CC BY
61
Статья
хі - перенес бронхит; Х2 - ежегодное заболевание ОРЗ; хз - характеристика воздуха среды обитания; х4 - число сигарет в день; х5 - длительность курения; хб - общее самочувствие.
Ц ссс (Яссс)
1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9
Ц жкт (Джкт)
0,97
1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2
б)
Рис. 1. Функции принадлежностей к классам риск заболеваний ССС (а) и ЖКТ (б)при обучении на специальностях приборостроительного профиля
Риск заболевания бронхитом по результатам врачебных исследований определялся по относительным отклонениям сопротивлений точек Рь Р5, Р9 и Рю, связанных с ситуацией бронхит и при помощи специального опросника. В качестве нагрузочного теста использовался спирометр, с помощью которого оценивалась жизненная емкость легких. При решении вопроса о профпригодности обследуемых для работы электросварщиками и риска возникновения заболеваний экспертами были выделены классы с функциями принадлежности: риск заболевания маловероятен, испытуемый пригоден к выполнению работ электросварщика (цБр (Я£р)); вероятно заболевание бронхитом, надо провести обследование и серию лечебно-оздоровительных мероприятий с контролем состояния здоровья в ходе работ электросварщиком (цБр (Д?р )); высокий риск заболевания бронхитом, уточнить диагноз, и в случае выявления бронхита, в зависимости от характеристик заболевания решить вопрос о профессиональной пригодности (цБр (ЯБр)). Для носителя введенных функций принадлежностей определены веса каждой из частных составляющих коэффициентов уверенности и получено выражение вида: ЯБР = КУП + КУНР + 1,5 КУБ + 2,5 КУБВ + КУ]Р . Графическое представление функций принадлежностей см. на рис. 2.
Экспертная оценка уверенности отнесения обследуемого к классам риска возникновения бронхита у электросварщиков с рекомендациями к оценке их профпригодности достигает 0,95.
ЙБр(КБр)
ІК~ІХ
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 к
Рис. 2. Функция принадлежностей к классам риск заболеваний бронхитом в процессе профессиональной деятельности электросварщиков
Особенностью задачи определения профпригодности кандидатов на должность водителя транспорта органов УВД является то, что она регламентирована ведомственными правилами, которые должны быть учтены при синтезе решающих правил определения профпригодности. Эти правила были учтены путем реализации систем неравенств при расчете коэффициентов обобщенного носителя для функций принадлежностей к классам: годен (цВ (Яв )); условно годен с рекомендациями по развитию профессионально важных качеств (цВ (Яв )); не годен (цВ (Яв )). Выражение для носителей функций принадлежностей имеет вид: Яв=х1 +х2+0,5 хз+х4+х5+хб, х3, если х3 > 5
где Хз " ,,
1(Хз • Хз)/10, если Хз < 5.
х1 - характеристика механической памяти; х2 -а смысловой памяти; Хз - эффективность выполнения методик оценки параметров внимания; х3 - показатель функционального состояния организма; х4 - характеристика переключаемости внимания; х5 -характеристика эмоциональной устойчивости; хб - характеристика концентрированности внимания. Экспертная уверенность в допуске к работе по этой задаче достигает величины 0,98.
Анализ качества работы полученных решающих правил на контрольных выборках показал, что при определении риска
заболевания ССС у студентов приборостроительных специальностей уровень ошибки классификации не превысил 5% (оценка вероятности правильной классификации Рссс=0,95). При определении риска заболевания ЖКТ уровень ошибки классификации <4% (Ржкт=0,96). При определении риска заболеваний бронхитом электросварщиков величина ошибки <7% (Рбр=0,93). Результаты экспертной оценки достаточно близки к результатам, полученным на контрольной выборке. Ошибка расхождения <7%.
Литература
1. Кореневский Н.А. и др. Энергоинформационные основы рефлексологии.- Курск: Курск. гуманит.-техн. ин-т., 2001.- 236 с.
2. Кореневский Н.А. и др.Компьютерные системы ранней диагностики состояния организма методами рефлексологии.-Юж.- Рос. ГТУ (НПИ).- Новочеркасск: Ред. журн. «Изв. вузов. Электромеханика», 2003.- 206 с.
УДК 616.12:681.3
ПРИМЕНЕНИЕ НЕЙРОННОГО МОДЕЛИРОВАНИЯ В ДИАГНОСТИКЕ И ЛЕЧЕНИИ ОСЛОЖНЕНИЙ ИНФАРКТА МИОКАРДА
Частота возникновения осложнений инфаркта миокарда (ИМ) и уровень летальности обусловливает научную и практическую значимость поиска эффективных методов их прогнозирования, диагностики и лечения. Поэтому разработка систем прогнозирования, алгоритмизациии и моделирования исходов трансмурального ИМ на основе нейронного моделирования для формирования схем лечебно-диагностических и профилактических мероприятий явилась целью настоящей работы [1]. Всё это требует проведения быстрого и адекватного анализа разнообразной медицинской информации, решения диагностических и прогно-стически-оптимизационных задач, использования специальных медицинских информационных систем, разработка и внедрение которых является одной из самых актуальных задач [2, 3]. Медицинские информационные системы представляют собой комплекс программ и алгоритмов, подготавливающих и обеспечивающих процесс принятия решений в медицине. Целью создания таких систем является облегчение и упорядочение работы с потоком информации для осуществления управления.
В медицине и биологии имеется большое число задач, в которых нельзя учесть все условия, от которых зависит ответ на поставленную задачу; иногда можно только выделить примерный набор наиболее важных условий. Т.к. часть условий при выдаче ответа не учитывается, ответ часто носит неточный характер, а алгоритм его нахождения не может быть чётко сформулирован. К числу таких задач относится и задача выбора оптимальной тактики программирования и моделирования таких осложнений ИМ, как угроза разрыва сердечной мышцы. Поэтому ведущее место в этом классе методов принадлежит математическим моделям. Их применение перспективно, так как математические методы позволяют интегрировать все факторы, влияющие на возникновение заболевания и его исходы. Одним из сложных вопросов, решаемых врачами, является правильное проведение диагностических, лечебных мероприятий, определение исхода заболеваний.
Для разработки систем принятия решений, связанных с выбором тактики терапевтических мероприятий, надо придать полисистемным симптомам и проявлениям заболевания (неоднородность характеристик больных) более строгий, системный характер. Управление процессом лечения идет в условиях неопределенностей, которые должны сниматься по мере накопления информации в ходе лечения за счет объективных данных и их формализации. Анализ принятия решения является организованным процессом оценки ситуаций, который позволяет идентифицировать ключевые моменты. Высокую точность прогноза дает метод моделирования на базе искусственных нейронных сетей, подходящий для распознавания образов и решения задач классификации, оптимизации и прогнозирования [4].
394026, г. Воронеж, Московский проспект 14, Воронежский ГТУ ** 394020, г. Воронеж, МУЗ ГО ГКБ №9 (СМП)
Ц Ссс
Ц Ссс
Ц ССС
Ц ССС
Ц
10,97
Я
2
Я
В.М. УСКОВ . М.В. УСКОВ
ЦБР
Я
В.М. Усков, М.В. Усков
В основу искусственных нейронных сетей положены черты живых нейронных сетей, позволяющие им хорошо справляться с нерегулярными задачами. В программном комплексе для прогноза исходов острого трансмурального ИМ используется полносвязная многослойная нейронная сеть со следующими характеристиками: число входных параметров - до 100; количество слоев сети - до 5; функция возбуждения нейронов задается формулой;
у =-----^-----; число выходных нейронов - до 20.
1 + ‘ЩХ‘ е)
Обучение нейронной сети происходит по принципу двойственного функционирования с применением метода обратного распространения ошибки (Error back propagation). Программный комплекс прогнозирования включает в себя следующие функциональные подсистемы: подсистему управления; информационную подсистему; подсистему обучения; подсистему прогнозирования; подсистему оптимизации количества нейронов. Функциональная схема структуры комплекса см. на рис. 1. Подсистема управления является одним из элементов программы и выполняет запуск программы; организует интерактивный диалог с пользователем; управляет процессом обучения нейронных сетей; обеспечивает взаимосвязь между всеми элементами комплекса.
где у,гр^ -выходное состояние нейрона ] выходного слоя N нейронной сети при подаче на ее входы р-го образа; й,р - идеальное выходное состояние этого нейрона. Суммирование идет по всем нейронам выходного слоя и обрабатываемым образам.
Шаг 4. Минимизировать данную функцию методом градиентного спуска, что подразумевает подстройку весовых коэффициентов следующим образом: дЕ
Д -ж, = —ц*-----,
дм,,
(4)
где Мц - весовой коэффициент синаптической связи, соединяющей ьый нейрон слоя п-1с ]-ым нейроном слоя П, П - коэффициент скорости обучения (0<п<1), а дЕ - производная сложной
функции, определяемая как:
ds.
дЕ
dWi,
дЕ * ду, * ds,
ду, ds, dw,,
ds,
дwl,
где —— равно выходу нейрона предыдущего слоя
дм,
йу, для сигмоидальной функции равна у, (1 — у,), а
дЕ
, дЕ * dy„
Рис. 1. Функциональная схема структуры комплекса
Подсистема управления осуществляет контроль выполнения прикладных программ и мониторинг всей системы в целом.
Информационная подсистема, отвечающая за обмен данными с базой данных (БД), реализована стандартным набором средств, входящих в поставку БЭБ, что позволяет унифицировать клиентскую сторону приложения в части структуры алгоритмов обмена информацией с БД. Эта подсистема комплекса строится из набора различных объектов базы данных, таких как таблицы, правила целостности, индексы связи для обеспечения быстрого доступа к данным. Информационная подсистема осуществляет логическую связь между подсистемами обучения и прогнозирования и проверяет вводимые данные на наличие ошибок. Подсистема обучения - отдельный модуль, в котором реализован алгоритм обратного распространения ошибки, и состоит из определённой последовательности шагов:
Шаг 1. Задать начальные параметры сети: скорость обучения п, значение ошибки сети е, количество итераций 1 первоначальные значения синаптических весов.
Шаг 2. Подать на входы сети один из возможных обучающих образов и в режиме обычного функционирования нейронной сети рассчитать значения функции активации всех узлов:
1 , (1)
(п) 1
1 + е-
s Г = Е у
("-1> * w<">
(2)
М - число нейронов в слое п-1 с учетом дополнительного входа, соответствующего пороговому значению нейрона, взятому с обратным знаком; у (п-1 = х, (,пП - ьый вход нейрона ] слоя п.
0N
Шаг 3. Вычислить функцию ошибки сети: 2'
Вычислить значение выходного вектора сети У
E(w) = -Х(, - djp)2,
(3)
_= * №<-+1)
ду, к дук ¿Зк ду, к дук '
Здесь суммирование по к выполняется среди нейронов слоя п+1. Таким образом, Д = —г| * ^ * у(п—1, а
й и выражается через дк(п+1> ■>] * ~у-
5<„ =_дЕ * Ф, =
ds,
ду,
более старшего слоя п+1.
Шаг 5. Рассчитать значения д,пП всех слоев нейронной сети, начиная с последнего: для выходного слоя
йу1 ; для скрытых слоев сети
g
g(;
= (уГ} - d,) *
:[Zgk'
ds.
"і • dJr
ds,
Шаг 6. Вычислить изменения весовых коэффициентов для всех слоев нейросети по формуле (4).
Шаг 7. Скорректировать веса в нейронной сети по формуле = мій) (^—1)+(£), где Ї - номер текущей итерации.
Шаг 8. Если функция ошибки сети Еменьше заданной ошибки е, то закончить алгоритм и сформировать сигнал об удачном завершении процесса обучения нейросети. В противном случае - перейти на шаг 1.
Шаг 9. Если ошибка сети существенна, и достигнуто заданное число итераций X то внести изменения в структуру нейронной сети (увеличить количество скрытых слоев). Перейти к шагу 1. Структурная схема процесса обучения нейросети см. на рис.2.
Рис.2. Структурная схема процесса обучения нейронной сети
Структура нейронной сети и коэффициенты, полученные в процессе обучения, сохраняются в информационной подсистеме и используются в дальнейшем для построения прогнозов. Подсистема оптимизации числа нейронов в скрытом слое нейронных сетей реализована в виде набора хранимых процедур сервера базы данных. Алгоритм процедуры контрастирования использует желаемую таблицу истинности информационной подсистемы и состоит из следующих шагов: 1) Вычисляем показатели чувствительности — Хр. 2) Находим минимальный среди показателей
* W
где
,=0
Статья
чувствительности - Хр. 3) Заменяем соответствующий этому
0* **
показателю чувствительности вес Мр на Мр и исключаем его из процедуры обучения.4) Предъявляем сети все примеры обучающего множества. Если сеть не допустила ни ошибки, то переходим ко 2-му шагу процедуры. 5) Пытаемся обучить отконтрасти-рованную сеть. Если сеть обучилась безошибочному решению задачи, то переходим к 1-му шагу процедуры, иначе - переходим к шестому шагу. 6) Восстанавливаем сеть в состояние до последнего выполнения 3-го шага. Если в ходе выполнения шагов со 2^5 был отконтрастирован хотя бы один вес (число подстраиваемых весов изменилось), то переходим к 1-му шагу. Если ни один вес не отконтрастирован, то получена минимальная сеть.
Подсистема прогнозирования осуществляет тесную взаимосвязь с информационной подсистемой и функционирует по следующей схеме: 1. Задать исходные данные о пациенте;
2. Вычислить значения функции активации узлов нейросети 1
У
(п)
— X у( и —1) *М(п)
1 + е 1=0
3. Рассчитать выходное значение вектора сети у^ и достоверность прогноза. По окончании работы подсистема прогнозирования фиксирует полученные значения в таблице базы данных и дает возможность переноса данных в обучающий массив. Диалоговое окно позволяет настроить параметры системы: информационную базу; файл конфигурации сети. Программный комплекс обеспечивает ведение карт больных, регистрирует итоги обследования и отслеживает ход заболевания. Имеется выбор параметров конфигурации нейросети: скорость сходимости итерационного процесса; диапазон нормализации; выбор входных/выходных узлов сети; число нейронов в скрытом слое; смещение порога нейрона в функции активации; величина ошибки сети и т. д. Проверочная таблица уточняет форматы диагностических признаков для корректного ввода в базу.
Апробация программного комплекса для прогнозирования развития острого ИМ на тестовой и контрольной выборках показала, что сеть безошибочно распознавала все примеры обучающего множества (60 примеров), то есть точность прогноза для контрольной выборки составила 99%. При проверке эффективности модели на медицинской информации, которая не использовалась для настройки параметров нейросети, (60 случаев) прогноз составил более 90% совпадений. Реализация предложенных методов и алгоритмов на практике позволяет повысить точность и эффективность диагностики и прогнозирования течения острого ИМ, сократить время выбора лечебных мероприятий.
Построенная нейросетевая модель для прогнозирования развития острого ИМ показала высокий процент соответствия диагнозам больных, полученным по экспертной информации, что позволяет использовать эту модель в клинической практике.
Литература
1. Усков В.М. // Регион. научно-практ. конф. Доказательная медицина (клиническое наблюдение, статистическое обобщение, модели процесса).- Воронеж, 2000.- С. 29-31.
2. Стрыгина С.О. и др. // Известия РАЕН. Серия МММИУ.- 1997.- Т.1, № 1.- С.138-150.
3. Стрыгина С.О. и др. // Известия РАЕН. Серия МММИУ.- 1998.- Т.2, № 3.- С. 136-144.
4. Пасмурное С.М. и др. Нейронные модели в кардиологии.- Воронеж, 2002.- 193 с.
УДК 615.84
СИНТЕЗ ИНФОРМАТИВНЫХ ПРИЗНАКОВ НА ВЕЙВЛЕТ-ПЛОСКОСТИ ФОНЕМЫ И ДЛЯ ДИАГНОСТИКИ ГОЛОСОВЫХ РАССТРОЙСТВ
Для диагностики голосовых расстройств врач-фониатр может использовать частотно-временные преобразования голосового сигнала, наиболее адаптированным из которых является вейвлет-преобразование [4]. Могут быть подобраны тестовые
слова и тестовые фонемы, анализ вейвлет-преобразований которых позволяет определить характер и степень нарушения голоса. Вейвлет-плоскость фонемы «И» представлена двумя формантами, их дислокация определяется полом и возрастом пациента. Степень патологии голоса определяется энергетическими соотношениями: по мере развития заболевания идет «перекачка» энергии из более высокочастотной форманты в низкочастотную. При обострении заболевания высокочастотная форманта может «рассыпаться», и от нее вместо четкой горизонтальной полосы на вейвлет-плоскости остаются хаотические пятна. Абсолютные величины вейвлет-коэффициентов кодируются цветом: от красного - максимум, до синего - минимум (рис. 1, стр. 3 обл.).
Для диагностики нарушений голоса количественно оценим соотношение энергий в 2-х формантах, что реализуется простыми алгоритмами обработки изображений (рис. 1 стр. 3 обл.). Информативные признаки определим по выделенным сегментам (рис. 2 стр. 3 обл.). Сегмент А - это зона обертонов, сегмент В - зона 2-й форманты, С - межформантная зона, сегмент Э - зона 1-й форманты, сегмент Е - низкочастотная область вейвлет-плоскости. На рис. 2 стр. 3 обл. сегмент Е пустой. Но им не надо пренебрегать. На рис. 3 стр. 3 обл. показаны вейвлет-плоскости дифтонгов ИА, на которых из сегмента Е можно найти нужный объем информации (правая часть рис. 3 стр. 3 обл.).
Возможна сегментация вейлет-плоскости вдоль оси времени: выделим три сегмента в этом направлении: сегмент, соответствующий фонеме И, сегмент - переходному периоду, и сегмент - фонеме А (рис. 3 стр. 3 обл.). Итого для дифтонгов можем получить пятнадцать сегментов. Анализ сегментов А показывает, что при патологии голоса снижается энергия обертонов, смещаясь в высокочастотную область. Эти параметры не могут быть достаточны для постановки достоверного диагноза, т.к. в период заболевания они практически совпадают с такими же параметрами здорового. Поэтому критерием патологии считаем показатель регулярности сегмента А, который определяем по максимуму автокорреляционной функции в сегменте, причем последняя может быть определена в одной из строк сегмента, но для снижения погрешностей, связанных с сегментацией, эта строка должна быть дальше от нижней границы сегмента, а для снижения погрешностей сегментации, связанных с частотой дискретизации, -должна быть дальше от верхнего края вейвлет-плоскости.
Автокорреляционная функция строки вейвлет-плоскости:
Ят (а, т) = Т X »(а, Ь,) • »(а, Ь, +т),
(1)
где Т - число отсчетов в фрагменте сигнала голоса. Вид функции (1) см. на рис. 4, и точки её локальных максимумов соответствуют квазипериодам процесса (регулярность).
лет-плоскости
Среди множества значений функционала (1) необходимо найти максимальные. Для синтеза информативного параметра используем 10 самых больших значений (1). Максимальное значение функционал (1) примет при т=0, но это число не является критерием регулярности процесса и может быть использовано в качестве нормирующего коэффициента. Исходя из вышесказанного, можем сформировать первый информативный признак
>1 Я(а е А) ШМ
Х1(а е А) = X---------------- ---,
7=110 • Я(а е А,0)
где Я(а е А) ШМ > Я (а е А) ШМ > Я(а е А)тМ > ••• > Я(а е А) Ша^,
* *305006, г. Курск, ул. Димитрова, 61, МУЗ «Горбольница №1»
305040, г. Курск, ул. 50 лет Октября, 94, ГОУ ВПО «КГТУ»; тел./факс: (4712) 50-48-20; Е-шаП: biomed@kstu2.kursk.ru
Я(а є А)Ш»1 = Шах{я(а є А,т)}, т = 1, Т /2;
Я(а є А)Ш»2 = шах{ {Я(а є А,т)} \ 3(а є А)Ш»1 }, т = 1, Т /2 ;
Я(а є А)Ш-аХ = шах{ {Я(а є А,т)}\ {я(а є А)Ш» и Я (а є А)Ш»2 }}, т = 1, Т/2;
Я(а є А)Ш»10 = Шах{ {Я(а є А,т)} \ {Я(а є А)Ш»Х и ■■■ и Я(а є А)Ш т = 1, Т/2.
, = 0
Н.В. КРАСНОВА*, С.А. ФИЛИСТ**, О.В. ШАТАЛОВА**
