IX Международная студенческая научная конференция Студенческий научный форум - 2017

Развитие средств вычислительной техники и практических приложений искусственного интеллекта обусловливает интенсивное внедрение различных по функциональному назначению систем поддержки принятия диагностических решений (СППДР), формирующих рекомендации по оптимизации определенных траекторий лечебно-диагностического процесса [1-5].

Применение технологий теленаблюдения и телерегистрации биомедицинских характеристик состояния обследуемого человека (сигналов ЭКГ, ЭЭГ, ФПГ, цифровых изображений и т.п.) аппаратно-программными средствами телемедицины [6] позволяет использовать мощные вычислительные ресурсы для решения проблем ранней диагностики с помощью современных средств и ресурсов искусственного интеллекта.

Состояния физиологических и функциональных систем, возникающих в ходе нормального и-или патологического развития в окружающей среде под воздействием автономного управления внутренней [7] отражаются поведением регистрируемых изменяющимися во времени и пространстве биомедицинскими сигналами [8].

На основе СППДР лечебно-диагностический процесс предлагается реализовывать на основании авторской информационно-аналитической модели, рассмотренной в [9, 10] изображенной на рисунке 1.

Рисунок 1. - Информационно-аналитическая система диагностики и управления состоянием организма с терапевтической обратной связью.

Наблюдение и управление за состоянием организма человека описываются множеством кортежей (где - состояние системы в момент времени t; – управляющая (терапевтическая) процедура, переводящая текущее в требуемое за время , - значение риска перехода объекта из в (опознаваемое СППДР) при воздействии .

Заметим, что совпадение состояний и можно рассматривать как «управляющее бездействие», применяемое системой автономного управления с целью отслеживания естественной смены состояний организма.

Терапевтическая обратная связь с применением СППДР реализуется с помощью алгоритма итерационного применения кортежей перевода начального состояния организма в желаемое:

1 - регистрируется биосигнал,

2 - вычисляются значения информативных параметров сигнала,

3 - СППДР строит на обучающей выборке решающие правила, позволяющие с диагностической уверенности и результативности (согласно показателям диагностической эффективности, чувствительности и специфичности), определять различные состояния;

4 – формируется и реализуется кортеж . После сравнения возникшего состояния и желаемого конечного состояния, специалистом формируется определенное терапевтическое воздействие по устойчивому приближению к желаемому финальному состоянию.

В качестве спектральных, хронометрических параметров, характеризующих состояние системы организма предлагается, например, использовать следующие характеристики-параметры биосигналов в случае доказательства их информативности для конкретного случая [7,10,11]:

- прямые: параметры частотных спектров (амплитуда, фаза, частота, полученные на кратных гармониках, определенные анализом Фурье, или на некратных, идентифицированных МГУА-алгоритмами [12];

- латентные: минимумы и максимумы на низких частотах (начальные ненулевые гармоники), глобальные максимумы спектра, близлежащие к локальным максимумам минимумы (на сопряженных частотах), - частоты амплитудного минимума на низких частотах и максимума спектра в целом, относительное положение максимума частоты, показатель широкополостности, информационные потери при фильтрации, центральная частота функции спектральной плотности, функциональные зависимости между действительными и мнимыми частями в диапазонах частот и и т.д.[11];

- функциональные – характеризующие поведение системы, способной принимать решение в текущий момент времени в соответствии с учетом прошлого опыта и прогнозирования будущего.

Рассмотрим один из вариантов формирования функциональных параметров.

Целесообразное поведение предполагает принятие решения биосистемой в момент времени t, при регистрации значения информативного биосигнала y(t). Поскольку автономной системой управления организма систематически учитывается лучший опыт «прошлого» в достижении целевой функции своего сосуществования в среде обитания и автопрогноз развития ситуации в будующем, то сигнал y(t) может быть представлен в виде:

, (1)

где: – частные аргумент-функционалы, отражающие состояние анализируемой системы в моменты времени ; и – максимальные времена упреждения и экстраполяции (прогноза), соответственно; T₁ и T₂ формирующие индексы частных аргумент-функционалов, F() интегральный «опытно-прогностический функционал» - «functional past-future» – FPF(t)).

В первом приближении (по аналогии с марковскими цепями) применяется формула: , где и - наилучшие временные сдвиги в смысле минимизации критерия рассогласования векторов и . При отсутствии такового и-или отсутствия достоверной для системы управления информации о периодичности можно принять (d=1 – дискретизация t).

В первом приближении частные спектральные аргумент-функционалы представляются линейными преобразованиями:

.

В этом случае система диагностики состояния биообъекта осуществляется по схеме, показанной на рисунке 2а [10].

Множество значений спектральных, хронометрических параметров {Y}_t, регистрируемых в момент времени t, поступают на карты моделей соответствия данного множества и прогнозируемого {Y}_t+1 прогнозируемому состоянию биообъекта S_t+1 (адаптационные самоорганизующие карты – ASSOM и FASSOM – в терминологии Кохонена Т. [13]).

Рисунок 2. Прогноз-распознавание с помощью функционала FPF(t).

Множество значений информативных хронометрических параметров в момент времени t+1, формируется «Модулем «фантазий», который содержит множество правил предназначенных для идентификации по {Y}_t и рассогласованию между прогнозируемым состоянием S_t+1 и реально регистрируемым . Итерационный этап обучения заканчивается, когда указанное рассогласование достигнет приемлемого порога величины (задается в общем случае нижней и верхними границами).

Пример поведения относительной ошибки аппроксиманта - FPF(t) в виде для различных биосигналов (ФПГ, ЭКГ, результатов мониторинга инфекционной заболеваемости в регионе) показан на рисунке 2б.

Наилучший результат наблюдался в случае аппрксиманта, учитывающего «прошлый опыт» и «автопрогноз». (В случае периодичности биосигнала и дискрете времени регистрации, во много раз меньшей повторяющиеся функциональной составляющей, имело место стремление к варианту: .)

Тем самым, вместо парадигмы «обучения с подкреплением» [14] предлагается применять парадигму «обучения с подкреплением и упреждаемым предсказанием». (Согласно терминологии Саттона Р.С. предлагаемый подход объединяет « – жадный» метод обучения в направлении текущего состояния с методом «преследования» в направлении прогнозируемого «жадного» действия.)

Тем самым, предлагаемый подход, основанный на применении СППДР, терапевтической обратной связи и «упреждающего предсказания» позволяет, объективизируя рекомендации, формируемые СППДР, повысить результативность лечебно-диагностического процесса, приближаясь к принятию наиболее адекватного и приемлемого в момент принятия решения времени на основе учета прошлого опыта, текущей ситуации и прогноза развития ситуации.

Список использованной литературы:

1. Воронцов И.М., Шаповалов В.В., Шерстюк Ю.М. Здоровье. Опыт разработки и обоснование применения автоматизированных систем для мониторинга и скринирующей диагностики нарушений здоровья. – СПб. ООО «ИПК «Коста», 2006. – 432 с.

2. Илларионов В.Е. Научно-практические основы информационной медицины. – М.: Книжный дом «ЛИБРОКОМ», 2010. – 184 с.

3. Превентивная медицина: Опыт работы информационного полипараметрического комплекса / Под ред. Н.В. Дмитриевой. –М.: Книжный дом «ЛИБРОКОМ», 2010. – 248 с.

4. Артеменко М.В., Добровольский И.И., Мишустин В.Н. Информационно-аналитическая поддержка автоматизированной классификации на основе прямых и обратных решающих правил на примере прогноза тромбоэмболии. // Современные наукоемкие технологии. – 2015. №12 (часть 2). – стр.199-205.

5. Артеменко М.В., Дронова Т.А., Кореневский Н.А. Применение показателей системной организации в диагностическом процессе //Системный анализ и управление в биомедицинских системах. -2003, -Т.2, -№1 . – стр. 16-19

6. Кобринский В.А Телемедицина в системе практического здравоохранения. -М.: Директ-Медиа, 2016. – 238 с.

7. Жданов А.А. Автономный искусственный интеллект. – М.: БИНОМ, Лаборатория знаний, 2009. – 359 с.

8. Рангайян Р. М. Анализ биомедицинских сигналов. Практический подход: учебное пособие / Р. М. Рангайян. - М. : Физматлит, 2007. - 440 с.

9. Artemenko M.V., Kalugina N.M., Pisarev M.V. Informational support for making diagnostic decisions with the use of therapeutic feedback based on the analysis of biomedical signals - "Fundamental and applied sciences: the main results of 2015" Proceedings of the I Annual International Scientific Conference, St. Petersburg, Russia - North Charleston, SC, USA 16-17 Deсember 2015, 2015 , рр. 26-30

10. Артеменко М.В., Калугина Н.М. Диагностический анализ состояния биообъекта по хронометрическим параметрам регистрируемых сигналов. //Международный научно-исследовательский журнал. 2016. № 4-2 (46). стр. 30-35.

11. Цифровая обработка сигналов и изображений в радиофизических приложениях. / Под ред. В. Ф. Кравченко, - M.:ФИЗМАТЛИТ, 2007. -544 с.

12. Справочник по типовым программам моделирования / А.Г. Ивахненко, Ю.В. Коппа, В.С. Степашко и др.; под ред. Ивахненко А.Г. – К.: Техника,1980.- 184 с.

13. Кохонен Т. Самоорганизующие карты. –М.: БИНОМ. Лаборатория знаний, 2016. – 655 с.

14. Саттон Р.С. Обучение с подкреплением [Текст] /Р.С. Саттон, Э.Г. Барто: пер. с англ. – М: БИНОМ. Лаборатория знаний, 2011. – 369 с.

© Н.М. Калугина, 2016

Код для цитирования: Скопировать