CC BY
63
5. Loehv M. Teoriya veroyatnosti [Theory of probability], Moscow. IL, 1962, 720 p.
6. Habibi A. Dvumernaya bajesovskaya ocenka izobrazhenij [A two-dimensional Bayesian estimation of images], TIIEHR [TIIEHR], 1972. Vol. 60, No. 7, pp. 153-159.
7. Dikshit S. S. A Recursive Kalman Window Approach to Image Restoration, IEEE Trans., 1984, Vol. 32, Jan., pp. 125-139.
8. Franke B., Plante J.-F., Roscher R., Lee E.-S. A., Smyth C., Hatefi A., Chen F., Gil E., Schwing A., Selvitel-la A., Hoffman M., Grosse R., Hendricks D., Reid N. Statistical Inference, Learning and Models in Big Data, International Statistical Review, 2016, Vol. 84, No. 3, pp. 371-389.
9. Sojfer V. A., Sergeevi V. V. dr. Metody komp'yuternoj obrabotki izobrazhenij [Methods of computer image processing], Moscow: Publ. Fizmatlit. 2003. 784 p.
10. Klyachin A. A. Matematicheskaya model' vosstanovleniya povrezhdennogo rastrovogo izobrazheniya [Mathematical model of damaged raster image restoration], Vestnik Volgogr. gos. un-ta [Bulletin of Volgograd state University], Ser. 1, Mat. Fiz. 2016. No. 1 (32), pp. 48-56.
11. Sergeev V. V., Yuz'kiv V. V. Parametricheskaya model' avtokorrelyacionnoj funkcii kosmicheskih gipers-pektral'nyh izobrazhenij [Parametric model of autocorrelation function of space hyperspectral images], Komp'yuter-nayaoptika [Computer optics], 2016. Vol. 40, No. 3. pp. 416-421.
12. Gradshtejn I. S., Ryzhik I. M. Tablicy integralov, ryadov i proizvedenij [Tables of integrals, series and products], In A. Dzheffri, D. Cvillingera (eds.). 7 izd. Saint-Petersburg: BHV-Peterburg, 2011. 1232 p.
13. Bagutdinov R. A., Zaharova A. A. The task adaptation method for determining the optical flow problem of interactive objects recognition in real time, Journal of Physics: Conference Series. 2017. Vol. 803. No. 1. pp. 012014.
14. Vasil'ev K. K. Optimal'naya obrabotka signalov v diskretnom vremeni [Optimal signal processing in discrete time], Moscow: Radiotekhnika, 2016. 288 p.
15. Dementev V. E., Vasiljev K. K., Andriyanov N. A. Doubly stochastic models of images, Pattern Recognition and Image Analysis, January 2015, No. 25 (1), pp. 105-110.
16. Dementev V. E., Vasiljev K. K., Andriyanov N. A. Application of mixed models for solving the problems on restoring and estimating image parameters, Pattern Recognition and Image Analysis (Advances in Mathematical Theory and Applications). 2016. Vol. 26. No. 1. pp. 240.
17. Vasiliev K. K., Dementiev V. E., Andriyanov N. A. Filtration and restoration of satellite images using doubly stochastic random fields, CEUR Workshop Proceedings, 2017, Vol. 1814, pp. 10-20.
18. Vasil'ev K. K. Dement'ev V. E. Predstavlenie I obrabotka sputnikovyh mnogozonal'nyh izobrazhenij [Presentation and processing of satellite multispectral images], Ul'yanovsk, 2017, 247 p.
Submitted 30.07.2018, revised 24.08.2018.
About the authors: Vitaly E. Dementiev, Ph. D. (Engineering), associate professor
Address: Ulyanovsk State Technical University 432027 Russia, Ulyanovsk, Severny Venetz Str. 32 E-mail: dve@ulntc.ru Spin-код: 2149-0984
Author have read and approved the final manuscript. 05.13.00
УДК 004.93:612.12
РАЗРАБОТКА МОДУЛЯ МЕДИЦИНСКОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ ДИАГНОСТИКИ ЛЕГОЧНЫХ ЗАБОЛЕВАНИЙ
© 2018
Людмила Анатольевна Коробова, кандидат технических наук, доцент кафедры «Высшая математика и информационные технологии» Воронежский государственный университет инженерных технологий, Воронеж (Россия) Ирина Александровна Матыцина, ассистент кафедры «Высшая математика и информационные технологии» Воронежский государственный университет инженерных технологий, Воронеж (Россия)
Аннотация
Введение: медицинские информационные системы (МИС) являются базой для мониторинга здоровья человека. Они выполняют такие задачи, как накопление данных, диагностика и консультация, а также обеспечение процесса медицинского обслуживания. Для улучшения качества оказания медицинских услуг актуальным является разработка информационных систем (ИС), осуществляющих диагностику, оказывающих поддержку принятия решения лечащим врачам и учитывающих особенности течения заболеваний. При этом важным условием является получение врачом объективной информации о состоянии пациента в процессе лечения. Поэтому разработка информационных систем для диагностики легочных заболеваний является актуальной задачей.
Материалы и методы: в ходе работы рассмотрены требования к разработке модуля МИС и СУБД, на которых они основаны.
Результаты: рассмотрен и проанализирован «маршрут» пациента при диагностике легочных заболеваний. В результате анализа выявлено, что процесс получения объективной информации связан с применением для диагностики специализированных процедур и обследованиями, которые имеют ограничения по частоте использования. Для решения проблемы было решено внедрить модуль неинвазивного мониторинга пациентов с легочными заболеваниями, который не наносит вреда здоровью обследуемого. В основе разработанного модуля лежит программный продукт, позволяющий распознавать в записи кашель и шум. В алгоритм работы модуля заложены описанные в работе критерии и правила вывода. Каждый критерий основан на математических методах, таких как корреляционный анализ, быстрое преобразование Фурье, спектральный анализ и др.
Обсуждение: проанализировав каждый критерий по отдельности с различными параметрами. Выявлено, что применение критериев по отдельности не дает высокого процента распознавания. Следовательно, был разработан комплекс критериев, посредством которого процент распознавания кашлевых отрезков достиг 92,3 %. В результате проведенных исследований разработан модуль МИС для диагностики легочных заболеваний. Заключение: в результате работы информационная система дает поддержку лечащему врачу при принятии решения. Врач получает объективные данные о состоянии пациента за сутки.
Ключевые слова: информационная система, легочные заболевания, медицинские информационные системы, мониторинг процесса лечения, неинвазивная диагностика, нечетка логика, правила ввода, распознавание звуковых сигналов, сравнительный анализ.
Для цитирования: Коробова Л. А., Матыцина И. А. Разработка модуля медицинской информационной системы для диагностики легочных заболеваний // Вестник НГИЭИ. 2018. № 10 (89). С. 13-28.
DEVELOPMENT OF A MEDICAL INFORMATION SYSTEM MODULE FOR DIAGNOSTIC PULMONARY DISEASES
© 2018
Lyudmila Anatolevna Korobova, Ph. D. (Engineering) Associate Professor of the chair of Higher Mathematics and Information Technologies
Voronezh State University of Engineering Technologies, Voronezh (Russia) Irina Aleksandrovna Matytsina, assistant of the chair of Higher Mathematics and Information Technologies
Voronezh State University of Engineering Technologies Voronezh (Russia)
Abstract
Introduction: medical information systems (IIAs) are the basis for monitoring human health. They perform tasks such as data accumulation, diagnostics and counseling, as well as ensuring the process of medical care. To improve the quality of medical services, the development of information systems (IS), which carry out diagnostics, support decision-making to physicians and take into account the specifics of the course of diseases, is urgent. In this case, it is an important condition for the physician to obtain objective information about the patient's condition during the treatment process. Therefore, the development of information systems for the diagnosis of lung diseases is an urgent task. Materials and methods: in the course of the work, the requirements for the development of the MIS module and the DBMS on which they are based are considered.
Results: the «route» of the patient in the diagnosis of pulmonary diseases was reviewed and analyzed. As a result of the analysis, it was revealed that the process of obtaining objective information is associated with the use of specia-
lized procedures for diagnostics and examinations that have limitations on the frequency of use. To solve the problem, it was decided to introduce a non-invasive monitoring module for patients with lung diseases, which does not harm the health of the patient. The basis of the developed module is a software product that allows to recognize cough and noise in the recordings. The algorithm of the module includes the criteria and inference rules described in the paper. Each criterion is based on mathematical methods, such as correlation analysis, fast Fourier pre-education, spectral analysis, etc.
Discussion: after analyzing each criterion separately with different parameters. It is revealed that the application of the criteria separately does not give a high percentage of recognition. Consequently, a set of criteria was developed, according to which the percentage of recognition of cough segments reached 92.3 %. As a result of the research, an IIA module for the diagnosis of pulmonary diseases has been developed.
Conclusion: as a result of this work, the information system provides support to the attending physician when making a decision. The doctor receives objective data on the patient's condition per day.
Key words: information system, lung disease, medical information systems, monitoring of the treatment process, noninvasive diagnostics, fuzzy logic, input rules, recognition of sound signals, comparative analysis.
For citation: Korobova L. A., Matytsina I. A. Development of a medical information system module for diagnostic pulmonary diseases // Bulletin NGIEI. 2018. № 10 (89). P. 13-28.
Введение
В настоящее время широкое развитие получили автоматизация и информатизация различных процессов и областей исследования. В медицине большое внимание уделяется лечению легочных заболеваний, так как легочные заболевания входят в десятку ведущих причин смертности.
По данным Всемирной организации здравоохранения [1] на рисунках 1-4 представлены результаты исследования по 10 ведущим причинам смерти в мире на 100 000 жителей с указанием причин смерти. Данные приведены по критериям: страны с низким уровнем дохода, со средненизким, средневысоким и высоким уровнем дохода. Проанализировав диаграммы, следует отметить, что в
странах с низким уровнем дохода легочные заболевания (туберкулез) стоит на шестом месте и из 100 000 человек умирает 34 (рис. 1). В странах со средненизким уровнем дохода - респираторные заболевания стоят на третьем месте, и смертность составляет - порядка 51 человека, а хроническая об-структивная болезнь легких) (ХОБЛ) - на четвертом месте, смертность около 46 человек (рис. 2). В странах со средневысоким доходом ХОБЛ стоит на третьем месте (49 человек), рак легких, трахеи и бронхов - на четвертом (32 человека) (рис. 3). В странах с высоким доходом рак легких, трахеи и бронхов стоит на 4 месте и смертность от него составляет 52 человека, а ХОБЛ стоит на пятом месте - смертность 45 человек (рис. 4).
Респиоэтарн
Ишемн песка
Количество смертельных случаев на 100000 жителей / The number of deathsper 100,000 inhabitants
Цирроз печени
Количество смертельных случаев на 100000 жителей / The number of deathsper 100,000 inhabitants
Рис. 1. 10 ведущих причин смерти в странах с низким уровнем дохода (2015 г.) Fig. 1. 10 leading causes of death in low-income countries (2015)
Рис. 2. 10 ведущих причин смерти в странах со средне-низким уровнем дохода (2015 г.) Fig. 2. 10 leading causes of death in low-income countries (2015)
Рис. 3. 10 ведущих причин смерти в странах со средне-высоким уровнем дохода (2015 г.)
Fig. 3. Top 10 causes of death in countries with a median-high income (2015)
Одним из симптомов легочных заболеваний является кашель, он присущ практически всем легочным заболеваниям. Он же является одной из постоянных причин обращения к врачу и, следовательно, характеристики кашля играют важную роль для оценки тяжести заболевания, диагностики и лечения пациента. По данным Европейского респираторного общества [1], кашель является пятой по частоте причиной обращения амбулаторных больных к врачу. А среди симптомов, предопределенных патологией дыхательной системы, занимает первое место. Кашель выполняет важную роль в защите легких от инородных тел, он нередко отражает состояние органов дыхания.
Распознавание звуковых сигналов стоит на одной ступени по сложности с распознаванием речи. Для распознавания речи существует огромное множество математических методов, таких как дискретное преобразование Фурье, распознавание с помощью фонем и аллофонов и так далее. Распознавание речи происходит путем начального разложения слитной речи человека на слоги - аллофоны, а потом деление слогов на морфемы и затем происходит сравнение с эталонным звуком различными методами [10].
Для распознавания звукового сигнала кашля необходимо знать этимологию кашля, т. е. его фазы. Различают три основные фазы: первая - соответствует быстрому открыванию голосовой щели; вторая -соответствует выходу воздуха из легких (более продолжительная); третья - соответствует закрытию голосовой щели в конце воспроизведения кашля (эта фаза может отсутствовать). По данным таблицы «Сравнительная характеристика частотно-временных параметров звуков кашля у здоровых людей и боль-
Рис. 4. 10 ведущих причин смерти в странах с высоким уровнем дохода (2015 г.)
Fig. 4. Top 10 causes of death in high-income countries (2015)
ных БА» в [5], особый интерес вызывает вторая фаза кашля. Она самая продолжительная и информативная для распознавания звуков кашля.
В ходе проведения диагностических мероприятий определяется характер кашля. Существует несколько субъективных критериев оценки тяжести кашля, в соответствии с которыми подбирается схема эффективного лечения. Для диагностики кашля применяют такие методы, как визуальная аналоговая шкала, дневники кашля, измерение чувствительности кашлевого рефлекса. Эти же методы используются как потенциальные инструменты для оценки тяжести диагностики заболеваний.
Один из подходов к диагностике кашля был разработан и апробирован в 1989 году в России. Это единственная подобная разработка - «Туссограф ИКТ1». Данный аппарат осуществляет запись пациента в течение 6 часов в стационарном режиме (пациент должен находиться около прибора, никуда не отходя). Более поздние разработки [5; 6; 7] основаны на мониторинге звуковой записи и выделении кашлевых фрагментов. Точность таких систем достаточно высока, однако, как правило, существуют и определенные ограничения для их использования. Так, например, из материалов [4] следует, что высокий результат, представляемый авторами в статье, получен не из всей 24-часовой записи пациента, а из 6 выборочных часовых отрезков. Эта разработка является автоматизированной системой, неотъемлемое требование к которой - постоянное присутствие оператора. Все проанализированные разработки находятся в стадии опытных образцов.
Несмотря на то, что и речь, и кашель принадлежат человеку, математические методы, применяемые для распознавания речи, нельзя использо-
вать для распознавания звука, т. к. информативные части обоих сигналов отличаются.
Для диагностики легочных заболеваний применяют большое количество методов обследования. Все они оказывают в той или иной степени негативное воздействие на здоровье человека. Отсюда следует, что разработка неинвазивной системы диагностики легочных заболеваний для поддержки принятия решения лечащему врачу в постановке диагноза и составлении схемы лечения пациента является актуальной. Это должна быть информационная система, в которой отсутствуют субъективные критерии и полностью исключено участие операторов. Система также должна обеспечивать высокую точность определения кашля.
Целью работы является разработка модуля информационной системы, позволяющей диагностировать легочные заболевания и давать поддержку лечащему врачу при принятии решения.
При разработке такой информационной системы необходимо решить следующие задачи:
- рассмотреть существующие медицинские информационные системы (МИС) и рассмотреть, какие СУБД лежат в их основе;
- рассмотреть «маршрут» пациента при диагностике легочных заболеваний;
- разработать комплекс математических методов, которые позволят распознавать в записи звуковые отрезки кашля;
- подобрать параметры к каждому математическому методу, позволяющие распознавать отрезки кашля с высокой точностью;
- учесть возможность обработки длительных звуковых записей пациента (24 часа);
- выдавать рекомендации при поддержке принятия решения лечащему врачу.
Материалы и методы
Первоначально рассмотрим существующие МИС и СУБД, на которых они работают. В настоящее время в медицину внедряется все больше информационных технологий. МИС, применяемые в медицинских учреждениях, представлены в таблице 1.
Проведен анализ процесса разработки МИС с точки зрения выбора системы управления базами данных (СУБД). Важно то, что с использованием СУБД на архитектуре «Клиент-сервер» построено 71 % всех известных МИС и этот процент продолжает увеличиваться [10].
Таблица 1. Существующие МИС и СУБД, лежащие в их основе Table 1. Existing IIAs and DBMS, under lying them
№ п/п Название системы / System name Разработчик / Developer Город / City
1 2 3 4
1 e-Hospital
2 MedTrak
3 Medwork
4 «Авиценна» / «Avicenna»
5 «Амулет» / «Amulet»
6 «Артемида» / «Artemis» «Гиппократ» / «Hippocrates»
7
8 ДОКА+/DOCA+
9 «Интерин» / «Interin»
10 «Интрамед» / «Intramed» «Кондопога» / «Kondopoga» 12 «МедИС-Т» / «MedIS -T»
11
«Курс» / «Course»
СПАРМ (официальный представитель компании-разработчика) / SPARM (official representative of the company-developer) MasterLabs
«Фирма КОСТА» / «Firm COSTA» «ЦентрИнвестСофт» / «CentrelnvestSoft»
«Конус-Медик» / «Cone-Medic»
«Ультрамед-1» / «Ultramed-1»
Фонд развития и оказания специализированной медицинской помощи «Медсанчасть-168» / Foundation for Development and Special Medical Care «MedsanCast-168» Институт программных систем (ИПС) РАН / Institute of Software Systems (IPS) RAS «Медкор-2000» / «Medcor-2000»
« Кондопога» / «Kondopoga»
HI III «Дейманд» / NPP «Deymand» 17
Нижний Новгород / Nizhny Novgorod
Санкт-Петербург / St. Petersburg
Москва / Moscow Санкт-Петербург / St. Petersburg
Москва / Moscow
Курск / Kursk
Москва / Moscow
Новосибирск/ Novosibirsk
Переславль-Залесский
Москва / Moscow Кондопога/ Kondopoga Таганрог / Taganrog
Окончание таблицы 1 / End of table 1
1 2 3 4
13
«Медиалог» / «Mediologist»
15 «Пациент» / «A patient»
16 «Тонлайн» / «Tonline»
17 «Торинс» / «Torins»
18 «Фобос» / «Phobos»
19 ФИРС АРМ / FIRS ARM
20 «Эверест» / «Everest»
«ПостМодернТекнолоджи» / «Post Modern Technologies»
14 «МедОфис» / «MedOfis» SIAMS
«Медотрейд» / «Medotrade» «Тонлайн» / «Tonline»
«Торинс» / Torins
«Фирма ФОБОС» / «Firm FOBOS» Новоусманская центральная районная больница Воронежской области / Novoussman Central Regional Hospital of the Voronezh Region Научно-промышленная компания «АИТ-холдинг» / Scientific and industrial company «AIT-holding»
Москва / Moscow
Екатеринбург / Ekaterinburg Москва / Moscow Москва / Moscow Красноярск/ Krasnoyarsk Москва / Moscow
Новая Усмань / New Usman
Москва / Moscow
На данный момент можно выделить три основных подхода в разработке МИС и выборе СУБД:
- на базе реляционной СУБД (применяется в «Амулет», «Медкор-2000», «Medwork», «Дока+» и т. д.);
- на базе постреляционной или объектно-ориентированной СУБД (в основе МИС - «Гиппократ», «MedTrak», «LabTrak»);
- на базе объектно-реляционного подхода -это наиболее перспективное решение, учитывающее в себе преимущества первых двух решений (применяется в «Интерин», «ИС Кондопога») [9].
При разработке отечественных МИС чаще всего используют следующие СУБД: Oracle; IB MDB 2 и Informix; BorlandInterbaseServer; MSSQLServer; Cache; LotusNotes / Domino; SybaseSQLAnywhere; MySQL и др.
В основном применяют MicrosoftSQLServer, чья доля составляет 62 % (рис. 5).
Рассмотрены основные СУБД и их свойства. Проведен их сравнительный анализ.
При рассмотрении МИС в первой главе выявлены СУБД, положенные в их основу. Результат исследования представлен в таблице 2.
3,04%
■ Microsoft SQL Server
■ Oracle
■ Borland Interbase Server
■ Cache
■ LotusNotes/Domino
■ Прочие
Рис. 5. Соотношение СУБД на архитектуре «Клиент-сервер» в отечественных МИС Fig. 5. The ratio of DBMS on the architecture of «Client Server» in the domestic MIS
Таблица 2. СУБД, используемые в медицинских информационных системах Table 2. DBMS used in medical information systems
№ п/п
Наименование МИС / Name of MIS
Применяемая СУБД / Used DBMS
1
2
3
4
МЕДИАЛОГ / MEDIALIST Ариадна / Ariadne Интерин PROMIS / Interin PROMIS Инфоклиника / Infoclinic
MSSQL-сервер / MSSQL-server СУБД Oracle / Oracle DBMS СУБД Oracle / Oracle DBMS СУБД Firebird / Firebird DBMS
Результаты
Для разработки и внедрения модуля информационной системы диагностики легочных заболеваний, опираясь на полученные выше сведения, рассмотрим «маршрут» пациента при диагностике легочных заболеваний, представленный в виде диаграммы IDF0 (рис. 6).
Рассмотрим процесс диагностики легочных заболеваний. Входной информацией является исходное состояние пациента и его жалобы, управляющей информацией - стандарт лечения и диагностики легочных заболеваний. Для реализации данного процесса необходимы следующие ресурсы: лечащий врач и специализированные обследования: рентгеноскопия, рентгенография, компьютерная томография, бронхография, бронхоскопия, ультразвуковая диагностика легких, легочная вентиляция. В результате выходную информацию получим в виде: постановки диагноза, назначенного лечения и удовлетворительного состояния пациента после лечения.
а
Ъ
* Диагностика
легочных заболеваний / > Diagnosis of lung diseases
S h
1 1
Рис. 6. Контекстная диаграмма IDF0: а - стандарт лечения легочных заболеваний; b - исходное состояние пациента; c - жалобы; d - постановка диагноза; e - назначенное лечение;
f - удовлетворительное состояние пациента; g - лечащий врач; h - специальное оборудование Fig. 6. IDF0 Context Chart: a - standard of treatment
of lung diseases; b - the initial state of the patient; c - complaint; d - diagnosis; e - prescribed treatment; f - satisfactory condition of the patient; g - attending physician; h - special equipment
Данный процесс можно декомпозировать на составляющие A, B, C, D, E (рис. 7).
Входной информацией процесса «Первичное обращение к врачу» является пациент, который дает свое субъективное мнение по поводу своего самочувствия (т. е. жалобы). Управляющей информацией являются стандарты диагностики и лечения легочных заболеваний. Специальным ресурсом данного процесса является лечащий врач, который проводит обследование. В результате - схема лечения, назначение обследования и определяется состояние пациента.
На вход процесса «Проведение диагностических мероприятий» поступает выходная информация первого процесса - назначение обследования, также денежные средства пациента, так как согласно стандарту специализированной медицинской помощи при пневмонии средней степени тяжести от 29 декабря 2012 года № 27046 не все пациенты имеют возможность пройти обследование по существующим методикам бесплатно. К этим методикам относятся рентгеноскопия, флюорография, компьютерная томография, бронхография, бронхоскопия и т. д. Рекомендуемая частота проведения описанных выше процедур варьируется от 1 месяца до года, т. к. одни из них облучают пациента, другие вообще проводятся под общим наркозом. Отсюда следует, что для диагностики пациентов с легочными заболеваниями необходимо разработать такую информационную систему, которая позволит:
- проводить обследование ежедневно, не причиняя вреда пациенту неинвазивно;
- производить запись кашлей пациента в мобильном режиме и в течение длительного периода (24 часа в сутки);
- оказывать поддержку при принятии решения лечащему врачу после предварительной обработки записи.
Также на вход процесса «Проведение диагностических мероприятий» поступает выходная информация из процесса «Повторный прием врача, постановка диагноза», если недостаточно информации после прохождения первичной диагностики. Управляющей информацией в проведении диагностических мероприятий является стандарт диагностики и лечения легочных заболеваний. Необходимые ресурсы для данного процесса - медицинский персонал, специальное медицинское оборудование. На выходе процесса - результат диагностики.
Выходная информация процесса - результат диагностики - является входной в процесс «Повторный прием врача, постановка диагноза» - это объективные данные о состоянии пациента. Управляющей информацией являются стандарты диагностики и лечения легочных заболеваний. Необходимым ресурсом, требуемым для повторного приема врача и постановки диагностики, является лечащий врач. В результате диагностики назначается схема лечения. Если проведенного обследования недостаточно, то необходимо пройти дополнительные диагностические процедуры (переход в процесс -«Проведение диагностических мероприятий»).
Рис. 7. Декомпозиция процесса IDF0: A - первичное обращение к врачу; A1 - исходное состояние пациента; A2 - жалобы; A3 - схема лечения; A4 - назначение обследования; B - проведение диагностических мероприятий; B1 - денежные средства пациента; B2 - результат диагностики; B3 - медицинский персонал; B4 - специальное медицинское оборудование; C - повторный прием врача, постановка диагноза; С1 - схема лечения по результатам диагностики; С2 - повторить обследование; D - выполнение назначений врача; D1 - контрольное обследование; E - диагностика результатов лечения; E1 - удовлетворительное состояние пациента; Е2 - нет
улучшений в лечении; H - стандарты диагностики и лечения легочных заболеваний; G - лечащий врач Fig. 7. Decomposition of the IDF0 process: A - primary treatment to a doctor; A1 - the initial state of the patient; A2 - complaint; A3 - treatment regimen; A4 - purpose of the survey; B - carrying out diagnostic measures;
B1 - patient's funds; B2 - the diagnosis result; B3 - medical personnel; B4 - special medical equipment; C - re-appointment of the doctor, diagnosis; C1 - scheme of treatment according to the results of diagnosis; C2 - repeat survey; D - execution of doctor's appointments; D1 - control tests; E - diagnosis of treatment results; E1 - satisfactory condition of the patient; E2 - no improvement in treatment; H - standards of diagnosis and treatment of lung diseases; G -attending physician
Входная информация процесса «Выполнение назначений врача» - схема лечения по результатам диагностики (выходная информация из процесса «Повторный прием врача, постановка диагноза») или схема лечения (выходная информация из процесса «Первичное обращение к врачу»). Управляющей информацией процесса являются медицинские стандарты диагностики и лечения легочных заболеваний. Ресурсы, необходимые для данного процесса - лечащий врач, он следит за всем процессом лечения пациента. После завершения выполнения назначения лечащего врача следует контрольное обследование (выходная информация процесса).
На вход процесса «Диагностика результатов лечения» поступают данные о контрольном обследовании. Управляющей информацией данного процесса являются медицинские стандарты диагностики и лечения легочных заболеваний, ресурсом является лечащий врач. Выходной информацией процесса является либо удовлетворительное состояние пациента, либо результат, который показывает, что улучшений нет.
Для усовершенствования процесса диагностики и лечения пациентов, имеющих легочные заболевания, добавлен процесс «Не инвазивный мониторинг процесса лечения», в который включена разработанная информационная система (ИС). Структура разработанной ИС представлена в виде схемы на рисунке 9. Тогда декомпозиция контекстной диаграммы IDF0 (рис. 5) примет вид, представленный на рисунке 8.
Добавление процесса «Неинвазивный мониторинг процесса лечения» в диагностику легочных заболеваний облегчает обследование пациента. Следует отметить, что в декомпозиции на рисунке 7 появляется новый модуль, который влечет изменения направления движения потоков данных в общем процессе диагностики.
Данный процесс можно проводить параллельно процессу «Проведение диагностических мероприятий» или исключая его. По итогам выполнения данного процесса с использованием разработанной ИС диагностики легочных заболеваний [8] врач получает объективные показания состоя-
ния пациента по результатам компьютерной диагностики. Такое обследование пациент можно проводить ежедневно, так как оно не оказывает отрицательного влияния на его здоровье (электромагнитное излучение, ионизирующее облучение не проводятся под общим наркозом и т. д.). Проведе-
ние такой диагностики требует использования диктофона для суточной записи пациента. Затем запись загружается в память компьютера и обрабатывается разработанной ИС [2]. Результатом диагностики ИС служат объективные данные о состоянии здоровья человека.
G
Рис. 8. Декомпозиция процесса IDF0 с добавленным блоком: A - первичное обращение к врачу; A1 - исходное состояние пациента; A2 - жалобы; A3 - схема лечения; A4 - назначение обследования; B - проведение диагностических мероприятий; B1 - денежные средства пациента; B2 - результат диагностики; B3 - медицинский персонал; B4 - специальное медицинское оборудование; C - повторный прием врача, постановка диагноза; С1 - схема лечения по результатам диагностики; С2 - повторить обследование; D - выполнение назначений врача; D1 - контрольное обследование; E - диагностика результатов лечения; E1 - удовлетворительное состояние пациента; Е2 - нет улучшений в лечении; H - стандарты диагностики и лечения легочных заболеваний; G - лечащий врач; F - неинвазивный мониторинг процесса лечения; F1 - методы мониторинга; F2 - результат мониторинга; F3 - информационная система Fig. 8. Decomposition of the IDF0 process with the added: A - primary treatment to a doctor; A1 - the initial state of the patient; A2 - complaint; A3 - treatment regimen; A4 - purpose of the survey; B - carrying out diagnostic measures; B1 - patient's funds; B2 - the diagnosis result; B3 - medical personnel; B4 - special medical equipment;
C - re-appointment of the doctor, diagnosis; C1 - scheme of treatment according to the results of diagnosis; C2 - repeat survey; D - execution of doctor's appointments; D1 - control tests; E - diagnosis of treatment results; E1 - satisfactory condition of the patient; E2 - no improvement in treatment; H - standards of diagnosis and treatment of lung diseases; G - attending physician; F-non-Invasive monitoring of the treatment process; F1 - monitoring Methods; F2 - monitoring Result; F3 - Information system
Система позволяет проводить мониторинг суточной записи больных легочными заболеваниями для постановки диагноза и при контроле лечения в автоматическом режиме. Процесс обработки звукового сигнала разбит на четыре блока, выполняющие определенные функции.
В первом блоке происходит предварительная обработка суточной звуковой записи пациента. Запись копируется с диктофона и преобразуется (если необходимо) в требуемый входной формат с необхо-
димыми параметрами, так как запись можно производить в разных звуковых форматах, и это необходимо унифицировать. В качестве унифицированного формата, с которым будут работать блоки информационной системы, был выбран формат wav. Этот формат представляет собой несжатый звуковой сигнал в импульсно-кодовой модуляции и не налагает каких-либо ограничений на используемый алгоритм кодирования. Для корректного отделения кашлей от шумов используется одноканальная запись - моно.
Блок 1
Блок 2
Блок 3
Блок 4
Рис. 9. Схема информационной системы: Блок 1 - получение и нормализация входных сигналов;
1.1 - звуковой файл; 1.2 - декодирование/кодирование в требуемый формат; 1.3 - исходная запись пациента; 1.4 - база данных; Блок 2 - обнаружение и сегментация на интервалы звукового сигнала; 2.1 - фильтрация;
2.2 - временная акустическая база данных; 2.3 - сегментация на интервалы, удаление высоких частот; Блок 3 - анализ и обработка звукового сигнала; 3.1 - математическая обработка данных; 3.2 - база данных эталонов; 3.3 - база данных правил вывода; 3.4 - коэффициент корреляции Пирсона; среднее значение положительных амплитуд; среднее значение отрицательных амплитуд, Быстрое преобразование Фурье; Блок 4 - сравнение и визуализация результатов; 4.1 - вывод результатов; 4.2 - визуализация кашель/шум; 4.3 - вывод значений критериев; 4.4 - редактирование правил ввода Fig. 9. Diagram of the information system: Block 1 - receiving and normalizing the input signals; 1.1 - an Audio file; 1.2 - decoding/encoding in the desired format; 1.3 - the Original record of the patient; 1.4 - database; Block 2 - detection and segmentation into intervals of the audio signal; 2.1 - filtration;
2.2 - temporal acoustic data base; 2.3 - segmentation into intervals, removing high frequencies; Block 3 - analysis and processing of the audio signal; 3.1 - mathematical data processing; 3.2 - a database of standards; 3.3 - database
inference rules; 3.4 - pearson correlation coefficient; the average value of the positive amplitude; average value of negative amplitudes, the Fast Fourier transform; Block 4 - comparison and visualization of results; 4.1 - output; 4.2 - visualization of cough-to-noise ratio; 4.3 - derivation of the criteria values; 4.4 - edit input rules
Во втором блоке для идентификации звуковых сигналов кашля от шумов производится выделение из всей звуковой записи фрагментов записи, длительностью 500 мс, для которых характерно резкое увеличение амплитуды сигнала. Звуковой отрезок, содержащий кашель, представлен на рисунке 10.
Однако на фрагмент записи могут накладываться внешние помехи. Кроме того, как показали экспериментальные исследования, у больного может существенно меняться как длительность кашлевого фрагмента, так и амплитуда. Поэтому на данном этапе проводится предварительная обработка фрагментов записи. В данном блоке производится фильтрация по высоким частотам. Также график разбивается на 2 части: позитивную (положительную), которая находится выше оси абсцисс, и негативную (отрицательную) - ниже оси, строятся огибающие, выполняется быстрое преобразование Фурье.
Рис. 10. Графическое представление звукового отрезка, содержащего кашель
Fig. 10. Graphical representation of the sound segment containing a cough
В третьем блоке осуществляется анализ и распознавание звуковых сигналов. В ходе экспериментальных исследований были предложены критерии для выделения звуковых сигналов кашля, а также рассмотрены и проанализированы различные математические оценки (например, коэффициент корреляции, среднеквадратическое отклонение, дисперсия, Байесовская оценка, интервальная оценка, интегральная оценка и др.) для сравнения текущего фрагмента и эталонного фрагмента кашля.
Предложенный набор различных критериев для выделения фрагментов кашля отражает основные отличия, выявленные при предварительном анализе экспериментальных данных (звуковых записей). Он позволяет отделить требуемые фрагменты от фрагментов шумов с учетом выявленных помех.
Итоговый результат определения обработки мониторинговой записи в информационной системе определяется на основе выводов, полученных при анализе разработанных правил на основе нечеткой логики [8]. Правила могут формироваться на основе одного или нескольких параметров. Например, правила на основе одного параметра может иметь вид:
ЕСЛИ параметр1>= const1, ТО кашель, ИНАЧЕ шум, или
ЕСЛИ параметр1< = const2, ТО кашель,
ИНАЧЕ шум, или ЕСЛИ const1 < = параметр1< = const2, ТО кашель, ИНАЧЕ шум, где параметр1 - один из выше перечисленных критериев, const1, const2 - предельные значения параметров.
Применение правил вывода позволяет использовать различные критерии, как в индивидуальном ключе, так и в сочетании их друг с другом. Вероятность обработки звуковой записи без привлечения дополнительных параметров, как правило, ограничена. В то время как применение математической модели к исходным экспериментальным данным позволяет увидеть подробную детализацию исследования и сравнить взаимное влияние различных параметров правил вывода друг на друга и на распознавание звуковых сигналов в целом. Основное условие эффективности вычислительного эксперимента - адекватность математической модели, используемой при распознавании звуковых сигналов кашля. Результат определялся на основе итогового правила, объединяющего вышеперечисленные критерии. Так, в работе предполагалось, что текущий фрагмент определяется как кашель, если все звуковые отрезки шумов отсеяны.
В блоке 4 (рис. 8) происходит визуализация проведенных расчетов и обработки результатов экспериментальных данных. Кроме этого в блоке 4 приводится статистика записи, предоставляется возможность детально проанализировать исследуемые параметры (время, частоту, амплитуду сигнала), а также просмотреть графики звуковых фрагментов, огибающих и спектрограммы.
Обсуждение
Проведен анализ мониторинговых записей пациентов. После обработки (фильтрации) полученные звуковые записи были преобразованы в одноканальные (моно) формата wav. Для получения эффективного результата распознавания звуковых сигналов кашля был проведен анализ параметров записи с целью определения надежного их выделения при минимальных требованиях к ресурсам. Экспериментально определено, что надежного распознавания можно достичь при использовании модуляции типа adpcm с частотой дискретизации 44,1 кГц и разрядностью квантования 4 бит [4].
Для анализа результатов идентификация по описанным выше критериям проводилась первоначально в двух направлениях:
- % правильно распознанных кашлей от общего количества кашлей;
- % ложных определений кашля из шумов от общего количества шумов.
В таблице 1 приведены результаты экспериментальной обработки звуковой записи пациента с использованием всех перечисленных выше критериев с различными аргументами. Номера вариантов критериев соответствуют последовательности описания самих критериев. Был рассмотрен ряд критериев с различными вариантами исходных данных. Часто изменяющиеся в критериях аргументы выражаются размером границы окна. Оно может быть широким - весь диапазон звукового отрезка или 2/3 его части, узкое - 1/3 и меньше. В таблице 3 представлены варианты, при которых процент правильно определенных кашлевых фрагментов превышает 50 %.
Анализ результатов показывает, что каждый из приведенных критериев в отдельности дает положительный результат и позволяет исключать более половины ложных определений кашля. Если в качестве критерия эффективности использовать критерий максимально правильного определения кашлей и минимально ложных определений при равных весовых коэффициентах, то исследуемые методы можно про ранжировать. Наиболее эффективными являются методы 6, 3б, 4б, 3в, 2, 5а (в по-
рядке убывания эффективности). Методы 4а, 3а, 5б, 5в, 4в, 3г, 1 менее эффективны, однако их также можно использовать для вычислений. Следует так-
же отметить, что каждый из параметров позволяет отсеять часть шумовых фрагментов, которые другие относят к кашлям.
Таблица 3. Результаты экспериментальных исследований по отдельным критериям Table 3. Results of experimental studies on individual criteria
№ п/п
Название критериев / The name of the criteria
в
о т е
f
р
a o
И 5 е ir
ри erti те icr
5 й
рк oi к ita
Л
т
ант l
а al
I и
а
rn
«
е л
1
к
«
е л
й I
tS и на нв ат я о зе S сг1
^ ig о 3
o c f o
п
% р
о
н
л
л и
ir ne
tg -О
o c
га с
a
вб
сЗ О & *
О
iy
ltc ot
e t
rr e
or ht
c t
f m
of mor
а в т о
ае к
o n
«
и н
е л е
е
n if
e
ТЗ
m
e rf
рб с о
о X 3
н
* о
л
f
o
n
/ g
в ni
2 Я 2 tg ^ 3
а °
я о
f o
2
Критерий корреляции положительной части огибающей / Criterion of correlation of the positive part of the envelope Критерий корреляции положительной части огибающей звукового фрагмента с масштабированием / The criterion of correlation of the positive part of the envelope of the sound fragment with scaling Критерий корреляции между огибающими спектра на частоте с максимальной амплитудой сигнала (с узкой границей по времени) / Criterion correlation between the envelopes of the spectrum at the frequency of maximum amplitude of the signal (with a narrow border at the time) Критерий корреляции между огибающими спектра на частоте с максимальной амплитудой сигнала (с широкой границей по времени) / Criterion correlation between the envelopes of the spectrum at the frequency of maximum amplitude of the signal (with a wide border at the time) Критерий корреляции между огибающими спектра на частоте с максимальной амплитудой сигнала (с узкой границей по времени в сдвинутом по частоте окне спектрограммы) / Criterion correlation between the envelopes of the spectrum at the frequency of maximum amplitude of the signal (with a narrow border at the time shifted by the frequency window of the spectrogram) Критерий корреляции между огибающими спектра на частоте с максимальной амплитудой сигнала(с широкой границей по времени в сдвинутом по частоте окне спектрограммы) / Criterion correlation between the envelopes of the spectrum at the frequency of maximum amplitude of the signal(with a wide border at the time shifted by the frequency window of the spectrogram) Среднее значение для характерных фрагментов спектрограммы (с широким окном спектрограммы) / The average value for the characteristic fragments of the spectrogram (with a wide window spectrogram) Среднее значение для характерных фрагментов спектрограммы (с узким окном спектрограммы) / The average value for the characteristic fragments of the spectrogram (with a narrow window spectrogram) Среднее значение для характерных фрагментов спектрограммы (с наименьшим средним) / Average value for characteristic fragments of the spectrogram (with the lowest average)
3а
3б
3в
3г
4а
4б
4в
67
98
67
78
89
67
56
89
94
71
43
36
21
36
43
29
29
57
1
3
4
5
1
1
2
2
3
4
5
6
7
8
9
Окончание таблицы 3 / End of table 3
1 2 3 4 5
Интегральная ошибка между позитивной и негативной огибающими
10 (с минимальным порогом значения ошибки) / Integral error between positive and negative envelope (with minimum error threshold) 5а 67 29
Интегральная ошибка между позитивной и негативной огибающими
11 (с максимальным порогом значения ошибки) / Integral error between positive and negative envelope (with maximum error threshold) 5б 78 43
Интегральная ошибка между позитивной и негативной огибающими
12 (со средним порогом значения ошибки) / The integrated error between the positive and negative envelopes (with the middle threshold error value) 5в 78 43
13 Спектральный анализ на основе метода MUSIC / 6 95 15
Spectral analysis based on the MUSIC method
Таким образом, для процесса 6 «Неинвазив-ный мониторинг процесса лечения» (рис. 7) определим основные потоки данных. Входной информацией процесса являются пациент и его состояние (исходное, промежуточное, конечное - удовлетворительное), управляющим воздействием - математические методы, такие как БПФ, коэффициент корреляции Пирсона, интегральная ошибка, спектральный анализ. Ресурс данного процесса - информационная система диагностики легочных заболеваний. Выходные данные - результат диагностики и помощь лечащему врачу при принятии решения.
Рис. 11. Модуль «Мониторинг процесса лечения»: A - исходное состояние пациента; B - быстрое преобразование Фурье; C - коэффициент корреляции; D - интегральная ошибка; E - спектральный анализ; F - результат диагностики; G - помощь поддержки принятия решения лечащему врачу; H - информационная
система диагностики легочных заболеваний Fig. 11. «Monitoring the treatment process» module:
A - initial state of the patient; B - fast fourier transform; C - correlation coefficient; D - integral error; E - spectral analysis; F - diagnostic result; G - decision support to the attending physician; H - information system for diagnosis of pulmonary diseases
Заключение
В результате работы информационная система дает поддержку лечащему врачу при принятии решения (рис. 10). Врач получает объективные данные о состоянии пациента за сутки.
В основе алгоритма информационной системы лежат правила нечеткой логики с применением математических методов. Они использовались для проведения сравнительного анализа отрезков записи с эталонной записью пациента. Также дано обоснование необходимости применения таких математических методов, как коэффициент корреляции Пирсона, быстрое преобразование Фурье, среднее значение положительной и отрицательной амплитуды, интегральная ошибка, спектральный анализ и т. д. [4]. На основе всех представленных методов разработаны правила вывода. Они представляют собой комплексный критерий, позволяющий распознавать звуковые сигналы кашля пациента с высокой точностью.
После выполнения процесса «Неинвазивный мониторинг процесса лечения», т. е. диагностики при помощи разработанной информационной системы, выходной информацией является результат мониторинга и направляется в процесс - «Повторный прием врача, постановка диагноза».
Благодаря процессу «Неинвазивный мониторинг процесса лечения» лечащий врач и пациент могут в любой момент обследования или непосредственного лечения провести мониторинг и определить эффективность назначенной схемы. Таким образом, появляется возможность проверки правильности назначенной схемы (потоки обратной связи (рис. 7)): если динамика к выздоровлению есть, то схему лечения не меняют. В противном случае врач вносит коррективы в схему лечения.
Резюмируя вышесказанное, можно отметить, что расширенная система диагностики легочных заболеваний с добавленной ИС дает возможность в
любой момент процесса обследования, диагностики и лечения получать объективные данные о состоянии больного, страдающего легочным заболеванием, и корректировать схему лечения.
По результатам анализа процесса диагностики легочных заболеваний и внесения в него изменений
(добавление ИС) получили возможность проведения неинвазивной диагностики легочных заболеваний в любой момент общего процесса обследования пациентов с легочными заболеваниями, т. е. в любой момент лечения можно провести оценку тенденции выздоровления.
СПИСОК ЛИТЕРАТУРЫ
1. Всемирная организация здравоохранения «10 ведущих причин смертности в мире» [Электронный ресурс]. Режим доступа: http://www.who.int/mediacentre/factsheets/fs310/ru/
2. Абрамов Г. В., Медведкова И. Е., Коробова Л. А. Проектирование информационных систем : учебное пособие. Воронеж : ВГУИТ. 2012. 172 с.
3. Артощенко В. А., Безнос О. С. Анализ существующих медицинских информационных систем // Современные наукоемкие технологии. 2007. № 9. С. 54-55.
4. Коробова Л. А., Курченкова Т. В., Матыцина И. А. Программная реализация нечеткой модели распознавания звуковых сигналов // Научные ведомости Белгородского государственного университета. Серия: Математика. Физика. 2016. Т. 43. № 13 (234). С. 174-17S.
5. Birring S. S., Fleming T., Matos S., Raj A. A., Evans D. H., Pavord I. The Leicester Cough Монитор: предварительная проверка автоматизированной системы обнаружения кашля при хроническом кашле // Европейский респираторный журнал. 2008. С. 1013-101S.
6. Murata A., Ohota N., Shibuya A., Ono H., Kudoh S. Неинвазивный автоматический кашель счетная программа // InterMed. 2006. C. 45-51.
?. КрайникМ., Дампс-Констанска I, Горска Л., Яссем Е. Портативный автоматический кашель анализатор // Лицензиат BioMedCentral. 2010. С. 9-1?.
S. Чун-Та Ли, Донг-Ее Ши, Чун-Чэн Ван. Протокол взаимной аутентификации и защиты конфиденциальности с использованием облачных вычислений для медицинских информационных систем телеуправления // Исследовательская статья Компьютерные методы и программы в области биомедицины. 2018. Т. 157. С. 191-203.
9. Болгва Е. В., Зварта Н., Ковальчук С. В., Балахонцева М. А., Мецкер О. Г. Совершенствование электронных медицинских записей с поддержкой взаимодействия человека в медицинских информационных системах // Исследовательская статья. Теория вычислительной техники. 2017. Т. 121. С. 469-474.
10. Тампель И. Б., Карпов А. А. Автоматическое распознавание речи. Учебное пособие. СПб. : Университет ИТМО, 2016. 138 с.
11. Ли У. А., Нейбург Э. П., Мартин Т. Б., Уэлч Дж. Р., Зу В. У., Шварц Р. М., Шуп Дж. Е., Смит А. Р., Самбур М. Р., Хейс-Роз Ф., Гудмэн Г., Редди Р. Методы автоматического распознавания речи: В 2-х книгах. Пер. с англ. / Под ред. У. Ли. М. : Мир, 1983. Кн. 1. 328 с.
12. Ланге Феликс. Нечеткая логика. Издательство Страта, 2018 г. 116 с.
13. Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. М. : Физ-матлит, 2001. 201 с.
14. Zadeh L. A. Fuzzy Sets, Fuzzy Logic and Fuzzy System. World Scientific, 199б. S26 p.
15. Hajek P., Pari J., Shepherdson J. The Liard Paradox and Fuzzy Logic // The Journal of Symbolic Logic. 2000. Vol. 65. № 1. P. 339-346.
16. Kleene S. Introduction to Metamathematics. Ishi Press International, 2009. 550 p.
1?. Corciulo L., Giannotti F., Pedreschi D., Zaniolo C. Expressive Power of Non-Deterministic operators for logic-based languages // Workshop on Deductive Databases and Logic Programming. ICPL. 1994. P. 27-40.
1S. Эфрон Б., Нетрадиционные методы многомерного статистического анализа. М. : Финансы и статистика, 1988. 2бЗ с.
19. Zoubir A. M., Boashash B. The Bootstrap: Signal processing applications // IEEE SP Magazine (Signal Processin). 199S. Vol. 15. P. 56-76.
20. Марпл-мл. С. Л. Цифровой спектральный анализ и его приложения / Пер. с англ. М. : Мир, 1990. 5S4 с.
Дата поступления статьи в редакцию 16.07.2018, принята к публикации 23.08.2018.
Информация об авторах:
Коробова Людмила Анатольевна, доцент кафедр «Высшей математики и информационных технологий» Адрес: Воронежский государственный университет инженерных технологий, 394036, Россия, Воронеж, Проспект Революции, д. 19 E-mail: lyudmila_korobova@mail.ru Spin-код: 1098-6488
Матыцина Ирина Александровна, ассистент кафедр «Высшей математики и информационных технологий» Адрес: Воронежский государственный университет инженерных технологий, 394036, Россия, Воронеж, Проспект Революции, д. 19 E-mail: irina210390@mail.ru Spin-код: 2166-2639
Заявленный вклад:
Коробова Людмила Анатольевна: общее руководство проектом, критический анализ и дополнение текста статьи.
Матыцина Ирина Александровна: сбор и обработка материалов, подготовка первоначального варианта текста, визуализация, представление данных в тексте, сбор данных и доказательство.
Все авторы прочитали и одобрили окончательный вариант рукописи.
REFERENCES
1. Vsemimaya organizaciya zdravooxraneniya «10 vedushhix prichin smertnosti v mire» [World Health Organization «Top 10 causes of death in the world»] [Elektronnyj resurs]. Available at: http://www.who.int/mediacentre/factsheets/fs310/ru/
2. Abramov G. V., Medvedkova I. E., Korobova L. A. Proektirovanie informacionny'x sistem [Designing Information Systems], uchebnoe posobie. Voronezh : VGUIT. 2012. 172 p.
3. Artoshhenko V. A., Beznos O. S. Analiz sushhestvuyushhix medicinskix informacionny'x sistem [Analysis of existing medical information systems], Sovremenny'e naukoemkie texnologii [Modern high technology], 2007. No. 9. pp. 54-55.
4. Korobova L. A., Kurchenkova T. V., Maty'cina I. A. Programmnaya realizaciya nechetkoj modeli raspozna-vaniya zvukovy'x signalov [Software implementation of fuzzy model of sound signals recognition], Nauchnye vedo-mosti Belgorodskogo gosudarstvennogo universiteta. Seriya: Matematika. Fizika [Scientific bulletins of Belgorod State University. Series: Mathematics. Physics], 2016. Vol. 43. No. 13 (234). pp. 174-178.
5. Birring S. S., Fleming T., Matos S., Raj A. A., Evans D. H., Pavord I. The Leicester Cough Monitor: predva-ritel'naya proverka avtomatizirovannoj sistemy' obnaruzheniya kashlya pri xronicheskom kashle [The Leicester Cough Monitor: preliminary validation of an automated cough detection system in chronic cough], Evropejskij respi-ratornyj zhurnal [European respiratory journal], 2008. pp. 1013-1018.
6. Murata A., Ohota N., Shibuya A., Ono H., Kudoh S. Neinvazivnyj avtomaticheskij kashel' schetnaya programma [Non-invasive automatic cough counting program], InterMed. 2006. pp. 45-51.
7. Krajnik M., Damps-Konstanska I, Gorska L., Yassem E. Portativny'j avtomaticheskij kashel' analizator [Portable automatic cough analyzer], Licenziat BioMedCentral. 2010. pp. 9-17.
8. Chun-Ta Li, Dong-Ee Shi, Chun-Chen Van. Protokol vzaimnoj autentifikacii i zashhity' konfidencial'nosti s ispol'zovaniem oblachny'x vy'chislenij dlya medicinskix informacionny'x sistem teleupravleniya [Cloud-assisted mutual authentication and privacy preservation protocol for telecare medical information systems], IssledovateVskaya stat'ya Komp'yuterny'e metody i programmy v oblasti biomediciny' [Research article. Computer Methods and Programs in Biomedicine], 2018. Vol. 157. pp. 191-203.
9. Bolgva E. V., Zvarta N., Koval'chuk S. V., Balaxonceva M. A., Meczker O. G. Sovershenstvovanie e'lektronny'x medicinskix zapisej s podderzhkoj vzaimodejstviya cheloveka v medicinskix informacionny'x sistemax [Improving Electronic Medical Records with Support of Human Computer Interaction in Medical Information Systems], IssledovateFskaya stat'ya. Teoriya vy'chisliteFnoj texniki [Research article. Procedia Computer Science], 2017. Vol. 121. pp. 469-474.
10. Tampel' I. B., Karpov A. A. Avtomaticheskoe raspoznavanie rechi [Automatic speech recognition], Uchebnoe posobie. Saint-Petersburg: Universitet ITMO, 2016. 138 p.
11. Li U. A., Nejburg E'. P., Martin T. B., Ue'lch Dzh. R., Zu V. U., Shvarcz R. M., Shup Dzh. E., Smit A. R., Sambur M. R., Xejs-Roz F., Gudme'n G., Reddi R. Metody' avtomaticheskogo raspoznavaniya rechi [Methods of automatic speech recognition], In 2 publ., In U. Li (ed.), Moscow: Publ. Mir, 1983. Kn. 1. 328 p.
12. Lange Feliks. Nechetkaya logika [Fuzzy logic], Publ. Strata, 2018. 116 p.
13. Kruglov V. V., Dli M. I., Golunov R. Yu. Nechetkaya logika i iskusstvenny'e nejronny'e seti [Fuzzy logic and artificial neural networks], Moscow: Fizmatlit, 2001. 201 p.
14. Zadeh L. A. Fuzzy Sets, Fuzzy Logic and Fuzzy System. World Scientific, 1996. 826 p.
15. Hajek P., Pari J., Shepherdson J. The Liard Paradox and Fuzzy Logic, The Journal of Symbolic Logic. 2000. Vol. 65. No. 1. pp. 339-346.
16. Kleene S. Introduction to Metamathematics. Ishi Press International, 2009. 550 p.
17. Corciulo L., Giannotti F., Pedreschi D., Zaniolo C. Expressive Power of Non-Deterministic operators for logic-based languages, Workshop on Deductive Databases and Logic Programming. ICPL. 1994. pp. 27-40.
18. E'fron B., Netradicionny'e metody' mnogomernogo statisticheskogo analiza [Non-traditional methods of multidimensional statistical analysis], Moscow: Publ. Finansy' i statistika, 1988. 263 p.
19. Zoubir A. M., Boashash B. The Bootstrap: Signal processing applications, IEEE, SP Magazine (Signal Processing 1998. Vol. 15. pp. 56-76.
20. Marpl-ml. S. L. Cifrovoj spektral'ny'j analiz i ego prilozheniya [Digital spectral analysis and its applications], Per. s angl. Moscow: Publ. Mir, 1990. 584 p.
Submitted 16.07.2018, revised 23.08.2018.
About the authors:
Lyudmila A. Korobova, Ph. D. (Engineering), associate professor of the chair «Higher Mathematics and Information Technologies»
Address: Voronezh State University of Engineering Technologies, 394036, Russia, Voronezh, Revolution Avenue, 19 E-mail: lyudmila_korobova@mail.ru Spin-Kog: 1098-6488
Irina A. Matytsina, assistant of the chair of «Higher mathematics and information technologies» Address: Voronezh State University of Engineering Technologies, 394036, Russia, Voronezh, Revolution Avenue, 19 E-mail: irina210390@mail.ru Spin-Kog: 2166-2639
Contribution of the authors: Lyudmila A. Korobova: managed the research project, critical analyzing and editing the text
Irina A. Matytsina: collection and processing of materials, preparation of the initial version of the text, visualization, presentation of the data in the text, collecting data and evidence
All authors have read and approved the final manuscript.
