IX Международная студенческая электронная научная конференция
«Студенческий научный форум» - 2017
 
     






Андреянов Дмитрий Евгеньевич
1. На мой взгляд, вопрос «Могут ли машины делать то, что можем делать мы как мыслящие создания?» всё же идентичен вопросу «Могут ли машины думать?», поскольку делать что-либо как мыслящее создание подразумевает вначале подумать, а потом сделать что-то, основываясь на своих мыслях. Разве не так? 2. Наличие свойства аутопоэзиса, на мой взгляд является необходимым, но не достаточным свойством, что бы судить о системах ИИ на базе генетических алгоритмов, как об организованных живых сущностях. Это всё же "имитация" жизни. 3. Разве наличие мутаций в генетических алгоритмах не является проявлением своего рода "спонтанности" поведения машинного алгоритма?





АРХИВ "Студенческий научный форум"

ВЫДЕЛЕНИЕ ИНФОРМАТИВНЫХ ПРИЗНАКОВ ИЗ БИОМЕДИЦИНСКИХ СИГНАЛОВ
Сотникова А.Д.
Текст научной работы размещён без изображений и формул.
Полная версия научной работы доступна в формате PDF


 Аннотация: В работе рассматривается перспективный подход в формализации прямых и латентных информативных признаков при анализе биомедицинских сигналов путём применения самоорганизационной концепции моделирования, дифференцированного анализа и анализа иерархий, приведён метод выделения маломощного медицинского сигнала из шумов на основе применения как упреждающих, так и прогнозируемых значений биосигнала.

Ключевые слова: биомедицинский сигнал, шум, множество информативных признаков, матрица предпочтительности, самоорганизационное моделирование, выделение признаков из биосигнала, дискриминантная функция.

Системообразующей проблемой проектирования и эксплуатации систем поддержки принятия диагностических решений является задача выделения маломощного сигнала и признаков адекватности значений классов систем. Это касается и сложности выделения маломощных сигналов из шумов и формирования информативных множеств, достоверно характеризующих биообъект. С целью повышения эффективности диагностики заболеваний на ранних стадиях и улучшения качества медицинского обслуживания населения в целом.

Для формирования информативного множества и принятия решении о включении в него признака рекомендуется использовать методологию принятия решений Саати Т.Л. [13]

Формируется матрица предпочтительности W, элементы которой для показателей i и j различаются по 9 степеням (признак i предпочтительнее j): - равная степень предпочтительности, - слабая - средняя, - предпочтение выше среднего, - умеренно сильное, - сильное, - очень сильное (очевидное), - очень, очень сильное (абсолютное), – абсолютное.

Анализ матрицы позволяет после преобразования группировать признаки по кластерам предпочтительности с помощью предлагаемого IJ-преобразования. Строки I меняются местами со строками J до тех пор, пока сумма произведений значений элемента матрицы на расстояние этого элемента до главной диагонали не станет минимальной (формула (1)). Таким образом, вокруг главной диагонали модифицированной матрицы предпочтений сгруппируются элементы с максимальными значениями.

(1)

где N– количество анализируемых признаков до селекции.

Упорядочивание признаков по убыванию рангов информативности позволит определить степень предпочтения.

Целесообразно полагать, что для минимизации ошибки и принятия ложных решений из уже сформированного множества следует выделить ряд наиболее информативных показателей, которые бы наиболее достоверно охарактеризовали исследуемый биообъект.

Так, информативность отдельного показателя из множества {Х} в работе [6] предлагается определять следующими методами [15].

Первый метод основан на нелинейной дискриминантной функции, определённой для классов (подразумевается бинарное иерархическое дерево решений). Он подразумевает:

  • задание функции отклика для каждого класса и ;

  • структурно-параметрическую идентификацию полинома Габора, с помощью алгоритма МГУА [6, 10];

  • вычисление мультипликанта для каждого аргумента;

  • определение аддиативно-мультипликативного влияния показателя xi на функцию отклика;

  • введение «относительной погрешности отличий» (ОПО) (рекомендуется ) и пересчёт значений величины мультипликативного влияния с учётом ОПО;

  • упорядочивание по мере убывания в диапазоне, заданным ОПО;

  • формирование кортежей признаков для классов: и ;

  • формирование множества рангов и по кортежам;

  • формирование итогового множества информативных признаков;

  • вычисление информативности признака по формуле (2)

 (2)

где – значение ранга показателя в и , соответственно.

Во втором методе формирование множества информативных показателей и вычисление значения , основывается на предварительной идентификации аппроксимирующего полинома Габора для каждого показателя из начального множества {X}. В этом случае, процедура идентификации повторяется N раз для каждого класса и , последовательно формируя множества  и отклики .

В результате формируются множества аппроксимантов для каждого класса. Аппроксиманты, значения коэффициента детерминации которых меньше определенного порогового значения, не учитываются. Минимальный объем множества аппроксимантов устанавливается исследователем - рекомендуется не менее 3.

Для каждого альтернативного класса формируются матрицы значений , по которым строятся векторы значений и .

Кортежи показателей и формируются для каждого класса по мере убывания по вектору значений с учётом ОПО.

Далее вычисление информативности осуществляется аналогично действиям, рассмотренным в способе 1.

В третьем методе переменные принимают значения «true» («1») либо «false» (0). С определенной точностью для возможности применения подходов, изложенных в способе 1 и 2, используют аналог полинома Габора  для логических функций в виде формулы (3), на основании аналогов арифметических операций логическим функциям [9].

, (3)

Далее расчеты аналогичны 1 и 2 методам.

В четвёртом методе осуществляется упорядочивание признаков с последующим вычислением рангов, включением в информативный кортеж и вычислением информативности аналогично ранее рассмотренными способами на основании гиперобъемов H. При этом проводятся процедуры разведочной кластеризации с вычислением величины изменения качества кластеризации  при исключении из рассмотрения анализируемого признака [12].

может принимать как положительные, так и отрицательные значения. В последнем случае после селекции наблюдается ухудшение качества классификации согласно общему гиперобъему H.

Описанные методы применимы при уже известном заранее множестве признаков. Однако на практике, например при исследовании биообъекта [2], часто необходимо определять информативность показателя в настоящий момент времени.

Так, в случае маломощности анализируемого биомедицинского сигнала в работе [14] предлагается применить следующий подход.

В анализе сигнала используется фильтр, основанный на различии фаз измеряемого сигнала (регулярная функция) и шума (случайная функция, причём математическое ожидание шума принимается равным нулю).

Опорный импульс, применяемый в фильтре, имеет две прямоугольные ступени с различными амплитудами, общая длительность ступеней значительно меньше интервала наблюдения Тн.

При проведении измерений фрагмент искомого сигнала помещается на вторую ступень опорного импульса. В качестве измеряемой характеристики вычисляется фаза основной гармоники при w = 1. Для оценки величины сигнала используется разность фаз опорного импульса с сигналом и без него.

При значениях D и M (, а ), близких к единице, увеличивается чувствительность фазы к изменению напряжения (амплитуды ступени).

При этом зависимость фазы от D и М имеет вид [1, 11]:

(4)

Для повышения информативности результатов следует обеспечивать попадание фазы опорного импульса и фазы импульса с изменённым фрагментом сигнала на квазилинейный участок графика зависимости от параметра (точки на кривой рис. 1). Для этого первую ступень опорного импульса следует принять равной 1, затем вычислить значение D (начальная фазы основной гармоники (w = 1) попадёт на нижний конец квазилинейного участка кривой ).

Рис. 1. Зависимость значения фазы основной гармоники опорного сигнала от отношения амплитуд первой и второй ступеней

(5)

После формирования данным образом опорного импульса вычисляется среднее значение измеряемого фрагмента сигнала, которое может быть оценено через разность фаз основной гармоники опорного импульса с сигналом и без него [1].

Затем этот фрагмент умножается на коэффициент:

, (6)

где - среднее значение фрагмента «сигнал + шум».

Восстановление сложных сигналов проводят путём оценки средних значений отдельных их фрагментов. Для этого исходный сигнал формируется в виде импульса с колоколовидной огибающей, к нему добавляется шум в виде последовательности случайных нормально распределённых чисел. Зашумлённый сигнал разбивается на фрагменты, для каждого такого фрагмента описанным выше способом оценивается среднее значение сигнала [11].

В результате из некогерентного шума формируется информативный сигнал, по которому можно вести дальнейший анализ [8].

Для вычисления значения информативных параметров снятого сигнала [5, 16], предлагается использовать функциональные параметры, характеризующие поведение системы, способной принимать решение в текущий момент времени в соответствии с учетом прошлого опыта и прогнозирования будущего [3, 4].

Целесообразное полагать, что биосисема должна принимать решения в момент времени t, при регистрации значения информативного сигнала y(t). Так как автономная система управления организмом систематически учитывает лучший результат «прошлого» опыта и автоматически прогнозирует развитие ситуации в будущем, то сигнал y(t)может быть представлен в виде [7]:

, (7)

где:  – частный аргумент-функционал, отражающий состояние анализируемой системы в моменты времени ; и – максимальное время упреждения и экстраполяции (прогноза), соответственно; и формирующий индекс частных аргумент-функционалов, F() интегральный «опытно-прогностический функционал» – FPF(t)).

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

. (8)

Множество значений информативных хронометрических параметров в момент времени t+1, формируется «Модулем «фантазий», который содержит правила идентификации  по и рассогласования между прогнозируемым состоянием St+1 и реально регистрируемым . Обучение заканчивается, когда указанное рассогласование достигнет приемлемого порога величины [7] (задается в общем случае нижней и верхними границами).

Выводы:

Рассмотренный подход позволяет формализовать выделение множеств информативных признаков, прямых и латентных, путём анализа биомедицинских сигналов различных уровней мощности на основе применения как упреждающих, так и прогнозируемых значений сигнала. Анализ осуществляется с помощью применения самоорганизационной концепции моделирования, дифференцированного анализа и метода анализа иерархий. Исследования в этом направлении представляются новыми и перспективными для решения задачи диагностики состояния анализируемого биообъекта.

Список использованной литературы:

  1. Авдеева Д. К., Вылегжанин О. Н., Рыбалка С. А. Метод выделения полезного сигнала при помехе//Успехи современного естествознания. – 2010. -№1. – С. 132-135.

  2. Артёменко Н.М. Распознавание состояний легких человека по издаваемому ими акустическому шуму // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2015. № 2 (15). стр. 94-98.

  3. Артеменко М.В., Бабков А.С. Классификация методов прогнозирования поведения систем // Современные проблемы науки и образования. – 2013. – № 6.;URL: http://www.science-education.ru/ru/article/view?id=11527 (дата обращения: 10.12.2016)

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

  6. Артеменко М. В., Калугина Н. М., Шуткин A. Н. Формирование множества информативных показателей на основании аппроксимирующего полинома Колмогорова–Габора и максимального градиента функциональных различий // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение, 2016, №1, стр. 116-223

  7. Калугина Н. М. Система диагностики состояния организма по спектральным характеристикам биомедицинского сигнала. //Лучшая статья 2016: сборник статей III Международного научно-практического конкурса / Под общ. ред. Г. Ю. Гуляева – Пенза: МЦНС «Наука и Просвещение». – 2016. – 200 с.

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

  9. Лбов Г.С., Старцева Н.Г. Логические решающие функции и вопрос статистической устойчивости решений Новосибирск: Изд-во Ин-та математики, 1999. 212 с.

  10. Орлов А.А. Принципы построения архитектуры программной платформы для реализации алгоритмов метода группового учета аргументов / А.А. Орлов // Управляющие системы и машины.-2013. - №2. -стр.65-71

  11. Пат. 2133474 РФ, МКИ 19/02. Способ измерения сигналов произвольной формы в присутствии случайных шумов/Д.К. Авдеева. Заявл. 30.10.97; Опубл. 20.07.99, Бюл. №20. – С.

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

  13. Саати Томас Л. Принятие решений при зависимостях и обратных связях: аналитические сети. Пер. с англ./Науч. ред. А.В. Андрейсиков, О.Н. Андрейчикова. Изд. 4-е. – М.: ЛЕНАНД, 2015. – 360 с.

  14. Сотникова А. А., Писарев М. В., М. В. Калугина Выделение информативных признаков //Медико-экологические информационные технологии – 2016: сборник научных статей по материалам XIX Международной научно-технической конференции / редкол.: Н. А. Кореневский [и др.]; Юго-Зап. гос. ун-т. – Курск, 2016. – 308 с.

  15. 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.

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

© А. Д. Сотникова, 2016