Мета роботи і задачі дослідження. Метою роботи є створення інформаційної технології на основі розробки моделі, методу та методики обробки даних добового моніторингу артеріального тиску і пульсу пацієнта. Для цього необхідно:

? розробити математичну модель нестаціонарного процесу добового моніторингу АТ і пульсу пацієнта;

? розробити набір нових показників ДМАТ, які характеризують зміну АТ і пульсу пацієнта;

? розробити метод сумісного застосування моделей математичного та інформаційного моделювання добового моніторингу АТ і пульсу пацієнта;

? розробити методику дослідження зміни АТ і пульсу пацієнта на основі набору нових показників ДМАТ.

Об'єктом дослідження є нестаціонарні процеси в системах медичного моніторингу. інформаційний моніторинг математичний

Предметом дослідження є інформаційна технологія підтримки прийняття рішень в системах добового моніторингу артеріального тиску і пульсу.

Методи дослідження, використані при розв'язанні поставлених задач: методи теорії ймовірностей і математичної статистики, теорії штучних нейронних мереж, теорії масового обслуговування, обчислювальної математики.

Наукова новизна дисертаційної роботи полягає у наступному.

1. Вперше запропоновано модель процесу ДМАТ на основі одновимірних неперервних марківських ланцюгів, що дозволяє визначати сталі та кусково-сталі оцінки функцій інтенсивності переходів між станами, аналітичні співвідношення для функцій ризику знаходження процесу у певному стані, ймовірнісні характеристики функціонування процесу в умовах стаціонарності та момент часу входу процесу в зону стаціонарності.

2. Запропоновано новими показниками ДМАТ вважати оцінки функцій інтенсивності переходу між станами та коефіцієнти аналітичних співвідношень для функцій ризику знаходження АТ та пульсу в певних зонах контролю.

3. Розроблено метод, який поєднує ланцюги Маркова та штучні нейронні мережі в системі ДМАТ та дозволяє на основі результатів математичного моделювання провести класифікацію пацієнтів відносно встановленого набору діагнозів та кластеризацію пацієнтів з метою формування уточнених діагнозів.

4. Розроблено нову методику дослідження та аналізу варіабельності АТ і пульсу на основі нововведених показників ДМАТ, за якою сформовані рекомендації щодо класифікації діагнозів, які становлять основу підтримки прийняття рішень медичним фахівцем.

Достовірність отриманих результатів забезпечується коректним використанням математичного апарату марківських процесів та нейромереж, а також результати перевірено на підставі клінічних експериментів.

Практична цінність матеріалів дисертаційної роботи полягає в можливості широкого застосування отриманих результатів для прийняття більш коректних рішень при діагностуванні та виявлення ступеня тяжкості клінічного прогнозу розвитку порушень функціонування ССС.

1. Створено нову методику дослідження варіабельності показників добового моніторингу артеріального тиску і пульсу пацієнта.

2. Розроблено інформаційну технологію аналізу процесу зміни АТ і пульсу на основі математичної моделі, що поєднує ланцюги Маркова та штучні нейромережі та дозволяє формувати набори нових діагностичних показників, зменшувати кількість показників зі зберіганням певного відсотку інформативності первинного набору або з урахуванням ступеню згуртованості об'єктів в просторі вхідних ознак іншої вимірності, провадити звичайну, каскадну та гібридну діагностику та визначати сховані в даних закономірності.

3. Створено інформаційно-моделююче програмне середовище “NeuroModelDBPM”, яке реалізує зазначену інформаційну технологію та дозволяє провадити різноплановий аналіз даних добового моніторингу артеріального тиску і пульсу.

Розроблену інформаційну технологію, методику дослідження і аналізу варіабельності артеріального тиску і пульсу, а також програмне забезпечення “NeuroModelDBPM” випробувано та впроваджено на базі Антигіпертензивного центру клінічної лікарні № 11 м. Дніпропетровська та кардіологічного відділення Дорожньої клінічної лікарні на ст. Дніпропетровськ; впроваджено ЗАТ “Спектромед” в дослідженнях клініко-біологічних процесів при створенні моніторингових і апаратно-діагностичних систем на базі сучасних комп'ютерних технологій, а також застосовано у науковій та медичній практиці Науково-дослідницького інституту імені Сєченова м. Ялта.

Особистий внесок здобувача в роботах, виконаних у співавторстві. У роботах [1, 3, 10] здобувачем розроблено технологію одержання моделей процесу зміни АТ та ЧСС, отримано оцінки функцій інтенсивності для марківських і кусково-марківських моделей та аналітичні співвідношення для функції ризику знаходження показників в певних зонах контролю. У роботах [2, 6] розроблено і реалізовано інформаційну технологію кластеризації даних ДМАТ. У роботах [11, 15] здобувачем розроблено нейромережеву технологію обробки та аналізу даних ДМАТ.

Апробація результатів дисертаційної роботи. Результати дисертаційних досліджень доповідалися та обговорювалися на міжнародних та міждержавних науково-технічних конференціях, зокрема: П'ятій та Шостій міжнародних науково-технічних конференціях "Авіа -2003", "Авіа -2004" (Київ, 2003, 2004); міждержавних науково-методичних конференціях "Проблеми математичного моделювання" (Дніпродзержинськ, 2003-2005); Другій та Третій міжнародних науково-практичних конференціях ”Математичне та програмне забезпечення інтелектуальних систем” (Дніпропетровськ, 2004-2005); Шостій, Сьомій та Восьмій міжнародних молодіжних науково-практичних конференціях ”Людина і Космос” (Дніпропетровськ, 2004-2006); П'ятій міжнародній науковій конференції студентів та молодих вчених ”Політ” (Київ, 2005); Першому молодіжному науково-практичному форумі ”Информационные технологии в ХХ1 веке” (Дніпропетровськ, 2003).

Публікації. Основний зміст та результати дисертаційної роботи опубліковано у 16 друкованих працях (в тому числі 9 без співавторів), серед яких 5 робіт опубліковано у виданнях, затверджених ВАК України як фахові, 11 у тезах доповідей на конференціях.

Структура роботи. Дисертаційна робота складається з вступу, чотирьох розділів, висновків, списку літератури і додатків. Основний обсяг роботи складає 114 сторінок основного тексту; робота містить 46 таблиць, 23 малюнки, 2 додатки, список використаних джерел з 117 найменувань.

ОСНОВНИЙ ЗМІСТ

Згідно градацій рівня для первинних показників ДМАТ формуються графи процесу зміни АТ та пульсу. Таким чином, максимальний граф процесу коливань профілів кожного з показників ДМАТ окремо наведено на рис. 1.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Рис. 1. Граф функціонування показників ДМАТ: а - показники САТ і ДАТ; б - показник ЧСС; в - показник ПАТ

Визначальними характеристиками процесу варіабельності АТ та ЧСС є функції інтенсивності переходу із стану, в стан, а також - ймовірність знаходження процесу в стані. У загальному випадку функції інтенсивності неперервні, але надалі буде розглядатися апроксимація функцій інтенсивності деякою сталою величиною , або кусково-сталою функцією

де - кількість інтервалів неперервності , функції. Згідно зроблених зазначень, процес варіабельності АТ і ЧСС можна класифікувати як марківський ланцюг з неперервним часом та станами і розглядати на часовому інтервалі .

Для визначення оцінок функцій інтенсивності формуються масиви , які характеризують, відповідно, проміжки часу, впродовж яких процес знаходився у стані і по закінченні яких переходив у стан. В роботі наведено процедури формування оцінок функцій інтенсивності на основі статистичного та ймовірнісного підходів, останній полягає у відтворенні за масивами , сплайн-експоненційного розподілу з одним та двома вузлами. Нижче наведено математичну модель, яка описує варіабельність АТ та ЧСС протягом обраного періоду доби на прикладі показника САТ, а отже , . Моделі показників САТ, ДАТ, ПАТ і ЧСС в різні періоди доби аналогічні з точністю до кількості станів.

(1)

, , ,, (2)

, ,

де , - ймовірність перебування процесу в стані у момент часу , , - сталі оцінки функцій інтенсивності.

Розв'язком системи є функції ризику знаходження процесу в стані 

, , (3)

коефіцієнти яких поряд з оцінками функцій інтенсивності формують набір нових показників ДМАТ.

Аналогічно, для кусково-сталих оцінок функцій інтенсивності, визначених за статистичним та ймовірнісним підходами, математична модель процесу для показника САТ має вигляд

(4)

, , , (5)

, ,

розв'язком якої є функції ризику наступного виду

, , (6)

де для подальшого дослідження інтерес становлять лише коефіцієнти , та вузол на останньому інтервалі неперервності функції.

Наведено процедури проведення порівняльного аналізу моделей з різним типом оцінок функцій інтенсивності. Порівняльний аналіз моделей запропоновано провадити попарно між моделями. Він складається з оцінювання якості моделювання і адекватності відтворення моделлю фізичного процесу ДМАТ.

У третьому розділі подано обчислювальну схему методу відбору інформативних ознак; архітектури, методи та обчислювальні процедури навчання мереж, що здійснюють стиск вектора ознак і класифікацію пацієнтів; архітектуру й обчислювальну процедуру самонавчання мережі, яка проводить кластерний аналіз пацієнтів.

Важливими компонентами автоматизованої обробки медичних даних є дослідження невідомих закономірностей, що містять дані, та класифікація пацієнтів за визначеними лікарем діагнозами. Для досягнення задовільного рівня точності та адекватності результатів автоматизованого аналізу необхідно проведення попередньої обробки даних. Найбільший інтерес при цьому становлять етапи відбору інформативних ознак та стиснення вхідного набору ознак шляхом формування меншого за кількістю набору компонент, що містять достатній відсоток інформації від загального вхідного набору ознак. У даному розділі розглядається застосування нейромережевих засобів аналізу даних при розв'язання задач кластерного аналізу, стиснення та класифікації даних. У роботі викладено процедури навчання зазначених мереж із детальним описом обраних параметрів.

За результатами моделювання процесу ДМАТ за даними ДМАТ для кожного з пацієнтів окремо отримано набір параметрів, який містить для моделей показників САТ, ДАТ, ПАТ і ЧСС сталі оцінки функцій інтенсивності, ймовірнісні характеристики стаціонарного режиму і час входу в зону стаціонарності процесу зі сталими та кусково-сталими оцінками функцій інтенсивності переходів між станами. Таким чином, у сукупності для всіх пацієнтів сформовано масив , , з набору нових показників ДМАТ, за яким необхідно виконати попередню обробку даних та сформувати новий, менший за обсягами, набір ознак або компонент; кластеризувати пацієнтів з метою формування нового набору діагнозів, на основі виявлених групових співвідношень; класифікувати пацієнтів відповідно до встановленого набору діагнозів.

Відбір інформативних ознак здійснюється на основі методу апроксимації матриці відстаней. Нелінійний аналіз головних компонент на основі нейронної мережі (НМ) типу асоціативний персептрон з вузьким горлом дозволяє стискати набір ознак та оцінювати відсоток інформативності сформованого набору компонент, але створює складнощі з подальшою інтерпретацією результатів досліджень.

Стандартний підхід до розв'язання задачі класифікації полягає у застосуванні однієї мережі, яка навчена класифікувати об'єкти за всіма можливими класами . Така організація процесу класифікації практично не здатна провадити задовільну класифікацію у разі, якщо класів багато та вони сильно перекриваються. Виходом з цієї ситуації виявляється підхід, заснований на створенні каскаду мереж, компонентами якого є НМ типу двошаровий персептрон. Кожна мережа каскаду вчиться розрізняти менший за кількістю класів набір та клас , тобто якщо об'єкт має клас , то мережа відносить його до класу .

Рис. 2. Схема процесу каскадної класифікації

Переваги каскадної організації процесу класифікації полягають у тому, що кожна окрема мережа з каскаду вчиться розпізнавати меншу за загальну кількість класів, що підвищує її спроможність достатньо гарної класифікації та значно зменшує загальний час навчання; підвищення якості класифікації окремими мережами значно підвищує загальну якість класифікації; якщо жодна з мереж не класифікувала об'єкт, то це може свідчити про наявність деякого невідомого класу. Щоб уникнути наявності некласифікованих об'єктів достатньо поставити на останнє місце в каскаді мережу, яка вчиться розрізняти всі класи , у цьому випадку мережа не вчиться виділяти клас .

Кластерний аналіз проводиться мережами Кохонена квадратної та циклічної організації. Для запобігання потраплянню нейронів у зони відсутності даних використовується механізм стомлюваності нейронів, який полягає у модифікації відстані між вектором ваг і вхідним сигналом пропорційно кількості перемог даного нейрону у минулому.

Якщо по завершенню навчання шару Кохонена провести аналіз вихідних сигналів нейронів, при поданні на вхід мережі послідовності сигналів , то можна застосувати гібридний підхід до класифікації об'єктів. Мережа, що реалізує гібридний підхід, структурно складається із шару Кохонена та персептронного шару. Обидва шари гібридної мережі навчаються окремо один від одного. Після закінчення навчання шару Кохонена обчислюються вихідні сигнали його нейронів, що у сукупності з набором класів утворюють навчальну вибірку для персептронного шару. Таким чином, шар Кохонена також може виступати в ролі стискаючого шару. При цьому він має значну перевагу по швидкості навчання над мережею типу асоціативний персептрон з вузьким горлом.

У четвертому розділі наведено структуру, організацію обчислювального процесу та можливості програмного забезпечення “NeuroModelDBPM”, результати моделювання АТ і пульсу, статистичну оцінку адекватності моделей та результати відбору інформативних ознак. В розділі також наведено результати застосування системи “NeuroModelDBPM”, які містять кластеризацію і стиск даних моделювання ДМАТ із застосуванням мереж Кохонена, стиск даних із застосуванням мережі асоціативний персептрон з вузьким горлом і результати проведення звичайної, каскадної і гібридної нейромережевої діагностики та їх порівняльний аналіз.

Для розв'язання поставленого завдання розроблено метод, який полягає в сумісному застосуванні технології моделювання ДМАТ та нейротехнології аналізу нових діагностичних показників, отриманих в результаті моделювання ДМАТ. Практичну реалізацію зазначеного методу здійснено у вигляді інформаційно-моделюючої системи “NeuroModelDBPM” дослідження та аналізу варіабельності АТ за даними ДМАТ. Система “NeuroModelDBPM” дозволяє будувати моделі поведінки показників ДМАТ, засновані на методах аналізу нестаціонарних марківських і кусково-марківських процесів, провадити нейромережеву обробку даних моделювання ДМАТ та діагностування і кластеризацію пацієнтів за обробленими даними, а також виконує візуалізацію, збереження та експортування нейромережевого інтерфейсу і результатів обробки даних ДМАТ. Структуру системи “NeuroModelDBPM” наведено на рис. 3. Концептуальну модель розробленої інформаційної технології представлено на рис. 4.

Рис. 3. Структура системи “NeuroModelDBPM”

Рис. 4. Діаграма прецедентів системи “NeuroModelDBPM”

Основні етапи моделювання ДМАТ системою “NeuroModelDBPM” подано з боку діаграм діяльності підсистем (рис.5, 6).

”

Рис. 5. Діаграма діяльності модуля “ModelDBPM

Рис. 6. Діаграма процесу формування аналітичних співвідношень для функцій ризику

На рис. 7 подано загальну діаграму навчання мереж типу двошаровий або асоціативний персептрон з вузьким горлом та мереж Кохонена за відповідними процедурами. Рис. 8 ілюструє роботу каскадної схеми нейромережевої класифікації.

Рис. 7. Діаграма процесу навчання мереж

Рис. 8. Діаграма процесу каскадної класифікації

Таким чином інформаційно-моделююча система “NeuroModelDBPM” реалізує інформаційну технологію аналізу короткочасних коливань АТ за даними моделювання ДМАТ. Така будова інформаційної технології дозволяє виконувати не лише діагностування, а також і різноманітні дослідження, забезпечуючи гнучку схему можливостей обробки даних.

Результати ДМАТ отримано к.м.н. Колесник Т.В. на базі Антигіпертензивного центру клінічної лікарні № 11 м. Дніпропетровська при кафедрі госпітальної терапії № 2 Дніпропетровської державної медичної академії та надано в рамках договору про співробітництво.

Про якісне відтворення моделлю фізичного процесу ДМАТ свідчать результати оцінки якості моделювання показника САТ (табл. 2). Аналогічні високі відсотки якості отримано і для показників САТ, ДАТ, ПАТ та ЧСС за різні періоди доби.

Таблиця 2. Оцінка якості моделювання за добовий період показника САТ всіх пацієнтів

У дисертації наведено теоретичне узагальнення та новий розв'язок актуальної задачі, що полягає у побудові математичних моделей артеріального тиску і пульсу, розробці методики, методу та реалізації інформаційно-моделюючої програмної системи класифікації пацієнтів на основі створеної інформаційної технології.

Основні наукові та практичні результати дисертаційної роботи полягають у наступному.

1. Вперше запропоновано модель процесу добового моніторингу артеріального тиску і пульсу у вигляді одновимірних неперервних марківських ланцюгів, що надає можливість визначати сталі та кусково-сталі оцінки функцій інтенсивності переходів між станами, аналітичні функції ризику знаходження процесу у певному стані, ймовірнісні характеристики функціонування процесу в умовах стаціонарності та момент часу входу процесу в зону стаціонарності.

2. Запропоновано та обґрунтовано використання оцінок функцій інтенсивності переходу між станами та коефіцієнтів аналітичних співвідношень для функцій ризику знаходження артеріального тиску та пульсу в певних зонах контролю як нових показників добового моніторингу, які отримані з урахуванням динаміки зміни артеріального тиску і пульсу пацієнта.

3. Розроблено метод, який поєднує ланцюги Маркова та штучні нейронні мережі в системі добового моніторингу артеріального тиску і пульсу, що надало змогу на основі результатів математичного моделювання провести діагностику пацієнтів та їх перегрупування з метою формування уточнених діагнозів.

4. Розроблено методику дослідження і аналізу варіабельності показників добового моніторингу артеріального тиску і пульсу за новими показниками ДМАТ, що надало змогу сформувати рекомендації у вигляді номеру діагнозу, які становлять основу підтримки прийняття рішень медичним фахівцем.

5. Показано, що для підвищення достовірності оцінок функцій інтенсивності переходів артеріального тиску і пульсу між станами при побудові уточненої оцінки зміни профілю артеріального тиску і пульсу потрібно використовувати згладжування поліноміальними сплайнами, на відміну від побудови оцінок функцій інтенсивності за первинними замірами артеріального тиску і пульсу.

6. Створено інформаційну технологію, яка надала змогу реалізувати підтримку прийняття рішень медичним фахівцем за рахунок відбору інформативних ознак, циклічного використання результатів роботи нейромереж та здійснення каскадної та гібридної діагностики, що дозволяє врахувати нерівномірну кількість пацієнтів в групах, які досліджувалися. Розроблена інформаційна технологія може бути застосована при дослідженні поведінки нестаціонарних процесів у інших галузях науки й техніки, зокрема в машинобудуванні, транспорті, аерокосмічній галузі, енергетиці, економіці, при екологічному моніторингу та ін. із відповідними пристосовуваннями до обраної предметної галузі.

7. Розроблено програмне забезпечення у вигляді інформаційно-моделюючої системи “NeuroModelDBPM” групової та індивідуальної діагностики на основі аналізу варіабельності показників ДМАТ. Систему “NeuroModelDBPM” можна використовувати в дослідженнях інших клініко-біологічних процесів та при створенні моніторингових і апаратно-діагностичних систем на базі сучасних комп'ютерних технологій. Якість і адекватність результатів моделювання процесу ДМАТ досліджено на контрольній вибірці пацієнтів, що надало змогу встановити працездатність та достовірність розробленого методу та методики.

CПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ