2. Главная
  3. Архив номеров
  4. Выпуск журнала Том 2 №3 за 2018 год
  5. Пятакович Ф.А., Хливненко Л.В., Мевша О.В., Якунченко Т.И., Макконен К.Ф. Разработка биотехнической системы, основанной на функционировании нейронных сетей для решения задачи анализа скаттерграмм

Пятакович Ф.А., Хливненко Л.В., Мевша О.В., Якунченко Т.И., Макконен К.Ф. Разработка биотехнической системы, основанной на функционировании нейронных сетей для решения задачи анализа скаттерграмм

Скачать статью в формате PDF

Дата публикации 01.09.2018 г. 

УДК 51-7+612.1

РАЗРАБОТКА БИОТЕХНИЧЕСКОЙ СИСТЕМЫ, ОСНОВАННОЙ НА ФУНКЦИОНИРОВАНИИ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ АНАЛИЗА СКАТТЕРГРАММ

 Ф.А. Пятакович, Л.В. Хливненко, О.В. Мевша, Т.И. Якунченко, К.Ф. Макконен

 ФГАОУ ВО «Белгородский государственный национальный исследовательский университет», Россия, Белгород

Ключевые слова: трансляционный подход, нейронная сеть, биотехническая система, модульный тип, датчик пульса, скаттерграмма, алгоритм, классификация, кластеризация, категоризация, фибрилляция предсердий.

Аннотация. В статье на основе трансляционного подхода рассмотрена нейросетевая биотехническая система модульного типа, которая обеспечивает построение авторегрессионных облаков (АРО), или скаттерграмм по микроструктурным паттернам межпульсовых интервалов, полученным от пациентов в режиме on-line с помощью датчика пульса. Нейросетевые алгоритмы обеспечивают решение следующих задач: кластеризации авторегрессионных облаков, на основе стратегии обучения без учителя; классификации скаттерграмм на пять классов, включающей стратегию обучения с учителем; категоризации скаттерграмм с предварительным обучением и с выделением трех категорий в виде мономодальных, полимодальных и амодальных авторегрессионных облаков, или скаттерграмм. Проведенные клинические исследования показали высокую эффективность нейросетевых алгоритмов. Они обеспечивают дифференциальную диагностику степени активности автономной нервной системы у здоровых, классификацию скаттерграмм у больных с различными нарушениями ритма сердца, классификацию скаттерграмм у больных с различными исходами синдрома фибрилляции предсердий.

DEVELOPMENT OF A BIOTECHNICAL SYSTEM BASED ON THE FUNCTIONING OF NEURAL NETWORKS FOR SOLVING THE PROBLEM OF THE SCATTERGRAMS ANALYSIS

Pyatakovich F. A., Khlivnenko L. V., Mevsha O. V., Yakunchenko T. I., Makkonen K. F.

Belgorod National Research University, Russia, Belgorod

Key words: translational approach, neural network, biotechnical system, modular type, pulse sensor, scattergram, algorithm, classification, clusterization, categorization, atrial fibrillation.

Annotation. In the article, based on the translational approach, a neural network biotechnical system of a modular type is considered. The biotechnical system realizes the construction of autoregressive clouds (ARC), or scattergrams. Microstructural patterns of inter-pulse intervals are obtained from patients in on-line mode using a pulse sensor. Neural network algorithms provide the solution of the following tasks: clustering autoregressive clouds, based on a learning strategy without a teacher; classification of scattergrams into five classes, including a learning strategy with the teacher; categorization of scattergrams with preliminary training and with the identification of three categories in the form of monomodal, polymodal and amodal autoregressive clouds, or scattergrams. Clinical studies have shown high efficiency of neuronet algorithms for differential diagnosis of the degree of activity of the autonomic nervous system in healthy and classification of scattergrams in patients with atrial fibrillation syndrome.

Введение. В научно–исследовательских и в прикладных областях знаний в последние годы все шире используют, так называемый, трансляционный поход [10, 12]. Он базируется на двух принципах, а именно: «Bench to Bedside Translation» - «продвижение знаний от лаборатории к постели больного» и «Bench to Community Translation», то есть, «продвижение знаний в систему здравоохранения» [2].

В медицинской практике впервые нейронет технологии были использованы для анализа сигналов фотоплетизмограммы у пациентов с сосудистыми заболеваниями нижних конечностей [1].

Трансляционную медицину можно рассматривать, как инструмент, направленный на реализацию персонифицированной медицины на всех этапах оказания медицинской помощи. Как известно приоритетной задачей трансляционной медицины является создание новых медицинских технологий, как диагностики, так и лечения [5, 6, 12].

Математическое описание состояния объективного статуса ведущих физиологических систем организма человека, как правило, связано с обработкой большого массива численных данных, получаемых через устройство ввода электрофизиологической информации  [3, 4, 7, 8, 9, 10].

Искусственные нейронные сети (ИНС)  используются для широкого круга задач в математическом моделировании слабо структурированных и слабо формализованных процессов в различных технических системах. Необходимо отметить также, что эти системы принадлежат к одним из систем наиболее эффективных и поэтому наиболее высоко востребованных в биомедицинских исследованиях [11].

Искусственная нейронная сеть (ИНС) позволяет создавать правила принятия решений в процессе обучения. В таких задачах, как правило, необходима обучающая выборка, которая ранее была классифицирована экспертами.

Следовательно, актуальным является проведение исследований, связанных с оценкой эффективности различных методов обучения искусственных нейронных сетей для решения проблемы классификации различных функциональных состояний человека.

Для достижения этой цели необходимо решить следующие задачи:

– разработать биотехническую систему ввода и обработки электрофизиологических данных в режиме on-line;

– создать модель ИНС для решения задач классификации;

– разработать обучающие алгоритмы, основанные на методах обратного распространения ошибки и его комбинировании со стохастическим обучением Коши;

–сравнить результаты оценки эффективности алгоритмов распознавания состояния степени активности автономной нервной системы, а также категоризации, классификации и кластеризации скаттерграмм больных с фибрилляцией предсердий с использованием показателей чувствительности и специфичности.

Для решения поставленных задач была использована методология системного анализа, нейрокибернетики, теории управления и теории моделирования.

Методы и организация исследований. Генеральной стратегией достижения целей проекта была организация кластера трансляционной медицины, функционирующего на договорной основе. Решение задач проекта в рамках организованного кластера осуществляла трансляционная команда исследователей, включавшая математиков, инженеров, системных программистов и врачей–исследователей. Реализация целевых функций в нем обеспечивается посредством идеологии crowdsourcing, как  с привлечением финансовой составляющей проекта, так и с рекрутированием необходимых компетенций и нематериальных активов его подразделений для выполнения проекта. Обязательным условием является привлечение сотрудников имеющих стратегические навыки мышления.

 Инфраструктура кластера представлена на рисунке 1 и включает 6 модулей: 

1) координатор кластера;

2) креативный модуль генерации инновационных идей с декомпозицией целей и функций проекта;

3) модуль системного программирования;

4) производственный модуль для реализации биотехнических систем диагностики;

5) модуль трансфера технологий;

6) модуль клинических исследований.

 

 
   

 

 

 

 

 

 

 

 

Рис. 1. Структура кластера трансляционной медицины

 

Функционально каждый модуль относился к научным и техническим подразделениям высших учебных заведений Белгорода и Воронежа:

  1. Кафедра пропедевтики внутренних болезней и клинических информационных технологий Белгородского государственного национального исследовательского университета.
  2. Кафедра прикладной математики и механики Воронежского государственного технического университета.
  3. Студенческое конструкторское бюро проблем робототехники и мехатроники НИУ «БелГУ».

Для преодоления трансляционных барьеров из сотрудников перечисленных кафедр и предприятий была создана междисциплинарная трансляционная команда, которая  включала авторов проекта, специалистов по информационным технологиям (медики и системные программисты), инженеров (электроников и конструкторов), а также врачей-клиницистов для оценки клинической эффективности биотехнических систем диагностики и лечения.

Компьютерное моделирование искусственной нейронной сети, обученной комбинированием градиентных и стохастических методов, проводилось в среде программирования Lazarus. На основе системного анализа было разработано биотехническое устройство ввода электрофизиологической информации в режиме on–line и представлено на рисунке 2.

Рис. 2. Структура биотехнической системы

 

Как видно из рисунка 2, внутрь устройства был интегрирован датчик пульса (1–5), микропроцессор с преобразователем сигналов ASCII (6), преобразователь USB универсальной последовательной шины и шины USB (7), USB шина (8), персональный компьютер (9). Для персонального компьютера была разработана программа-определитель USB–устройства (10), Программный преобразователь протокола шины USB в COM–порт протокол (11) и нейросетевые модули, включающие целевые прикладные программы (12).

Классификация степени активности АНС и диагностика скаттерграмм у больных с синдромом фибрилляции предсердий осуществляется посредством двухслойной нейронной сети, обученной посредством алгоритма обратного распространения ошибки и посредством нейросети, обученной применением комбинированного алгоритма обратного распространения ошибки и варианта метода стохастического обучения Коши (рис.3).

Двухслойная ИНС, рассматриваемая здесь, имеет аналитическое выражение в виде формулы:  

 

 

 
   

 

 

 

 

 

 

 

 

 

 

Входные данные модели представляют собой паттерн из 500 RR-интервалов, получаемый с помощью блока ввода электрофизиологической информации. Каждая пара кардиоинтервалов определяет временную составляющую из нулевых, ускоряющих и замедляющих ритм сердца коррекций.

Число нейронов выходного слоя, имеющих максимальную активность, является маркером класса, к которому нейросеть относит входную выборку. Врач–эксперт определяет название выходного класса в обучающей выборке.

Таким образом осуществляется распознавание шести функциональных классов степени активности автономной нервной системы (АНС): 1) резко выраженное преобладание симпатической нервной системыa (РВП СНС); 2)  выраженное преобладание симпатической нервной системы (ВП СНС); 3) умеренное преобладание симпатической нервной системы (УП СНС); 4) состояние равновесия межу СНС и ПСНС, иначе говоря, норма; 5) умеренное преобладание парасимпатической нервной системы (УП ПСНС); 6) выраженное преобладание  парасимпатической нервной системы (ВП ПСНС).

Для клинической оценки эффективности классификации были проанализированы 189 записей межпульсового интервала у 94 практически здоровых студентов Белгородского национального исследовательского государственного университета. Все они входили в одну социальную и возрастную группу от 17 до 24 лет.

Результаты исследований и их обсуждение. Апробация алгоритма обучения ИНС методом обратного распространения ошибки показала, что на обучающей выборке алгоритм правильно отобрал 96,0% образцов. Неправильно распознано – 4,0%. Из них гиподиагностика составила всего 4,0%, случаев гипердиагностики алгоритм не допустил.

Чувствительность алгоритма распознавания составила 100,0 % (70,0/70,0 + 0,0), специфичность дифференциальной диагностики – 86,7 % (26,0/26,0 + 4,0).

В экзаменационной выборке правильно было распознано 93,0% примеров. Неправильно распознано – 7,0%. Из них гипердиагностика составила 5,0% и гиподиагностика 2,0 %. Чувствительность алгоритма распознавания составила 97,1% (68,0/68,0 + 2,0), специфичность дифференциальной диагностики – 83,3% (25,0/25,0 + 5,0). Нейросетевой алгоритм завысил класс степени активности АНС только в 5% случаев, а занизил – всего лишь в 2% случаев [12, с.3].

Анализ клинической эффективности комбинированного алгоритма обратного распространения ошибки со стохастическим обучением Коши показал, что в обучающей и контрольной выборках правильно было распознано 100 % примеров. Ошибки классификации составили 0%.

Следует также подчеркнуть, что выявленные факты могут быть использованы не только для распознавания различных функциональных состояний пациента, но и для развития новых медицинских технологий в области неинвазивного сердечнососудистого мониторинга и скрининга. Например, для поэтапного решения различных диагностических задач: предварительного выделения классов нормального сердечного ритма и выделением подклассов прогностически неблагоприятных ригидного, и стабильного ритма, диагностикой различных нарушений ритма сердца и выделением фибрилляции предсердий с последующей классификацией по типу исходов для восстановления номотопного ритма сердца.

Было показано, что задача кластеризации авторегрессионных облаков сходна с решением задач классификации, но ее существенным отличием является то, что классы изучаемого набора данных заранее не предопределены, то есть не имеют метки. Решение задачи кластеризации включает стратегию обучения без учителя. Выделение трех категорий скаттерграмм в форме мономодальных авторегрессионных облаков, полимодальных и амодальных скаттерграмм осуществлялось также при использовании стратегии обучения с учителем.

Таким образом, основываясь на наших исследованиях, мы пришли к заключению о том, что наилучшие варианты технологических информационных медицинских систем могут быть представлены посредством искусственных нейронных сетей для решения следующих задач:

1) классификации, например, степени активности автономной нервной системы человека;

2) кластеризации авторегрессионных облаков (скаттерграмм) у больных фибрилляцией предсердий;

3) категоризации при прогнозировании исходов фибрилляции предсердий.

В настоящем исследовании получены следующие научные результаты характеризующиеся новизной:

  1. Создана биотехническая система, включающая блок ввода электрофизиологической информации, а также полнофункциональное приложение, предназначенное для классификации текущего состояния АНС человека в соответствии с паттерном микроструктуры вариабельности сердечного ритма.
  2. Разработана модель двухслойной искусственной нейронной сети (ИНС) для решения задач классификации степени активности автономной нервной системы (АНС).
  3. Сформирован эффективный обучающий алгоритм на основе комбинации градиентного и стохастического методов обучения.
  4. Проанализирована клиническая эффективность алгоритмов классификации нейронной сетью степени активности АНС. 100% случаев были распознаны правильно. Ошибки классификации составили 0%.
  5. Выполнена апробация разработанных моделей и алгоритмов в виде компьютерного приложения в свободно распространяемой среде программирования Lazarus. Отличительной особенностью приложения является наличие режимов автоматической кластеризации авторегрессионных графиков, построения карт самоорганизации и поиска атипичных примеров.
  6. Проанализированы результаты решения задачи автоматической категоризации авторегрессионных облаков, относящихся к мономодальному, полимодальному и амодальному классам. Независимая автоматическая категоризация авторегрессионных облаков соответствует кластерам скаттерграмм установленных экспертом. Найденные нетипичные случаи скаттерграмм, которые относятся к пограничным ситуациями и тяготеют к нескольким классам дифференциальной диагностики. Описанная в работе методика автоматического поиска атипичных случаев может быть перенесена на другие задачи медицинской диагностики.

Список литературы

  1. Allen J. Development of a neural network screening aid for diagnosing lower limb peripheral vascular disease from photoelectric plethysmography pulse waveforms / J. Allen, A. Murray // Physiol Meas, 1993. – V. 14. – P. 13–22.
  2. Choi D.W. Bench to bedside: the glutamate connection // Science. – 1992. – Vol. 258, № 5080. – P. 241–243.
  3. Дударева С.Л. Программный комплекс, предназначенный для распознавания мерцательной аритмии с использованием модели, основанной на методах нелинейной динамики / С.Л. Дударева, Ф.А. Пятакович // Измерительные информационные технологии и приборы в охране здоровья. Труды международной научно-практической конференции.7-9 октября. - Санкт-Петербург. 2003. –С. 37-39.
  4. Makkonen K.F. A model of examination stress for the development of determined colourstimulation oriented on the modification of the functional status of the patients / K.F. Makkonen, F.A. Pyatakovich//International journal of applied and fundamental research. №2 –2009. –С. 17-20.
  5. Пятакович Ф.А. Трансляционные исследования в процессе разработки биотехнической системы миллиметровой терапии / Ф.А. Пятакович, Т.И. Якунченко, К.Ф. Макконен, О.В.Мевша //Современные проблемы науки и образования. – 2016. – № 6.; URL: https://science-education.ru/ru/article/view?id=25919
  6. Pytakovich F. Translational methods for solving the tasks of the project to develop bioengineering system and the neuronet processes of diagnostic / F. Pytakovich, L. Khlivnenko, T. Yakunchenko, K. Makkonen, O. Mevsha // Proceedings Allergy, Asthma, Copd, Immunophysiology & Norehabilitology: Innovative Technologies. Editor Professor Revaz Sepiashvili. – 2017. – E-book – P. 289-296.
  7. Pyatakovitch F.A. Structure of the models and algorithm of the cyclical biocontrol in computer system of the millimeter therapy / F.A. Pyatakovitch, M.V. Shvets // European journal of natural history. - 2007, №1. –P. 117–122.
  8. Pyatakovich F.A. Photostimulation biocontrolée./ F.A. Pyatakovich, Y.Hashana K.F. Makkonen// Academie Russe des sciences medicales, Comission ”Chronobiologie et Chronomedicine”. Université d` État de Belgorod. Univercité d`État de la Manoube. Institut superieur d`éducation physique Kssarr Said. Press Univercitaire de Tunis. ISSEP Science –Tunis, 2008.– 104 p.
  9. Pyatakovich F.A. Biotechnical system of automatic classification scattergrams and evaluation of atrial fibrillation outcomes / F.A. Pyatakovich, O.V. Mevsha, T.I. Yakunchenko, K.F. Makkonen // International Journal Of Pharmacy & Technology (IJPT) June-2016. - Vol. 8, Issue No.2. –P. 14129-14136.
  10. Woolf S.H. The meaning of translational research and why it matters / S.H. Woolf // JAMA: The Journal of the American Medical Association. – 2008. –Vol. 299. – P. 211–213.
  11. Хливненко Л.В. Анализ многомерных данных в задачах медицинской диагностики с применением искусственных нейронных сетей / Л.В. Хливненко, Ф.А. Пятакович // Конгресс по интеллектуальным системам и информационным технологиям - IS&IT’16 (Дивноморское, 2-9 сентября 2016 года). – Таганрог. –2016. –Т.2. С. 182–187.
  12. Шляхто Е.В. Трансляционные исследования как модель развития современной медицинской науки / Е.В. Шляхто //Трансляционная медицина. –2014. Февраль.– №1. –С. 5–18.

References

  1. Allen J. Development of a neural network screening aid for diagnosing lower limb peripheral vascular disease from photoelectric plethysmography pulse wave-forms / J. Allen, A. Murray // Physiol Meas, 1993. - V. 14. - P. 13 -22.
  2. Choi D.W. Bench to bedside: the glutamate connection // Science. - 1992. - Vol. 258, No. 5080. - P. 241-243.
  3. Dudareva S.L. The program complex intended for recognition of atrial fibrillation using a model based on nonlinear dynamics methods / S.L. Dudareva, F.A. Pyatakovich // Measuring information technologies and devices in health protection. Proceedings of the international scientific and practical conference. October 7-9. - St. Petersburg. 2003.- P. 37-39.
  4. Makkonen K.F. A model of examination stress for the development of de-termined colourstimulation based on the modification of the functional status of the patients. Makkonen, F.A. Pyatakovich // International Journal of Applied and Fun-damental Research. №2 -2009. -FROM. – P.17-20.
  5. Pyatakovich F.A. Translational research in the development of the biotechnical system of millimeter therapy / F.А. Pyatakovich, T.I. Yakunhenko, K.F. Makkonen, O.V. Mevsha // Modern problems of science and education. - 2016. - No. 6 .; URL: https://science-education.ru/en/article/view?id=25919
  6. Pytakovich F. Translational methods for solving the tasks of the project to develop bioengineering system and the neuronet processes of diagnostic / F. Pytakovich, L. Khlivnenko, T. Yakunchenko, K. Makkonen, O. Mevsha // Proceedings Allergy, Asthma, Copd, Immunophysiology & Norehabilitology: Innovative Technologies. Editor Professor Revaz Sepiashvili. - 2017. - E-book - P. 289-296.
  7. Pyatakovitch F.A. Structure of the models and algorithm of the cyclical bio-control in the computer system of the millimeter therapy / F.A. Pyatakovitch, M.V. Shvets // European journal of natural history. - 2007, №1. -P. 117-122.
  8. Pyatakovich F.A. Photostimulation biocontrolée. / F.A. Pyatakovich, Y. Hashana K.F. Makkonen // Academie Russe des sciences medicales, Comission «Chronobiologie et Chronomedicine». Université d` État de Belgorod. Univercité d`État de la Manoube. Institut superieur d`éducation physique Kssarr Said. Press Univercitaire de Tunis. ISSEP Science-Tunis, 2008.- 104 p.
  9. Pyatakovich F.A. Biotechnical system of automatic classification, scatter-grams and evaluation of atrial fibrillation outcomes / F.A. Pyatakovich, O.V. Mevsha, T.I. Yakunchenko, K.F. Makkonen // International Journal of Pharmacy & Technology (IJPT) June-2016. - Vol. 8, Issue No.2. -P. 14129-14136.
  10. Woolf S.H. The meaning of translational research and why it matters / S.H. Woolf // JAMA: The Journal of the American Medical Association. - 2008. -Vol. 299.-P. 211-213.
  11. Khlivnenko L.V. Analysis of multidimensional data in the problems of medical diagnostics using artificial neural networks / L.V. Khlivnenko, F.A. Pyatakovich // Congress on Intelligent Systems and Information Technologies - IS & IT'16 (Divnomorskoe, September 2-9, 2016). - Taganrog. -2016. -T.2. - P. 182-187.
  12. Shlyakhto E.V. Translational research as a model for the development of modern medical science / E.V. Shlyakhto // Translational medicine. -2014. February - №1. -FROM. P. 5-18.

Сведения об авторах. Феликс Андреевич Пятакович –  профессор кафедры пропедевтики внутренних болезней и клинических информационных технологий ГОУ ВПО Белгородского государственного национального исследовательского университета (НИУ БелГУ), заслуженный работник высшей школы РФ, доктор медицинских наук, профессор, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.; Любовь Владимировна Хливненко –  доцент кафедры прикладной математики и механики, ГОУ ВПО Воронежского государственного технического университета, кандидат технических наук, доцент,  e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.; Ольга Владимировна Мевша – доцент кафедры пропедевтики внутренних болезней и клинических информационных технологий ГОУ ВПО Белгородского государственного национального исследовательского университета (НИУ БелГУ), кандидат медицинских наук, зав. отделением функциональной диагностики Белгородской городской клинической больницы №2; Татьяна Игоревна Якунченко – заведующая кафедрой пропедевтики внутренних болезней и клинических информационных технологий ГОУ ВПО Белгородского государственного национального исследовательского университета (НИУ БелГУ), доктор медицинских наук, профессор, e-mail:  Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.; Кристина Феликсовна Макконен – профессор кафедры факультетской терапии ГОУ ВПО Белгородского государственного национального исследовательского университета (НИУ БелГУ), доктор медицинских наук, доцент, Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript..

Поиск