CC BY
30
SMS-сообщения на три мобильных номера, заранее занесенные во внутреннюю память.
Центральный модуль питается напряжением +12 В, при токе потребления не более 2 А. Блок питания построен по принципу бесперебойного, что позволяет сохранять напряжение питания устройства от встроенной аккумуляторной батареи при отсутствии напряжения питания сети.
Так же предусмотрена возможность контроля прибором напряжения питания сети и напряжения аккумуляторной батареи, при этом при пропадании и появлении напряжения сети на центральный модуль отсылаются соответствующие SMS-сообщения. При понижении напряжения питания резервного ис-
точника (аккумулятора) ниже уровня (8-9В) отсылается сообщение, после чего прибор переходит в «спящий» режим, выход из которого возможен только при возобновлении питания (сетевого или аккумуляторного).
В заключении следует отметить, что при дальнейшем усовершенствование предлагаемой системы возможно оснащение ее дополнительно акселерометром, что даст возможность распознавать резкие движения, которые могут свидетельствовать о падении человека по той или иной причине. Дополнительно возможна организация передачи оповещений через интернет на удаленный сервер, так как используемый GSM модем поддерживает пакетную передачу данных GPRS.
ЛИТЕРАТУРА
http://www.infmedserv.ru/stati/kakoy-puls-schitaetsya-normalnym-norma-pulsa-po-vozrastam https://geektimes.ru/company/icover/blog/252 054/ https://geektimes.ru/company/darta systems/blog/2 4 6856/ http://www.rlocman.ru/shem/schematics.html?di=144220
Князьков А.В., Кулапин В.И. Маньков А.М. Измерительные преобразователи параметров датчиков на базе программируемых аналоговых интегральных схем (ПАИС) //Молодежь Наука. Инновации: труды 5-й Международной научно-практической интернет-конференции. - Пенза: Изд-во Пензенского филиала ФГБОУ ВПО РГУИТП, 2012- С. 313 - 317
6. http://www.cypress.com/file/138 656/download
http://ww1.microchip.com/downloads/en/DeviceDoc/21733j.pdf https://www.kingbrightusa.com/images/catalog/spec/AM2 7SGC0 9.pdf http://www.avagotech.com/docs/AV02-116 9EN http://www.ti.com/lit/ds/swrs061i/swrs061i.pdf
Чайковский В.М., Князьков А.В., Кожичкин Е.Ю. Удаленная система ния//Надежность и качество - 2014: труды Международного симпозиума: -
2 014.Т2, С. 105-107
12. http://abc-rc.pl/templates/images/files/995/1455184431-neoway-m590-hardware-design-manual-v1.pdf
7.
8.
9.
10. 11.
мобильного управле-Пенза: Изд-во ПГУ,
УДК 004.891.3
Астафьев А.Н., Четвериков С.Ф,
ФГБОУ ВПО «Липецкий государственный технический университет», Липецк, Россия
ПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ С НАПРАВЛЕННОЙ АКТИВАЦИЕЙ НЕЙРОННЫХ ЭЛЕМЕНТОВ ДЛЯ ОЦЕНКИ ЭФФЕКТИВНОСТИ ЛЕЧЕНИЯ ГЕПАТИТА
Рассмотрено применение экспертной системы для оценки эффективности лечения пациентов с заболеванием гепатит. В качестве математического аппарата экспертной системы была выбрана нейронная сеть с направленной активацией нейронных элементов, так как её применение позволяет минимизировать архитектуру сети и повысить точность обучения. Эффективность переложенного метода для оценки лечения гепатита доказывается сравнением оценок системы и оценок врача-эксперта, проводившего лечение, средний коэффициент корреляции между оценками врача и системы составляет 0,8. В процессе исследования было задействовано 7 препаратов, данные 35 пациентов, у каждого из которых учитывались 20 значений биологических анализов и факторов.
Ключевые слова:
экспертные системы, системы поддержки принятия решения, рекуррентный-итерационный алгоритм, нейронная сеть, эффективность лечения.
Анализ эффективности применяемых лекарственных препаратов является для медицины фундаментальной задачей, так как с каждым годом число фармацевтических наименований возрастает, а их эффективность при лечении меньше, даже по сравнению с более дешёвыми аналогами. Острой проблемой для современной медицины является заболевание гепатит, которое во многих районах носит эпидемический характер. Наличие у данного заболевания различных этиологических форм затрудняет его диагностику и лечение, стоит отметить, что сама терапия гепатита финансово затратная и оказывает большую токсическую нагрузку на организм. Именно поэтому оценка эффективности лекарственных препаратов и лечения носит на сегодняшний день актуальный характер.
При анализе закономерностей диагностических данных пациента, которые характеризуются многофакторной информацией, применение статистических методов очень затруднительно, так как у каждого пациента необходимо учитывать показания более 20 факторов. Применение прямых методов для решения подобных задач требует существенных затрат времени, знаний и иных ресурсов. Перспективным направлением является именно использование интеллектуальных математических алгоритмов для диагностики в медицине [1] и биометрии [2].
Наиболее распространённым методом является применение нейронных сетей, но обычные нейронные сети однослойной архитектуры не подходят для решения выбранной задачи. Так как они имеют низкую
эффективность, которая обусловлена сложностью данной задачи. Выбираемые спонтанно архитектуры многослойных нейронных сетей во многих случаях носят нерациональный характер, возможны даже случаи, когда дополнительные слои несут в себе искажение информации, что в медицинской диагностике является крайне неприемлемым. Наиболее эффектными являются сети с самонастраивающейся архитектурой, примером которых может служить сеть с направленной активацией нейронных элементов.
Нейронные сети с направленной активацией содержат несколько слоев нейронов в скрытом слое, увеличение числа которых происходит по мере обучения с «учителем». После обучения сеть содержит наименьшее и необходимое количество узлов для решения данной задачи, то есть усложнение происходит исходя из необходимости. Данный подход позволяет уменьшить ошибку на выходе и сберечь ресурсы ЭВМ. Объединение нейронов полученной сети имеет вид каскада (рис. 1). Все последующие подключаются к предыдущим, на выход сети подаются сигналы, как крайних добавленных слоёв, так и входные сигналы [3].
Данный подход заключает в себе несравненные достоинства, по сравнению с обычными нейронными сетями: архитектура формируется исходя из задачи исследования; высокая скорость обучения из-за уменьшения числа элементов в сети и применения прямонаправленной топологии.
Рисунок 1 - Архитектура сети с направленной активацией нейронных элементов
Скрытые слои в сети формируются после обучения, и далее они не изменяются, а подстройка весов выходного слоя уточняется при обучении. В процессе формирования дополнительного нейронного слоя алгоритм пытается максимизировать корреляцию между нейроном кандидатом и невязкой выходного слоя, формируя его набор весов.
Для обучения сети в стандартном режиме применяется алгоритм прямого распространения ошибки:
Первоначальная архитектура содержит в себе только входной и выходной слой, архитектура характерна для сетей с прямым распространением ошибки (рис. 2):
Рисунок 2 - Топология прямонаправленной однослойной нейронной сети
В процессе обучения ошибка выхода минимизируется. Входной вектор X=[xo,Xl,.... XN] содержит компоненту xo=1, которая формирует первоначальный сигнал.
уменьшаться, данный параметр вычисляется по формуле:
N
у-X , 1=1
Р 1 м 9 ЛY = Е 2е (е;)2 к=12;=1 ;
где yji - выходной сигнал J-го нейрона; wji - вес связи между ]-м нейроном и 1-й компонентой входного вектора информационного множества; N - размерность входного вектора обучения.
Для определения весовых коэффициентов исходя из минимизации ошибки выходного нейрона Дyj используется вычисление схожее с мерой Хемминга
Ду
;=у;",
(2)
где dj- желаемый сигнал обучения.
При превышении величины погрешности Дyj выполняется корректировка весовых коэффициентов ]-го нейрона по формуле:
™;1(1+1^;1(1)+ Дw;1(1) , (3)
где t - номер предыдущего цикла; (t + 1) - номер текущего цикла; Дwji(t) - коррекция весового коэффициента:
=к • Х1 • Ду; ,
где ej = Лyj; P - размерность выборки обучения; M - количество нейронов выходного слоя.
3. В случае, когда ДY зацикливается не превышая порог обучения, то происходит добавление дополнительных нейронов в сеть. Весовые коэффициенты добавленых нейронов носят случайный характер.
Алгоритм обучения можно представить в виде следующих этапов:
Вычисляется корреляция между выходным сигналом нейрона-кандидата и и невязкой ]-ого нейрона выходного слоя для ^го вектора обучающего множества по формуле:
м Р _ _ К= Е| Е (ик -и)(е;к -е;)1, (6) ;=1 к=1
где Uk - это выходной сигнал нейрона кандидата для ^ого вектора обучения; ejk - невязка ]-го
нейрона для ^го вектора обучения; V и в - средние значения соответственно и и e, рассчитанные по всему множеству обучающих выборок.
Максимизация K методом градиентного спуска,
где k - коэффициент, учитывающий динамику корректировки весов.
Обучение осуществляется до тех пор, пока минимизация суммы квадратов ошибок ДY не перестает
т.е. определением производной
Ж
относительно
весовых коэффициентов wi нейрона-кандидата, по формулам:
м
5к=Д°j(ejk" jk ,
где aj - знак корреляции между нейроном-кандида-
»
том и ^-нейроном выходного слоя; - произ-
водная активационной функции нейрона-кандидата, относительно взвешенной суммы его выходных сигналов:
Р
1г=Xs k •Iik
k=1
где Iik - сигнал, получаемый от 1-го возбуждающего входного сигнала сети или выходного сигнала дополнительного нейрона.
В качестве входных параметров для сети были выбраны значения 20 биологических анализов и факторов (таб. 1), которые используются для диагностики состояния при гепатите.
Выход системы варьировался по пятибалльной шкале, где 1 - характеризует комплекс значений факторов характерных для здорового человека, 2 - состояние больного удовлетворительно, 3 - состояние больного средней тяжести, 4 - среднетя-желое состояние, 5 - состояние характерное для тяжелобольного человека.
Исходные факторы
Таблица 1.
Номер фактора Наименование фактора Группа Диапазон изменения
1 Пол Физиологические данные Муж. / Жен.
2 Возраст Физиологические данные 1-70 лет
3 Лейкоциты Клетки крови (1-15)х109/л
4 Эритроциты Клетки крови (2-10)х1012/л
5 Гемоглобин Клетки крови 80-270 г/л
6 Тромбоциты Клетки крови (50-800)х109/л
7 АутоАТ Иммунная система да/нет
8 NK-клетки Иммунная система 40-750 мкл-1
9 В-клетки Иммунная система 80-700 мкл-1
10 CD4 + Иммунная система 200-1500 мкл-1
11 CD8 + Иммунная система 150-1050 мкл-1
12 ПЦР ПЦР + /-
13 Количество копий ПЦР 1-100000 копий
14 Билирубин общий Показатели печени 0-10 0 мкмоль/л
15 Билирубин прямой Показатели печени 0-3 0 мкмоль/л
16 Тимоловая проба Показатели печени 0-30 единиц
17 АЛАТ Показатели печени 0-1000 ЕД/л
18 Коллаген 4 Другие 0-300 единиц
19 ТТГ Другие да/нет
20 ЦИК Другие 0-220 мкг/мл
Основной проблемой в медицинских экспертных системах такого рода является объем обучающей выборки, содержание в которой примеров затрудняет обучение. При применении рассматриваемой архитектуры обучающую выборку удалось сократить до 18 примеров [5]. Созданная система прошла клиническую апробацию, с её помощью было прове-
дено исследование эффективности группы препаратов для лечения гепатита С (рис. 4), у каждого препарата учитывались средние значения тяжести 5 пациентов. Коэффициент корреляции системы с оценкой врача составляет 0,8, что позволяет говорить о достаточной математической апробации данного метода.
Рисунок 4
Гистограмма сравнения состояния пациентов: 1
через 6 месяцев
начало приёма препарата, 2
состояние
ЛИТЕРАТУРА
1. Кавыгин, В.В. Навыковая информационно-измерительная система оценки состояния объектов [Текст] / В.В. Кавыгин, С.В. Полозов, А.Н. Астафьев, М.С. Бессонов // Вести высших учебных заведений Черноземья. Научно-технический и производственный журнал. №4(18) Липецк: ЛГТУ, 2009-116с.
2. Ахметов, Б.Б. Быстрый алгоритм оценки высокоразмерной энтропии биометрических образов на малых выборках [Текст] / Ахметов Б.Б., Иванов А.И., Малыгин А.Ю., Безяев А.В., Газин А.И. // Труды международного симпозиума надежность и качество, Том: 2, Пенза: Пензенский государственный университет, 2015, С. 285-287.
3. Рутковская Д., Нейронные сети, генетические алгоритмы и нечеткие системы [Текст] / Рутковская Д., Пилинский М., Рутковский Л. // Издательство М.: Горячая линия - Телеком , 2004, 452 с.
4. Газин, А.И Оценка ошибки вычисления плотности распределения значений меры Хэмминга для кодов звуков одиночных букв небольшого текста [Текст] / Газин А.И, Чирков О.И., Никитченко Ю.И., Зюзин Ю.М., Ерофеев В.В., Труды международного симпозиума надежность и качество, Том 1, Пенза: Пензенский государственный университет, 2012, С. 129.
5. Астафьев, А.Н., Экспертная система оценки состояния тяжести пациента для мониторинга эффективности лечения [Текст] / Астафьев А.Н. // Высшая школа: журнал, № 2, Уфа: Инфинити, 2016, 82-84 с.
