication
Проблема качества жизни больных в терминальной стадии хронической почечной недостаточности приобретает все большую актуальность в последние десятилетия [1—2]. Терминальная стадия хронической почечной недостаточности является заключительной стадией синдрома эндогенной интоксикации.
На этом этапе заболевания только применение методов заместительной почечной терапии - гемодиализа (ГД), перитонеального диализа, трансплантации почки - позволяет сохранить жизнь больному. Все это свидетельствует об актуальности проблемы.
Основной задачей данного исследования является диагностика синдрома эндогенной интоксикации (СЭИ) больных в терминальной и в ранней стадии хронической почечной недостаточности с помощью нечетких нейронных сетей. Это общепатологический синдром с клиническими проявлениями интоксикации при различных патологических состояниях, неоднородных по этиологии и тяжести. При СЭИ в тканях накапливаются биологические продукты, которые являются результатом реагирования на повреждающий фактор [3-4].
Для решения задачи диагностики синдрома эндогенной интоксикации были сформированы две группы наблюдений. Первую группу наблюдений составили 84 истории болезни здоровых доноров отделения переливания крови Пензенской областной клинической больницы им Н. Н. Бурденко, вторую - 84 истории болезни пациентов в терминальной стадией хронической почечной недостаточности. Всего
изучено 168 историй болезни. Были сформированы обучающая и тестовая выборки, каждая из которых содержала данные о 42 донорах и 42 пациентах, страдающих ХПН в терминальной стадии.
По результатам статистического и медицинского исследования данных разными методами на предмет выбора оптимального набора входных анализов были отобраны: мочевина и креатинин.
Данные, необходимые для построения нечеткой нейронной сетей, были подвергнуты предпроцессор-ной обработке. Для каждой переменной были вычислены исходные статистические величины, а именно среднее значение, минимальное и максимальное значения.
Восстановление пропусков проводилось с помощью закона эмпирического распределения.
Эксперименты проводились на нечеткой нейронной сети с использованием алгоритма нечеткого вывода Сугено [5]. Основная особенность данного алгоритма состоит в том, что заключения правил задаются не нечеткими термами, а линейной функцией от входов. Были определены термы-множества для входных и выходных переменных. В качестве терм-множества первой лингвистической переменной “Мочевина” использовали множество Т_={“низкий уровень”, “средний уровень”, “высокий уровень”}, в качестве терм-множества второй лингвистической переменной “Креатинин” использовали множество Т2={“низкий уровень”, “средний уровень”, “высокий уровень}. В качестве терм-множества выходной лингвистической переменной “Состояние больного” использовали множество Тз={“болен”, “здоров”}.
Для входных переменных использовалась треугольная функция принадлежности. Эта функция используется для задания таких свойств множеств, которые характеризуют неопределенность типа: “приблизительно равно”, “среднее значение”, “расположен в интервале”. Диапазон значений лингвистической переменной “Мочевина” находится в интервале [2.5 149.8]. Данный интервал был получен при исследовании выборки состоящей из данных о больных в терминальной и в ранней стадии хронической почечной недостаточности (ХПН) и на основе медицинских данных [6-9]. Значения лингвистической переменной “Креатинин” находятся в интервале [50.08 2650], интервал был назначен в соответствии с данными утвержденные Министерством здравоохранения и социального развития РФ [6-9].
Для моделирования укрупненных влияющих факторов использовались экспертные нечеткие базы знаний типа Сугено, приведенные в таблице 2. Элементы антецедентов нечетких правил связаны логическими операциями И, ИЛИ.
Таблица 2 - Нечеткая база знаний для моделирования состояния больного (логическая операция И, ИЛИ)
№ Х1 Х2 У
1 Высокое Высокое Болен
2 Низкое Низкое Болен
3 Среднее Среднее Здоров
4 Высокое Низкое Болен
5 Низкое Высокое Болен
6 Среднее Высокое Болен
7 Высокое Среднее Болен
8 Среднее Низкое Болен
9 Низкое Среднее Болен
10 Высокое Высокое Болен
11 Низкое Низкое Болен
В Matlab Fuzzy Logic Toolbox настройка нечетких моделей типа Сугено осуществлялась функцией anfis [10]. Эта функция автоматически настраивает все параметры модели, поэтому после обучения иногда получаются непрозрачные нечеткие модели.
Для сохранения прозрачности нечеткой модели после обучения настраивали только веса нечетких правил, оставив координаты максимумов функций принадлежностей равными границам изменения интервалов возможных значений входных переменных. Обычно в качестве критерия оптимальности выступает значение ошибки аппроксимации, вычисляемое как разница между желаемым значением выходного сигнала и значением, полученным в результате нечеткого вывода на заключительном этапе, а также в качестве критерия выступают консеквенты правил и коэффициенты концентрации функций принадлежности входных [11]. Так как показатели крови общего и биохимического анализов подстраивать нельзя, что приведет к неверному диагнозу, известные алгоритмы оптимизации должны быть применены к весам правил. Значения весов правил ограничим диапазоном [0, 1], так как вероятность может принимать
значения только из этого интервала. Перед оптимизацией определяли количество термов лингвистической переменной (множество допустимых значений лингвистической переменной), количество правил в базе знаний. Настраивали веса правил, они задаются случайным образом в соответствии с законом равномерного распределения. Полученные веса присваиваются нечетким правилам. В дальнейшем обучение проходит на настроенной сети.
Для учета выше описанных ограничений разработали сценарий настройки (net.m) нечеткой модели, используя функции оптимизации Optimization Toolbox [12]. Следующим шагом является настройка параметров оптимизации:
1. Минимальное изменение в переменных для конечно-разностных градиентов - 0, 000001, Градиент состоит из частных производных от целевой функции в точке;
2. Максимальное изменение в переменных для конечно-разностных градиентов - 0,1;
3. Максимально число допустимых итераций - 55.
4. Максимально число допустимых расчетов функции - 150.
Использовалась функция fmincon. Данная функция находит минимум для скалярной функции нескольких переменных с ограничениями начиная с начального приближения. В общем случае, эта задача относится к нелинейной оптимизации с ограничениями [11].
Эксперименты на нечетких нейронных сетях показали, что на сети с 2-х элементным входом ошибка составляет 1,7% на выборке, состоящей из историй больных с хронической почечной недостаточностью в терминальной стадии. Из них 0,7 % ошибка первого рода.
Нечеткая нейронная сеть на данных о больных в ранней стадии хронической почечной недостаточности до оптимизации дает ошибку 19,03%, после оптимизации 3,8%, из них 1,8 % ошибка первого рода. Предложенная оптимизация весов нечеткой сети позволила в пять раз уменьшить погрешность диагностики.
СПИСОК ЛИТЕРАТУРЫ:
1. Gudex CM. Health-related quality of life in endstage renal failure. Qual Life Res. 1995.
2. Niu S. F., Li I. C. Quality of life of patients having renal replacement therapy. J. Adv. Nurs., 2005. P. 15-21.
3. Малахова М. Я. Метод регистрации эндогенной интоксикации. СПб.: Изд-во СПб МАПО, 1995. 34 с.
4. Капустин Б. Б. Способы определения степени эндогенной интоксикации у больных абдоминальным сепсисом // Труды международного конгресса “Новые технологии в хирургии”. Ростов на Дону, 2005. С. 47.
5. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком, 2004. 452 с.
6. Цыганенко А. Я., Жуков В. И., Мясоедов В. В., Завгородний И. В. Клиническая биохимия. М.: “Триада-Х”, 2002.
7. Клиническая оценка лабораторных тестов / Под редакцией Н. У. Тица. М.: “Медицина”, 1986.
8. Камышников В. С. Карманный справочник врача по лабораторной диагностике. М.: МЕДпресс-информ, 2007.
9. Маршалл Дж. Клиническая биохимия. Москва, Санкт-Петербург, “Бином”, “Невский Диалект”, 2000.
10. Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВПетербург, 2005. 736 с.
11. Штовба С. Д. Введение в теорию нечетких множеств и нечеткую логику. [Электронный ресурс]. Режим доступа: http://matlab.exponenta.ru/fuzzylogic/book1.
12. Трифонов А. Г. Optimization Toolbox 2.2 Руководство пользователя. [Электронный ресурс]. Режим доступа: - http://matlab.exponenta.ru/optimiz/book_1.
