ХАРКІВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ РАДІОЕЛЕКТРОНІКИ

Чурюмова Ірина Геннадіївна

УДК 615.471:616-071

ДІАГНОСТИКА ПРИМЕЖОВИХ СТАНІВ ОРГАНІЗМУ ЛЮДИНИ МЕТОДАМИ ОБЧИСЛЮВАЛЬНОГО ІНТЕЛЕКТУ

Спеціальність: 05.11.17 – біологічні та медичні

прилади і системи

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня

кандидата технічних наук

Харків – 2007

Дисертацією є рукопис.

Робота виконана в Харківському національному університеті радіоелектроніки Міністерства освіти і науки України.

Науковий керівник:

кандидат технічних наук, професор Мустецов Микола Петрович, Харківський національний університет радіоелектроніки, професор кафедри біомедичних електронних пристроїв та систем.

Офіційні опоненти:

доктор технічних наук, професор Злепко Сергій Макарович, Вінницький національний технічний університет, завідувач кафедри проектування медико-біологічної апаратури;

доктор технічних наук, професор Каргін Анатолій Олексійович, Донецький національний університет, завідувач кафедри комп’ютерних технологій.

Захист відбудеться “ 12 ” лютого 2008р. о 15 годині на засіданні спеціалізованої вченої ради К .052.05 Харківського національного університету радіоелектроніки (ХНУРЕ) за адресою: 61166, м. Харків, проспект Леніна, 14.

З дисертацією можна ознайомитися в науково-технічній бібліотеці Харківського національного університету радіоелектроніки за адресою: 61166, м. Харків, проспект Леніна, 14.

Автореферат розісланий “ 9 ” січня 2008 р.

Вчений секретар спеціалізованої

вченої ради О.Г. Аврунін

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Питання підвищення точності медичної діагностики сьогодні є однією з основних завдань практичної медицини. Офіційної статистики з цього питання не існує, а за неофіційними даними більше половини неправильних діагнозів ставиться через недоврахування клінічних даних, недостатність обстеження, неправильне трактування результатів лабораторних досліджень і помилки під час заповнення медичних карток пацієнтів. Сьогодні у медицині чітко проявляється тенденція об'єднання завдань виміру та зберігання медико-біологічних показників, їхнього аналізу і постановки діагнозу вже на базі систем комплексної діагностики. Такі системи мають за мету підвищити точність та вірогідність вірної постановки діагнозу.

Варто відзначити, що для підвищення точності та вірогідності медичної діагностики перспективною є діагностика захворювань до їхньої клінічної появи шляхом визначення примежових станів організму людини, які згодом можуть призвести до патології. Виявлення примежових станів дає можливість проведення вчасних додаткових обстежень і впровадження різних профілактичних засобів.

Отже, завдання створення методу діагностики, здатного виявити примежові стани організму людини, є актуальним.

Зв'язок роботи з науковими програмами, планами, темами. Робота виконана на кафедрі біомедичних електронних пристроїв та систем Харківського національного університету радіоелектроніки відповідно з планом держбюджетних науково-дослідних робіт з теми “Розробка й впровадження в медичну практику комплексу діагностичних комп'ютерних систем” №0193U039132.

Мета й завдання дослідження. Метою дослідження є розробка методу діагностики примежових станів організму людини.

Для досягнення поставленої мети необхідно вирішити такі завдання:

- аналіз існуючих методів оцінки примежових станів організму людини;

- аналіз методів вибору характеристичних показників, що визначають примежовий стан організму людини;

- обґрунтування вибору способу для скорочення розмірності вхідного простору ознак у випадку дефіциту інформації;

- розробка адаптивного методу нечіткої кластеризації для паралельної й послідовної обробки медичних даних;

- удосконалення методів поділу інформаційних масивів за ступенем інформативності;

- розробка структури діагностичної системи об'єктивного визначення примежового стану організму людини;

- експериментальна апробація запропонованого методу визначення примежових станів організму людини на різних контингентах пацієнтів.

Об'єкт дослідження. Процес виявлення примежових станів організму практично здорових людей.

Предмет дослідження. Обчислювальні методи аналізу медико-біологічних показників, що характеризують примежовий стан пацієнта.

Методи дослідження. Методи нечіткої логіки для моделювання адаптивного алгоритму нечіткої кластеризації даних, теорія штучних нейронних мереж для скорочення розмірності вхідного простору ознак, методи математичної статистики для попередньої обробки результатів вимірювання, методи математичного моделювання для синтезу системи об'єктивної постановки діагнозу.

Наукова новизна отриманих результатів:

- вперше запропоновано адаптивний метод нечіткої кластеризації даних, що є модифікацією відомого алгоритму Бездека та відрізняється від нього тим, що перетворення, здійснюване з масивом медико-біологічних даних, призначено для послідовної обробки інформації, тобто по мірі надходження нових спостережень, що дозволяє скоротити час ухвалення рішення;

- вперше розроблено модель процесу ухвалення рішення на базі нечіткої логіки, що відрізняється тим, що вихідні дані обробляються засобами обчислювального інтелекту в режимі самонавчання, що дозволило виключити вплив експерта-лікаря на процес формування діагнозу;

- удосконалено вид метрики під час кластеризації медико-біологічних даних, що відрізняється тим, що кластери можуть приймати форму не тільки гіперкуль, але й гіпереліпсоїдів, довільно орієнтованих щодо координатних осей, що дозволяє адекватно описати масиви даних.

Практичне значення отриманих результатів полягає в наступному.

1. Розроблене алгоритмічне забезпечення дало можливість отримати поділ об'єктів на однорідні групи, що дозволяє істотно знизити суб'єктивізм лікаря в процесі виявлення примежових станів організму людини (акт про впровадження результатів дисертаційної роботи в Харківському державному медичному університеті).

2. Використання адаптивного методу нечіткої кластеризації було покладено в основу обстеження студентів на предмет закономірностей формування м'язової перенапруги, як одного з основних факторів розвитку примежових гіпертонічних станів. Результати роботи впроваджено у навчальний процес при викладанні та при проведенні лабораторних робіт з дисциплін “Комп'ютерні технології в медицині” і “Біотехнічні системи” (акт про впровадження результатів дисертаційної роботи в Харківському національному університеті радіоелектроніки).

3. Адаптивний метод нечіткої кластеризації був застосований на кафедрі фізіології Харківського державного медичного університету для дослідження психофізіологічного стану студентської молоді в трьох станах: без навантаження, під час фізичного й емоційного навантаження, що має велике значення для аналізу стану здоров'я й адаптаційних можливостей організму людини (акт про впровадження результатів дисертаційної роботи в Харківському державному медичному університеті).

4. Запропонований метод нечіткої кластеризації даних може використовуватися для обробки сигналів. Така можливість реалізується за рахунок створення алгоритму перетворення нерегулярного сигналу в числовий масив.

Особистий внесок здобувача. Всі основні результати дисертаційної роботи отримані автором особисто. У роботі [1], виконаної в співавторстві, здобувачеві належить розробка алгоритму нечіткої кластеризації, здатного послідовно обробляти медичні дані. У роботі [3], виконаної із співавтором, авторові належить зниження розмірності вхідного простору за допомогою методу головних компонентів і кластеризація даних FCM-методом. У роботі [8], виконаної із співавторами, авторові належить постановка завдання й застосування автоасоціативної тришарової нейронної мережі типу “Bottle neck” для скорочення розмірності вхідного простору. У роботі [10], виконаної із співавтором, автором запропоновано процедуру настроювання кореляційної матриці пам'яті нечіткої BSB-нейромоделі. У роботі [11], виконаної із співавторами, автором запропоновано використання штучної нейронної мережі зустрічного поширення для обробки медичних даних.

Апробація результатів дисертації. Результати досліджень, які включені в дисертацію, доповідалися на 9-му, 10-му й 11-му Міжнародних молодіжних форумах “Радіоелектроніка й молодь у XXI столітті” 2005р., 2006р., 2007р., м. Харків, 2-му Міжнародному радіоелектронному форумі “Прикладна радіоелектроніка. Стан і перспективи розвитку” МРФ-2005р., м.Харків, Міжнародній науковій конференції “Інтелектуальні системи прийняття рішень і прикладні аспекти інформаційних технологій (ISDMIT 2006)” 2006р., м. Євпаторія, Міжнародній конференції “Проблеми електроніки”, 2007р., м. Київ.

Публікації. За темою дисертації опубліковано 12 робіт. П’ять робіт [1–5] опубліковано у виданнях, що входять до переліку ВАК України для публікації результатів дисертаційних робіт та 7 публікацій у тезах доповідей і матеріалах науково-технічних конференцій.

Обсяг і структура дисертації. Дисертація складається із вступу, 4 розділів, висновків за кожним розділом, основних результатів і висновків, списку використаних джерел і додатків. Повний обсяг дисертації складає 135 сторінок, 31 рисунок, список використаних джерел з 125 найменувань на 12 сторінках, 3 додатки на 9 сторінках.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтована актуальність теми дисертації, проведений огляд стану проблеми, позначені завдання дослідження й ціль роботи, позначений особистий внесок здобувача в опублікованих роботах, надана інформація про апробацію результатів дисертаційної роботи.

У першому розділі дисертації проведено огляд методів обробки вибірок медичних даних, застосовуваних сьогодні для визначення примежових станів організму людини. Розглянуто існуючі типи медичних даних, варіанти їхнього кодування й методи, які застосовуються для їхньої обробки. Зроблено висновок про неможливість використання наявних методів для обробки медичних даних з тієї причини, що вони носять різнотипний характер та у них відсутня інформація про вид функцій розподілу ймовірностей у просторі ознак.

Однією із задач практичної медицини є підвищення ймовірності правильної постановки діагнозу. За даними статистики майже в половині випадків лікарі ставлять невірний діагноз з об'єктивних причин, до яких відносяться нетиповий перебіг хвороби та “додобова смертність”, коли пацієнт умирає раніше, ніж його встигають обстежити. Інші випадки – це суб'єктивні причини, коли можна говорити безпосередньо про провину лікаря. До них відносяться: недоурахування клінічних даних, недостатність обстеження та невірне трактування результатів лабораторних досліджень.

Підвищити точність медичної діагностики можливо за рахунок діагностики захворювання до його клінічної появи, шляхом визначення примежових станів організму людини, які згодом можуть призвести до патології. Для цього необхідно проводити обробку даних шляхом їхнього ранжирування з урахуванням того, що немає ніякої попередньої інформації про приналежність до будь-якої групи або класу даних (рис. 1), оскільки всі обстежувані відносяться до групи здорових людей.

Група методів, що дозволяють проводити таку обробку, називаються методами класифікації в режимі самонавчання, або методами кластеризації. Результатом їхньої роботи є поділ вихідних даних на групи, ґрунтуючись на ступені подібності одного об'єкта на інший.

Сформульовано загальну постановку завдання кластеризації сукупності об'єктів O1, O2, …, On в умовах відсутності навчальних вибірок, яка полягає у вимозі поділу цієї сукупності на деяку кількість однорідних, у певному значенні кластерів, відоме або не відоме заздалегідь. Поняття однорідності засноване на припущенні, що геометрична близькість двох або декількох об'єктів означає близькість їхніх фізичних станів, тобто їхня подібність. Вихідна інформація про класифіковані об'єкти представлена значенням багатовимірної ознаки за кожним об'єктом окремо.

Рис. 1. Традиційна схема формування діагнозу

Серед методів, що застосовуються для визначення примежових станів організму людини, відзначаються такі методи кластеризації даних, як евристичні алгоритми (алгоритм k еталонів), алгоритми, що використовують поняття центра ваги (алгоритм k-середніх, алгоритм Форель) і алгоритми з керованими параметрами, що налаштовуються під час класифікації (алгоритм Isodata, алгоритм Пульсар).

Всі ці алгоритми мають один загальний істотний недолік. Вони забезпечують так звану “чітку” кластеризацію (рис. 2) тобто області не можуть перетинатися та накладатися, а межа розділу на захворювання має лінійний характер, що не завжди придатне для обробки медичних даних, особливо при визначенні примежового стану організму людини. Отже, необхідно зробити висновок щодо пошуку нових шляхів кластеризації даних, до яких можна віднести адаптивний метод нечіткої кластеризації.

Рис. 2. Чітка кластеризація медичних даних

У другому розділі дисертаційної роботи показано, що вихідна розмірність простору найчастіше є надлишковою для розв’язання задачі кластеризації, оскільки існують малоінформативні ознаки.

Існує кілька методів, застосовуваних для скорочення простору вихідних даних, тобто зменшення кількості ознак: лінійні й нелінійні. До лінійних методів відноситься метод головних компонентів, що дозволяє вибрати p перших головних компонентів, які мають найбільшу інформативність (рис. 3). Цей метод також застосовується для візуалізації процесу кластеризації.

Кількість головних компонент, що будуть приймати участь в подальшій обробці розраховується згідно з формулою:

, , (1)

де – власне значення коваріаційної матриці ознак .

Критерієм зупинки процедури є заздалегідь заданий поріг k*=0.05, що відповідає прийнятому в математичній статистиці довірчому інтервалу 5%.

Рис. 3. Графік впливу кожної з компонент на кінцевий результат

Нелінійні методи застосовуються у тих випадках, коли кластери перекриваються або мають опуклу форму. Пропонується реалізувати такі методи за допомогою автоасоціативного тришарового персептрону, Bottle Neck. На рис. 4 зображена схема його навчання. У процесі навчання мінімізується цільова функція виду:

. (2)

Навчання здійснюється за допомогою алгоритму зворотного поширення помилки, але з тією відмінністю, що як навчальний сигнал використовується вхідний сигнал , що підлягає стискуванню. На нульовий шар надходить n-вимірний вектор вхідних сигналів , перший схований шар містить нейронів, другий схований шар – нейронів і вихідний шар – нейронів. Метою навчання є відновлення на виході мережі сигналу , що щонайкраще апроксимує вхідний сигнал . Стислий сигнал знімається з виходу другого шару й при цьому досягається оптимальне розв’язання задачі нелінійного факторного аналізу.

Рис. 4. Схема навчання автоасоціативного тришарового персептрону, Bottle Neck

Як активаційна функція пропонується використовувати поліноміальну функцію активації, що забезпечує більш високу швидкість настройки синаптичних ваг мережі в порівнянні із традиційними процедурами.

,

, .

Під час розв’язання задач медичної діагностики, виникають великі труднощі при задаванні вихідної системи ознак. Саме тому проблема вибору найбільш інформативної підсистеми ознак здобуває важливе значення. Серед методів визначення інформативності показників автором виділено метод випадкового пошуку з адаптацією, за допомогою якого серед показників медичних вибірок даних виділяється група найбільш інформативних.

Розроблено метод, що дозволяє перетворити дискретний часовий сигнал у таблицю “Об'єкт-Властивість” для наступної її обробки методом нечіткої кластеризації. Для цього необхідно розглядати сигнал як випадковий процес. У цьому випадку запропоновано такий алгоритм обробки цього сигналу:

1. Попередня фільтрація даних, що дозволяє отримати значення медіани за множиною.

(3)

2. Розрахунок статистик відфільтрованого ряду, розрахованого за формулою (3).

- середнє за реалізацією ;

- вибірковий другий центральний момент ;

- розмах ;

- коефіцієнти автокореляції

,

,

.

Таким чином, у результаті такої обробки для кожного пацієнта буде отримано набір , що являє собою узагальнені параметри, які характеризують сигнал. Розрахувавши статистики для всіх спостережуваних пацієнтів, отримаємо таблицю “Об'єкт-Властивість”, яку можна буде обробляти надалі за допомогою алгоритму нечіткої кластеризації.

У третьому розділі дисертаційної роботи проаналізовано можливості обчислювального інтелекту для класифікації медичних даних у режимі самонавчання.

Серед усіх існуючих типів штучних нейронних мереж найбільшого поширення для розв’язання задач кластеризації набули карти Кохонена й BSB-модель. Ці методи є прийнятними для обробки медичних даних, але на жаль ці мережі мають велику кількість обмежень, серед яких можна виділити те, що кількість об'єктів у вхідній вибірці даних має бути мінімум на порядок більшим кількості ознак, що характеризують ці об'єкти. Це обмежує діагностику тих захворювань, для яких відсутня статистика. Такі системи забезпечують чітку нелінійну кластеризацію, що унеможливлює приналежність об'єкта більш ніж до одного кластера. Відповідно визначення примежового стану як схильності до захворювання, тобто визначення ступеня приналежності кожного з об'єктів до різних класів не можливо.

Для визначення примежового стану організму людини у роботі пропонується використовувати алгоритми нечіткої кластеризації медичних даних, засновані на принципах нечіткої логіки, які вільні від недоліків, вищенаведених методу Кохонена й BSB-моделі.

У випадку паралельної обробки даних вихідною інформацією є вибірка спостережень, сформована з N n-вимірних векторів ознак , , k=1,2,…,N... Результат роботи алгоритму являє собою поділ вихідного масиву даних на m класів (захворювань) з деяким рівнем приналежності k-того вектора ознак j-му кластеру.

Дані, які надходять на обробку попередньо центруються й стандартизуються за всіма ознаками так, щоб всі спостереження належали гіперкубу . Центрування здійснюється або щодо середнього, обчисленого за допомогою співвідношення

(4)

або з метою надання процедурі центрування робастних властивостей (захист від аномальних спостережень і можливих артефактів) здійснюване відносно медіани, що обчислюється згідно з рекурентним співвідношенням:

, i=1,2,…, n (5)

де – параметр кроку пошуку, обираний у стаціонарному випадку відповідно до умов Дворецького.

, , . (6)

Цільова функція, що підлягає мінімізації, має вигляд:

, (7)

за обмежень

, k=1,…, n, ,j=1,…, m... (8)

Тут – рівень приналежності вектора x(k) до j-го кластера, – центр j-го кластера, ? – ненегативний параметр, звичайно приймається рівним 2, – відстань між x(k) і у прийнятій метриці.

У результаті кластеризації отримуємо N ? m матрицю , що називається “матрицею нечіткого поділу”:

(9)

(10)

У якості пропонується прийняти відстань , де форма кластерів визначається видом матриці . Якщо матриця – одинична, то відстань буде евклідовою, згідно формули та в результаті роботи алгоритму отримуємо кластери круглої форми (гіперкулі). Якщо матриця – діагональна (але не одинична), то в результаті роботи алгоритму отримуємо кластери овальної форми (гіпереліпсоїди), що дозволяє підвищити якість групування у випадку, коли шкали значень окремих координат вектора сильно розрізнюються.

Співвідношення (9) і (10) відповідають алгоритму нечіткої кластеризації, застосовуваному для паралельної обробки даних.

Послідовна обробка даних використовується у випадку, коли під час кластеризації великого масиву даних з'являються додаткові дані, які необхідно приєднати до цієї ж таблиці “Об'єкт-Властивість”. У випадку великого обсягу таблиці, повторна кластеризація всіх даних може зайняти досить великий час. Відповідно, виникає необхідність створення процедури, яка б забезпечувала роботу алгоритму з можливістю постійного додавання нових даних у таблицю “Об'єкт-Властивість”. Для послідовної обробки даних у роботі пропонується адаптивний алгоритм нечіткої кластеризації даних, при якому рівняння (9) і (10) набувають вигляду:

, (11)

, (12)

де – параметр швидкості навчання, – прототипи j-го кластера, обчислені на вибірці з k спостережень.

У четвертому розділі дисертаційної роботи синтезовано систему об'єктивного визначення примежового стану організму людини (рис. 5), у якій виділено блоки підсистем, які розроблені в дисертації.

Роботу системи досліджено на визначенні впливу закономірностей формування статичної м'язової перенапруги, як одного із головних факторів розвитку примежових гіпертонічних станів молоді. У дослідженні брали участь 360 студентів Харківського державного медичного університету, Харківської державної академії фізичного виховання, Харківського національного університету ім. Каразіна й Харківського національного університету радіоелектроніки.

Вимірено такі показники, як стать, ріст, вага, проба Мартине-Кушелевського (знімання артеріального тиску й частоти пульсу в спокої й через одну, дві й три хвилини після навантаження).

Слід зазначити, що досліджуваний контингент є однорідним з погляду віку, розпорядку дня, режиму харчування й розумового навантаження. Особливістю цього контингенту є різне фізичне навантаження, виражена у відношенні до занять спортом. Відносно цієї ознаки контингент розділений на тих, хто займається спортом кілька разів у тиждень (включаючи професійних спортсменів), тих, хто займався і припинив й тих, хто ніколи спортом не займався. Тобто передбачається, що дані містять 6 класів.

Оскільки всі медико-біологічні показники контингенту мають різний порядок, то попередньо всі дані центруються й стандартизуються по всіх ознаках так, щоб всі спостереження належали гіперкубу , згідно з (3).

Для скорочення кількості вхідних даних застосували автоасоціативну тришарову нейронну мережу типу “Bottle Neck”, у результаті роботи якої кількість показників було скорочено до 4.

Результатом роботи системи став поділ об'єктів на 6 груп. Приналежність до групи визначається ступенем близькості кожного об'єкта до певного класу , згідно з формулою (9) для пакетної обробки даних чи (11) для послідовної обробки.

Рис. 5. Система об'єктивного визначення примежового стану організму людини

Результати для перших 14 чоловік наведено у табл.1 (у стовпцях – номер пацієнта, у рядках – номер класу).

Таблиця 1

Ступінь приналежності об'єктів до класів |

Номер пацієнта

1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14

Номер класу | 1 | 0,06 | 0,04 | 0,02 | 0,02 | 0,06 | 0,00 | 0,01 | 0,75 | 0,03 | 0,01 | 0,00 | 0,00 | 0,07 | 0,03

2 | 0,14 | 0,13 | 0,10 | 0,20 | 0,15 | 0,02 | 0,02 | 0,10 | 0,12 | 0,02 | 0,01 | 0,01 | 0,15 | 0,69

3 | 0,13 | 0,07 | 0,02 | 0,02 | 0,10 | 0,00 | 0,55 | 0,03 | 0,05 | 0,54 | 0,04 | 0,05 | 0,13 | 0,02

4 | 0,37 | 0,62 | 0,84 | 0,73 | 0,47 | 0,97 | 0,02 | 0,05 | 0,69 | 0,03 | 0,01 | 0,01 | 0,38 | 0,23

5 | 0,07 | 0,04 | 0,01 | 0,01 | 0,06 | 0,00 | 0,05 | 0,05 | 0,03 | 0,05 | 0,01 | 0,01 | 0,08 | 0,01

6 | 0,23 | 0,10 | 0,02 | 0,02 | 0,16 | 0,00 | 0,36 | 0,02 | 0,07 | 0,34 | 0,94 | 0,91 | 0,20 | 0,01

На рис. 6 наведено поділ даних на однорідні групи (кластери), відповідно до таблиці 1. У центрі кожного кластера чорною крапкою позначений центр кластера, тобто умовний еталон для кожної із груп, згідно з формулою (10) для пакетної обробки та (12) – при послідовній обробці.

Рис. 6. Нечітка кластеризація даних

Представники класів №1, №4, №6 відносяться до жіночої статі, №2, №3, №5 – до чоловічої. До першого класу відносяться 48 обстежуваних, до другого – 97, до третього 24, до четвертого – 47, до п'ятого – 72, до шостого – 72. Як було зазначено, з погляду медицини всі 360 чоловік відносяться до класу здорових людей.

У представників 2 та 4 груп серцево-судинна система щонайкраще реагує на фізичне навантаження. В основному ці групи складаються на 90 % із чоловіків і жінок спортсменів, 8% тих, хто займався спортом і кинув та 2% – хто спортом не займався ніколи.

У представників 5 та 6 груп реакцію серцево-судинної системи на фізичне навантаження можна вважати нормальною. У ці групи потрапили 5% спортсменів, 57% людей, які займалися спортом і кинули, 38% тих, хто ніколи спортом не займався.

Виявлено групи ризику, до яких відносяться представники 1 та 3 груп (72 людини). В основному це ті, хто ніколи не займався спортом. Для представників цих груп рекомендовано проведення подальшого більш повного дослідження роботи серцево-судинної системи.

Ефективність роботи системи підтверджена проведенням паралельних досліджень відповідних контингентів (групи №1 й №3). У результаті виявлено, що 65 чоловік з 72 дійсно мають відхилення в роботі серцево-судинної системи. Це дозволяє говорити про високу ефективність пропонованої системи й можливості її подальшого використання для визначення примежових станів організму людини.

ВИСНОВКИ

У дисертаційній роботі розв’язано актуальну науково-практичну задачу – підвищення ймовірності правильної постановки діагнозу. Основні результати роботи полягають у наступному:

1. Проведено аналіз існуючих методів оцінки примежових станів організму людини. Показано, що створення систем, що визначають примежовий стан організму людини є дуже складною медичною задачею, вирішення якої є актуальним як для медицини, так і для суспільства в цілому.

2. Удосконалено процедуру оцінки інформативності кожної ознаки, яка визначає примежовий стан організму людини. Це дозволило виділити найбільш інформативні підсистеми ознак.

3. Обґрунтовано вибір способу скорочення розмірності вхідного простору ознак у випадку дефіциту інформації та запропонована процедура зменшення кількості ознак при мінімальних втратах їхньої інформаційної цінності.

4. Розроблено метод адаптивної кластеризації для паралельної та послідовної обробки медичних даних, що дало можливість скоротити час обробки інформації.

5. Удосконалено вид метрики при кластеризації медичних даних, відмінною рисою якого є адаптація до типу й форми вихідних даних, що дозволило точніше описати вихідні дані складних форм.

6. Розроблено метод подання нерегулярного сигналу у вигляді числового масиву, що у достатньому ступені характеризує сигнал. Отриманий числовий масив може бути надалі оброблений за допомогою адаптивного методу нечіткої кластеризації.

7. Синтезовано структуру діагностичної системи об'єктивного визначення примежового стану організму людини Проведена експериментальна перевірка розробленого методу діагностики примежових станів організму людини на різних контингентах пацієнтів, яка підтвердила його працездатність.

8. Результати роботи впроваджені на кафедрі фізіології Харківського державного медичного університету та у навчальному процесі Харківського національного університету радіоелектроніки.

ПЕРЕЛІК РОБІТ ОПУБЛІКОВАНИХ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Чурюмова И.Г., Мустецов Н.П. Применение методов нечеткой кластеризации для анализа медицинских данных в режиме реального времени // Электроника и связь. Тематический выпуск “Проблемы электроники”. – 2007. – ч.2. – С. 118-121.

2. Чурюмова И.Г. Оценка информативности медицинских показателей в объемных выборках данных // Прикладная радиоэлектроника. – 2007. – №1, том 6. – С. 124-128.

3. Тесленко Н.А., Чурюмова И.Г. Нечеткая кластеризация массивов биомедицинских данных в условиях избыточности информации // Бионика интеллекта. – 2006. – №1 (64). – С. 92-95;

4. Чурюмова И.Г. Система медицинской диагностики на основе нечеткой логики // Восточно-европейский журнал передовых технологий. – 2006. – № 5/2 (23). – С. 89-91;

5. Чурюмова И.Г. Система донозологической диагностики сердечно-сосудистых заболеваний // Восточно-европейский журнал передовых технологий. – 2007. – № 5/4 (29). – С. 31-33.

6. Чурюмова И.Г. Метод определения наиболее информативной подсистемы медицинских признаков // 11 Международный форум “Радиоэлектроника и молодежь в XXI веке”. – Харьков: ХНУРЭ. – 2007. – Ч.1. – С. .

7. Чурюмова И.Г. Искусственная нейронная сеть в диагностике состояния сердечно-сосудистой системы. // 10 Международный форум “Радиоэлектроника и молодежь в XXI веке”. – Харьков: ХНУРЭ. – 2006. – С. 232.

8. Чурюмова И.Г., Тесленко Н.А., Мустецов Н.П. Применение нейросетевых технологий для медико-социального мониторинга учащейся молодежи. // IV Международная научно-практическая конференция “Наука и социальные проблемы общества: питание экология демография”. – Харьков. – 2006. – С. 363-365.

9. Чурюмова И.Г. Возможности использования методов нечеткой логики для обработки медицинских данных // 1-ая Международная научная конференция “Глобальные информационные системы. Проблемы и тенденции развития”. – Туапсе. – 2006. – С. 241.

10. Бодянский Е.В., Тесленко Н.А., Чурюмова И.Г. Нечеткая BSB-нейромодель для обработки биомедицинской информации // Международная научная конференция “Интеллектуальные системы принятия решений и прикладные аспекты информационных технологий (ISDMIT 2006)”. – Евпатория. – 2006. – С. 184-187.

11. Мустецов Н.П., Чурюмова И.Г.Искусственная нейронная сеть как основа системы медицинской диагностики // 2-й Международный радиоэлектронный Форум “Прикладная радиоэлектроника. Состояние и перспективы развития” МРФ-2005. – Харьков: ХНУРЭ. – 2005. – Т.1. – С. 89.

12. Чурюмова И.Г. Применение нейронных сетей для диагностики легочных заболеваний // 9-й Международный форум “Радиоэлектроника и молодежь в XXI веке”. – Харьков: ХНУРЭ. – 2005. – С. 230.

АНОТАЦІЯ

Чурюмова І.Г. Діагностика примежових станів організму людини методами обчислювального інтелекту.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.11.17 – біологічні та медичні прилади і системи. – Харківський національний університет радіоелектроніки, Харків, 2007.

Дисертаційна робота спрямована на розв’язання актуальної наукової і практичної задачі – підвищення ймовірності правильної постановки діагнозу. Робота присвячена розробці методу діагностики примежових станів організму людини.

У дисертації обґрунтовано вибір способу скорочення розмірності вхідного простору ознак у випадку дефіциту інформації. Розроблено адаптивний метод нечіткої кластеризації для паралельної й послідовної обробки медико-біологічних показників організму людини. Удосконалено вид метрики під час кластеризації, відмінною рисою якого є адаптація до типу й форми вихідних даних. Синтезовано структуру діагностичної системи об'єктивної постановки діагнозу, особливістю якої є неможливість впливу лікаря на процес постановки діагнозу. У структурі діагностичної системи об'єктивної постановки діагнозу використовується метод випадкового пошуку з адаптацією для поділу інформаційних масивів за ступенем інформативності. Це дозволило отримати поєднання найбільш інформативних медико-біологічних показників.

Робота системи експериментально перевірена на різних, за профілем примежових станів, контингентах пацієнтів, до яких відносяться пацієнти із захворюваннями серцево-судинної системи й пацієнти зі змінами психофізіологічних показників організму. Доведено високу ефективність роботи системи шляхом проведення паралельних досліджень традиційними методами відповідних контингентів обстежуваних.

Ключові слова: медико-біологічний показник, примежовий стан, кластер, діагноз, штучна нейронна мережа, обчислювальний інтелект, нечітка логіка.

АННОТАЦИЯ

Чурюмова И.Г. Диагностика пограничных состояний организма человека методами вычислительного интеллекта.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.11.17 – биологические и медицинские приборы и системы. – Харьковский национальный университет радиоэлектроники, Харьков, 2007.

Диссертационная работа направлена на решение актуальной научной и практической задачи – повышению вероятности правильной постановки диагноза. Работа посвящена разработке метода диагностики пограничных состояний организма человека.

В работе проведен обзор методов обработки данных медико-биологических исследований, применяемый в настоящее время для определения пограничных состояний организма человека. Рассмотрены основные принципы формирования диагноза экспертом-врачом. Показано, что для диагностики пограничных состояний в случае условно здорового контингента необходимо использовать методы кластеризации данных. Отмечено, что применение методов нечеткой кластеризации улучшает качество разбиения данных на кластеры, что в свою очередь повышает правильность диагностики пограничных состояний организма человека.

В диссертации обоснован выбор способа сокращения размерности входного пространства признаков в случае дефицита информации. В зависимости от того, пересекаются кластеры в пространстве или нет, для снижения размерности пространства признаков используются метод главных компонент или автоассоциативный трехслойный персептрон типа Bottle Neck.

В работе разработан адаптивный метод нечеткой кластеризации для параллельной и последовательной обработки медико-биологических показателей организма человека. Усовершенствован вид метрики при кластеризации, отличительной особенностью которого является адаптация к типу и форме исходных данных. При этом кластеры могут принимать форму гиперэллипсоидов, произвольно ориентированных относительно координатных осей.

Для возможности обработки случайных сигналов методом нечеткой кластеризации разработан метод представления нерегулярного сигнала в виде числового массива.

Синтезирована структура диагностической системы объективной постановки диагноза, особенностью которой является невозможность влияния врача на процесс постановки диагноза. При этом врач получает объективный результат, который он имеет возможность проверить путем проведения традиционных исследований и уточнить диагноз.

В структуре диагностической системы объективной постановки диагноза используется метод случайного поиска с адаптацией для разделения информационных массивов по степени информативности. Это позволило получить сочетания наиболее информативных медико-биологических показателей.

Работа системы экспериментально проверена на различных, по профилю пограничных состояний, контингентах пациентов, к которым относятся пациенты с заболеваниями сердечно-сосудистой системы и пациенты с изменениями психофизиологических показателей организма. Доказана высокая эффективность работы системы путем проведения параллельных исследований традиционными методами соответствующих контингентов обследуемых.

Ключевые слова: медико-биологический показатель, пограничное состояние, кластер, диагноз, искусственная нейронная сеть, вычислительный интеллект, нечеткая логика.

ABSTRACT

Churyumova I.G. Diagnostic of Borderline Cases of Human Organism by Methods of Computational Intelligence.

Thesis is a manuscript for a Technical Sciences Candidate's Degree on Speciality 05.11.17 - Biological and Medical Devices and Systems. - Kharkov National University of Radioelectronics, Kharkov, 2007.

The thesis is directed on solution of the actual scientific and practical task – rising of probability of straightening setting of the diagnosis. The dissertation is devoted to development of a method of diagnostic of borderline cases of a human organism.

In a thesis choice of the way of dimensionality reduction medical data sets is proved in case of deficiency of the information. The adaptive method of fuzzy clusterization for multiprocessing and serial processing of medicobiological data sets of a human organism is developed. Sort of the metrics is updated at clusterization of the medical data. The frame of the diagnostic system of objective formulation of diagnosis is synthesized. Feature of this system is in impossibility of influence of the doctor on the process of diagnostic. System operation is experimentally tested on various under the profile of borderline cases contingents of patients.

Keywords: medicobiological measure, borderline case, cluster, diagnosis, artificial neuron network, computational intelligence, fuzzy-logic.