CC BY
22
УДК 004.032.26
ВАРИАНТ ПОСТРОЕНИЯ СИСТЕМЫ КОЛЛЕКТИВНОГО
ЧЕЛОВЕКО-МАШИННОГО ИНТЕЛЛЕКТА
ДЛЯ ОБРАБОТКИ БОЛЬШИХ ДАННЫХ В МЕДИЦИНЕ
Л.В. Хливненко1, Ф.А. Пятакович2
1ФГБОУ ВО «Воронежский государственный технический университет» Воронеж, Россия
2ФГАОУ ВО «Белгородский государственный национальный исследовательский университет» Белгород, Россия
Аннотация. В статье описан вариант построения системы диагностики ряда оценочных состояний ритма сердца по паттернам кардиоинтервалов. Отличительной особенностью системы является многоуровневая подсистема управления. Искусственные нейронные сети в системе играют роль посредников в процессе извлечения знаний из больших данных, аккумулируя опыт эксперта в процессе обучения. Логика взаимодействий эксперта, врача-диагноста, пациента и искусственных нейронных сетей базируется на использовании принципов координационного управления в конфликтах. Подсистема координации включает подсистемы обучения, классификации и самоорганизации. В системе поддерживается баланс между апробацией её работающих текущих версий и динамикой развития в перспективе.
Ключевые слова: трансляционная медицина, искусственные нейронные сети, координационное управление, вариабельность сердечного ритма.
Введение. В мобильном мире компьютерных технологий всё более востребованными становятся трансляционные исследования. Ключевым направлением развития трансляционной медицины является использование сетевых взаимодействий и методов извлечения знаний из больших массивов экспериментальных данных [1].
В настоящее время с помощью методов системного анализа разрабатываются информационные системы, в состав которых входят базы данных и ядрами которых являются интеллектуальные базы знаний. Один из подходов к извлечению, представлению и использованию знаний базируется на искусственных нейронных сетях (ИНС), отличительной чертой которых является компьютерное моделирование процессов, присущих биологическим системам.
Цель исследования состоит в разработке многоуровневой управленческой структуры для орга-
низации взаимодействий между экспертами, врачами-диагностами, пациентами и конгломератом ИНС на примере автоматизации процесса диагностики ряда оценочных состояний ритма сердца по паттернам кардиоинтервалов.
Материалы и методы. Изучение вариабельности сердечного ритма (ВСР) является системной проблемой по целому ряду признаков. Далеко неполная классификация состояний ритма приведена на рис. 1.
Статистические методы анализа ВСР используются для исследования общей вариабельности. Частотный анализ для исследования периодических составляющих. Автокорреляционный анализ и методы нелинейной динамики для исследования переходных процессов и внутренней организации [2]. При аритмиях используют оценки корреляционных ритмограмм, называемых также авто-регрессионными облаками (АРО).
—--
Журнал включен в Перечень рецензируемых научных изданий ВАК
—--—
Рис. 1. Фрагмент схемы оценочных состояний ритма сердца человека
Рис. 2. Структурная схема системы диагностики ряда состояний ритма, построенная согласно принципу координационного управления в конфликтах при взаимодействиях эксперта, врача-диагноста, пациента и конгломерата ИНС
Компромиссным решением, поддерживающим баланс между проявленными и скрытыми сторонами проблемы изучения ВСР, является использование ИНС, обучающихся на экспериментальных данных, предварительно расклассифицированных экспертом, а также самой сетью в процессе самоорганизации.
Для решения задачи классификации АРО при ФП была использована однослойная сеть прямого распространения с нелинейными нейронами. Весовые коэффициенты при обучении сети модифицируются с учетом ошибок по классам с целью ми-
нимизации суммарной ошибки по всей обучающей выборке [3]. Для решения задачи автоматической кластеризации АРО при ФП была использована самообучающаяся ИНС [4].
Результаты и их обсуждение. Разработана многоуровневая структура управления процессом диагностики ряда оценочных состояний ритма сердца по паттернам интервалов Я-Я, схема, которой приведена на рис. 2.
Подсистема координации распадается на три подсистемы — обучения, классификации и самоорганизации, каждая из которых управляет своим
Журнал включен в Перечень рецензируемых научных изданий ВАК
~ 142 ~
Хливненко Л.В., Пятакович ФА. Вариант построения системы коллективного человеко-машинного...
—--—
подпроцессом — модификации, классификации и кластеризации.
Подсистема обучения отвечает за организацию взаимодействий между ИНС и экспертом, выполняющим классификацию паттернов кардио-интервалов из обучающей выборки. Схема подсистемы обучения приведена на рис. 3.
Приоритет в управлении отдан эксперту, выступающему в роли «учителя» для сети. В подсистему координации по завершению процесса обу-
чения поступает информация о примерах, для которых мнения эксперта и сети различаются. Такие примеры требуют дополнительного анализа.
Подсистема классификации отвечает за организацию взаимодействий между обученной экспертом ИНС, решающей задачу классификации в автоматическом режиме, и врачом, проводящим аналогичную диагностику. Схема подсистемы классификации приведена на рис.4.
Рис. 3. Структурная схема подсистемы обучения
БЖ-интервалы
АРО
Врач Визуальная АРО е К]
9 диагностика
Обученная Решающие АРО £ К,
система правила
Согласованное [,.. принятие ,> решений
............т.....................
Рис. 4. Структурная схема подсистемы классификации
В случае длительного рассогласования мнений ИНС и врача, подсистема координации добавляет все спорные новые случаи в обучающую выборку, подключает эксперта и повторно запускает процесс обучения ИНС. Горизонтальные связи между экспертом и врачом-диагностом, опосредованные через ИНС, позволяют выявлять врачебные ошибки и обращать внимание эксперта на пограничные случаи в диагностике.
В случае повторяющегося рассогласования мнений эксперта и врача подсистема координации инициирует решение задачи кластеризации накопленной информации в базе данных без эксперта на основе самообучения ИНС через подсистему са-
моорганизации. Результаты автоматической кластеризации сравниваются с результатами экспертной классификации. АРО, попавшие не в свою группу, являются пограничными случаями и внутренне тяготеют к нескольким классам одновременно.
Компромиссным решением в случае нарастания хаоса в подсистеме управления является модификация самой системы. Возможны следующие направления корректировки: в сторону детализации и уточнения диагностических уровней, в сторону изменения архитектурных решений при моделировании ИНС, в сторону интегрирования системы с другими внешними системами. В этом случае система приобретает новые качества и переходит на иной уровень своего развития.
—--—
Журнал включен в Перечень рецензируемых научных изданий ВАК
Выводы
1. Разработана многоуровневая структура управления взаимодействиями эксперта, врача-диагноста, пациента и ИНС при диагностике ряда оценочных состояний сердечного ритма, отличающаяся использованием принципов координационного управления в конфликтах.
2. Сформированы модели искусственных нейронных сетей, которые играют роль посредников в процессе извлечения знаний из больших данных. Отличительными особенностями алгоритмов ИНС в рамках многоуровневой структуры управления являются способы решения медицинских задач: модификации, классификации и кластеризации.
3. Разработанные информационные технологии использования ИНС могут быть реализованы для масштабирования исследований в трансляционной медицине, поскольку позволят поддерживать баланс между апробацией текущих версий автоматизированных диагностических систем и динамикой их развития в перспективных вариантах.
ЛИТЕРАТУРА
1. Трансляционная медицина: понятие и тенденции развития. URL: http://sntr-rf.ru/materials/translyatsionnaya-meditsina-ponyatie-i-tendentsii-razvitiya (дата обращения: 22.04.2016).
2. Баевский Р.М., Иванов Г.Г., Чирейкин Л.В. и др. Анализ вариабельности сердечного ритма при использовании различных электрокардиографических систем // Вестник аритмологии. 2001. № 24. С. 65—87.
3. Нейросетевая классификация рассеянных диаграмм у больных с фибрилляцией предсердий / Л.В. Хливненко, В.В. Васильев, Ф.А. Пятакович, О.В. Мевша // Системный анализ и управление в биомедицинских системах. 2016. Т. 15. №.1. С. 92—99.
4. Хливненко Л.В., Пятакович Ф.А. Поиск атипичных типов авторегрессионных облаков межпульсовых интервалов с помощью самоорганизующейся искусственной нейронной сети // Современные наукоемкие технологии. 2016. № 5(2). С. 296—300.
VARIANT OF CONSTRUCTING THE SYSTEM OF COLLECTIVE HUMAN-MACHINE INTELLECT FOR PROCESSING BIG DATA IN MEDICINE
L.V. Khlivnenko1, F.A. Pyatakovich2
1 Voronezh State Technical University, Voronezh, Russia 2Belgorod National Research University, Belgorod, Russia
Annotation. The article describes a variant of creating diagnostics system of a row of the evaluative states of heart rhythm by utilizing the patterns of interpulse intervals. A distinctive feature of the system is a multi-level control subsystem. Artificial neural networks are already playing the role of mediators in the process of extracting knowledge from big data, accumulating the experience of an expert in the learning process. The logic of interactions between expert, doctor-diagnostician, patient and artificial neural network is based on the use of a coordination control principles in conflict. A subsystem of coordination includes a subsystem of training, classification and self-organization. In the system is supported balance between the approbation of its operating current versions and dynamics of development in the long term.
Key words: translational medicine, artificial neural networks, coordination control, heart rate variability.
REFERENCES
1. Translational medicine: concept and development trends. Available at: http://sntr-rf.ru/materials/ translyatsionnaya-meditsina-ponyatie-i-tendentsii-razvitiya (Accessed 24th December 2015) (in Russian)
2. Baevskii R.M., Ivanov G.G., Chireikin L.V., etc. Analysis of variability heart rhythm by using different elec-trocardiographic systems. Zhurnal nauchnykh statei «Vestnik aritmologii», 2001, no. 24, pp. 65—87 (in Russian).
3. Khlivnenko L.V., Vasiliev V.V., Pyatakovich F.A., etc. Neural network classification of scattered diagrams on patients with atrial fibrillation. Zhurnal nauchnykh statei «Sistemnyi analiz i upravlenie v biomedicinskikh sistemakh», 2016, vol. 15, no. 1, pp. 92—99 (in Russian).
4. Khlivnenko L.V., Pyatakovich F.A. Searching of atypical kinds of auto-regressive clouds of interpulse intervals with the help of a self-organizing artificial neural network. Zhurnal nauchnykh statei «Sovremennye naukoemkie tekhnologii», 2016, no. 5(2), pp. 296—300 (in Russian).
—--
Журнал включен в Перечень рецензируемых научных изданий ВАК
