Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Методы визуализации и мониторинга состояния биообъектов

Введение

интегральный математический прикладной программа

Сохранение и укрепление здоровья населения как национального богатства и фактора, определяющего состояние человеческого потенциала, является важнейшей задачей общества. В трансформационной среде ее решение приобретает исключительное значение, становясь главным условием существования социума и безопасности.

Детское здоровье, которое определяет потенциал страны в будущем, служит важнейшим показателем не только эффективности государственной политики, но и благополучия нации в целом. В связи с этим на проблемы детства и положение детей все чаще обращают внимание представители властных структур, научных кругов, общественных организаций. Одним из них является ФГБУН «Томский научно-исследовательский институт курортологии и физиотерапии Федерального медико-биологического агентства России». Данный институт занимается разработкой виртуального центра оценки и прогнозирования качества здоровья детей, который включает в себя создание методического, алгоритмического и программного обеспечения, в том числе решение следующих задач:

1) изучить функциональное состояние основных физиологических систем организма у условно здоровых детей различных возрастных групп, детей и подростков, занимающихся спортом, а также с наиболее распространенными хроническими неинфекционными заболеваниями;

2) обосновать алгоритмы выбора информативных показателей основных физиологических систем организма по данным результатов обследования;

3) на основе сформированных баз данных обследований в соответствии с утвержденными Протоколами классифицировать детей различных возрастных категорий по однородным группам для получения объективных и независимых измерений параметров организма, необходимых для моделирования, на базе количественных и качественных признаков;

4) построить бионические модели процессов адаптации у условно здоровых детей различных возрастных групп, детей и подростков, занимающихся спортом, а также с наиболее распространенными хроническими неинфекционными заболеваниями;

5) разработать алгоритм интегральной оценки уровней здоровья у детей различных возрастных категорий;

6) создать информационное и программное обеспечения компьютерного виртуального Центра оценки и прогнозирования качества здоровья детей с наиболее распространенными хроническими неинфекционными заболеваниями.

Целью моей работы является разработка алгоритмического и программного обеспечение для оценки и отображения состояния биообъектов.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести обзор существующих методов и подходов и выбрать методы для интегральной оценки и отображения состояния организма человека.

2. Разработать и программно реализовать алгоритм для оценки состояния на основе интегральных критериев и отображения динамики состояния организма в рамках данного подхода;

3. Разработать дополнительные программные модули для отображения текущего состояния организма на основе других подходов (в том числе с использованием пиктографиков «Лица Чернова».

Объект исследования: изменение состояния пациентов в результате лечения.

Предмет исследования: интегральные оценки и визуальное отображение динамики состояния пациентов.

Актуальность темы исследования подтверждается тем, что в декабре 2014 проект «Разработка виртуального Центра оценки и прогнозирования качества здоровья детей с наиболее распространенными хроническими неинфекционными заболеваниями» получил поддержку Российского фонда фундаментальных исследований, обладает научной новизной и практической значимостью.

1. Обзор имеющихся методов, подходов и прикладных программ

1.1 Интегральные оценки уровня здоровья

В настоящее время для оценки состояния объектов или процессов в различных областях знаний широко используются разного рода интегральные показатели, основное назначение которых - дать комплексную оценку выбранных характеристик объекта. Такие показатели просты в применении и служат своего рода индикаторами, так как их отклонения от некоторых заданных значений свидетельствуют об изменении состояния объекта и предполагают его дальнейший анализ. Чувствительность показателя к изменениям состояния объекта на различных уровнях его иерархической структуры напрямую связана с выбором уровня декомпозиции объекта, на основе которого строятся интегральный показатель. [1]

Например, в работе [2] предлагается метод иерархической декомпозиции основных характеристик исследуемого объекта, построения вектора их количественных показателей и получения как интегральных оценок состояния объекта в целом, так и проведения сравнительного анализа двух и более объектов. Значимость отдельных характеристик объекта определяется с использованием вектора весовых коэффициентов, сформированного экспертным путем.

Существующие в традиционной медицине методические подходы к оценке здоровья основаны на противопоставлении здоровья и болезни или на принципах нормологии. Однако большинством авторов, занимающихся этой проблемой, такой подход признается малоперспективным (Баевский Р.М., Брехман И.И., Апанасенко Г.Л., Гундаров И.А., Киселева Н.В., Козина Э.М. и др.) [3-6].

Наиболее активно в последнее время развивается направление, основанное на оценке уровня здоровья с точки зрения теории адаптации [4]. В основу этих исследований положены методические подходы, предложенные еще в 70-е годы В.П. Казначеевым и Р.М. Баевским [5]. Согласно их концепции, здоровье рассматривается, как способность организма адаптироваться к условиям внешней среды, а болезнь - как результат срыва адаптации. Адаптивные реакции организма при этом оцениваются преимущественно по показателям системы кровообращения.

Дальнейшее развитие этот подход получил в работах Н.М. Амосова [7], Г.Л. Апанасенко [3], предложивших определять «количество здоровья» физиологическими резервами организма - максимальной производительностью органов при сохранении качественных пределов их функций. К настоящему времени на основе этого подхода разработано большое число автоматизированных программ количественной оценки здоровья (Баевский Р.М., Демченкова Г.З., Берсенева А.П., Кoзин Э.М., Кураев Г.А., Шорин Ю.П., Лурье С.Б., Марченко А.М., Тихонов М.Н., Довгуша В.В., Крутько В.Н., Славин М.Б., Мамай А.В.).

Так же для формирования интегральных оценок имеется подход, основанный на информационно-энропийном методе, в модификации предложенной О.Г. Берестневой и Я.С. Пеккером[8].

Информационно-энтропийный метод представляет собой пример так называемого внешнего описания состояния больших систем. Этот подход ведет свое начало от представлений, высказанных еще Аристотелем, в соответствии с которыми важность целого превыше важности ее составляющих.

Однако, большинство исследователей, в том числе и сами авторы, признают, что диагностическая и прогностическая значимость предлагаемых методов изучена недостаточно и имеет ряд недостатков. В нашем случае самым важным недостатком является то, что нет возможности работать с качественными параметрами.

Таким образом, использование существующих на сегодняшний день интегральных показателей оценки уровня физического здоровья в качестве оценки и прогнозирования качества здоровья детей не представляется возможным. В связи с чем, актуальной становится задача разработки алгоритма для оценки состояния на основе интегральных критериев с использованием нечетких множеств и отображения динамики состояния организма.

1.2 Визуализация многомерных данных

Визуализация является одним из мощных средств интерпретации данных. Под визуализацией данных мы понимаем такой способ представления многомерного распределения данных на двумерной плоскости, при котором качественно отражены основные закономерности, присущие исходному распределению - его кластерная структура, топологические особенности, внутренние зависимости между признаками, информация о расположении данных в исходном пространстве и т.д. Однако исследователь при анализе данных довольно часто сталкивается с многомерностью их описания. Возникает проблема поиска подходящих способов графического представления многомерного объекта.

Методы многомерного анализа - наиболее действенный количественный инструмент исследования процессов, описываемых большим числом характеристик [9]. К ним относятся кластерный анализ, таксономия, распознавание образов, факторный анализ.

В качестве основных применений методов визуализации можно указать следующие:

а) наглядное представление геометрической метафоры данных;

б) лаконичное описание внутренних закономерностей, заключенных в наборе данных;

в) сжатие информации, заключенной в данных;

г) восстановление пробелов в данных;

д) решение задач прогноза и построения регрессионных зависимостей между признаками.

Наиболее эффективным и несущим наибольший объем информации является представление данных в виде образов или картин. Восприятие человека устроено так, что его мозг, взаимодействуя с внешним миром, воспринимая и осмысливая поступающую информацию, настраивается на определенные образы или эталоны, которые легко, без необходимого приспособления и тренировки, воспринимаются им и требуют дополнительного кодирования.

Основными преимуществами метода образного кодирования являются:

- возможность согласования большого потока информации с пропускной способностью сенсорных анализаторов человека;

- значительное сокращение объема ненужной информации;

- существенное снижение необходимости в априорных сведениях об изучаемом объекте;

- компактность в отношении занимаемой площади;

- широкие возможности перестройки для обслуживания объектов различного назначения.

Поскольку человек - существо социальное, то наибольшее значение для него приобретают контакты с другими людьми. Это приводит к тому, что человек обучается распознавать огромное количество лиц. По выражению лица, мимике мы мгновенно определяем эмоциональнее состояние человека, но на ряду с основными эмоциональными состояниями мы различаем десятки их оттенков. Причем малейшие изменения в лице могут быть сразу замечены окружающими. Этим определяется высокая информативность, как самого лица, так и его выражения. Эта информативность лица передается в фотографиях, рисунках, карикатурах и т.д.

Анализ графической информации базируется на способности индивида интуитивно находить сходство и различия в объектах, при этом особенно хорошо запоминаются и распознаются черты лица. Указанные особенности человеческого восприятия эффективно используются в диаграммах «лица Чернова». Каждый объект представляет собой схематичное изображение лица, определенным чертам которого (ширине лица, длине носа, изгибу бровей, форме рта и т.д.) соответствуют относительные значения выбранных переменных (рис. 1).

Таким образом, для отображения текущего состояния объекта в данной работе будет использован подход пиктографиков «Лица Чернова»

1.3 Пакеты прикладных программ

В настоящем обзоре приведены наиболее популярные пакеты прикладных программ для обработки и отображения многомерных данных.

Наибольшее распространение получили следующие пакеты прикладных программ:

1. STATISTICA;

2. Microsoft Excel.

Statistica

Statistica - пакет для всестороннего статистического анализа, разработанный компанией StatSoft.

Данный пакет имеет ряд преимуществ и недостатков.

Преимущества:

1. Наибольший из всех изученных пакетов инструментарий визуализации полученных результатов;

2. Наличие русифицированной версии;

3. В пакете представлена полная реализация алгоритмов статистической классификации;

4. Наличие возможности реализовать и использовать собственные алгоритмы (через написание макросов);

5. Алгоритмы интеллектуального анализа данных (Data Mining)

Недостатки:

1. Применение пакета требует высокой теоретической подготовки в ТВиМС;

2. Отсутствие реализации некоторых важных тестов временных рядов (в частности - тестов на стационарность).

Так как программный продукт подразумевает использование не опытными пользователями в ТВиМС, соответственно данный пакет не является актуальным.

Microsoft Excel

Microsoft Excel (также иногда называется Microsoft Office Excel) - программа для работы с электронными таблицами, созданная корпорацией Microsoft для Microsoft Windows, Windows NT и Mac OS.

Данный пакет имеет ряд преимуществ и недостатков.

Преимущества:

1. Реализация алгоритмов в табличном процессоре не требует специальных знаний в области программирования. Большинство расчетов средней сложности может быть представлено в виде некоторого набора достаточно простых математических формул в ячейках, выполняемых шаг за шагом;

2. Ячейки таблицы могут содержать не только формулы, но и простой текст, что позволят описывать и комментировать логику работы программы, располагая на листе текстовые комментарии;

3. Позволят использовать средства оформления, такие как, например, цвет и шрифты, которые облегчают понимание программы и несут дополнительную смысловую нагрузку. Существует возможность внедрения в электронные таблицы различного вспомогательного содержимого: изображений, графиков функций и др.;

4. Наличие русифицированной версии.

Недостатки:

1. Реализация сложной структуры в рамках электронной таблицы требует огромного внимания к деталям, так как автор программы с некоторого момента становится не в состоянии запомнить смысл множества адресов, встречающихся в сотнях формул. Для борьбы с этим недостатком пользователю предлагается использовать именованные ячейки и именованные ссылки на ячейки в формулах. А также различные средства для отслеживания связей между ячейками;

2. Пользователь, имеющий доступ к таблице, может случайно или намеренно внести в неё изменения, которые могут нарушить работу программы;

3. Нет возможности отображения пиктографиков.

Таким образом, опираясь на данные недостатки программы, данный пакет не подходит для использования в поставленной цели.

2. Постановка задачи

2.1 Содержательная постановка задачи

Значение медицинской визуализации в здравоохранении постоянно возрастает, так как она позволяет повысить эффективность медицинской помощи и создать более комфортные условия для пациентов. Новаторские технологии визуализации позволяют раньше и точнее диагностировать заболевания, лечить их более целенаправленно с помощью более щадящих методов, а также тщательно наблюдать за результатами лечения.

В результате работы исследователя возникает описание объекта. Каждый объект обладает некоторыми характеристиками. Такой объект можно описать в виде вектора n-порядка, где каждый его элемент есть некоторая числовая характеристика. Собранные в исследовании данные можно рассматривать в качестве набора векторов (точек) в соответствующем многомерном пространстве.

Обычно число объектов при описании системы измеряется сотнями, а число признаков десятками. Проанализировать данные, которые представлены числами очень трудно. Включение различных элементов визуализации, является хорошим способом представления информации.

В случае, когда математическая модель изучаемой ситуации известна, можно с той или иной степенью точности заранее представить себе, как точки - наблюдения будут расположены в этом пространстве. Однако более типичной является ситуация, когда исследование геометрии расположения точек предшествует формированию гипотез и построению моделей. Математические методы, используемые, при изучении расположения точек, опираются на понятие расстояния между ними.

Для визуализации могут быть использованы 1-, 2- и 3-мерные пространства отображений, но мы в своем рассмотрении практически целиком ограничимся способом визуализации с помощью 2-мерных поверхностей, поскольку именно в таком виде человек воспринимает геометрические структуры наиболее естественно и отношения между объектами выглядят наиболее наглядно [16].

Современные компьютерные технологии используют широкий спектр методов визуализации информации. Методы визуализации позволяют исследователю одним взглядом обнаружить особенности, выявить закономерности и аномалии в больших объемах информации.

В данной работе рассматриваются вопросы применения различных методов визуализации экспериментальных медицинских данных (на примере клинических данных детей с заболеваниями щитовидной железы, полученных в Томском НИИ Курортологии и физиотерапии).

2.2 Математическая постановка задачи

Имеется выборка X_i,j из n объектов, характеризующихся m переменными. Где i номер объекта, j номер переменной (признака).

Формально исходная информация о лабораторных показателях может быть представлена в виде матрицы X_.

,

где n - число показателей;

m - число детей.

Кроме того, имеем векторы, характеризующие диапазон нормы для каждого показателя, где вектор (x_1н, …, x_nн) - нижняя граница нормальных значений, вектор (x_1в, …, x_nв) - верхняя граница нормальных значений показателей для здоровых детей.

Задача заключается в анализе структуры экспериментальных многомерных медицинских данных на основе интегральных показателей и методов визуализации.

3. Оценка состояния биосистемы на основе информационных интегральных критериев

Известно, что по динамике энтропии можно судить об изменении состояния биосистемы.

Энтропийные методы, лежащие в основе моделирования сложных систем, тесно связаны с использованием различных информационных критериев. В данной работе для оценки степени отклонения состояния организма от уровня нормального функционирования был использован критерий на основе информационной меры Кульбака. При этом использовался подход, предложенный Н.В. Бокучаевой и Г.В. Мамасахлисовым [10], а именно, рассмотрение информационной меры Кульбака как меры предпочтительности поведения биообъекта:

, (3.1)

где P₀(x) - плотность вероятности текущего «равновесного»

состояния;

P (x, t) - плотность вероятности нахождения объекта в состоянии S_i (i{1..m}) в течение интервала времени t, на котором велись наблюдения;

x(t) = (x_1,…., x_n, t) - характеристические признаки, описывающие состояние объекта.

Данный критерий позволяет оценить степень отклонения текущего состояния объекта от «предпочтительного» (или эталонного) состояния, приняв в качестве «предпочтительного» состояния объекта состояние, при котором значения всех переменных состояния равны среднестатистическим значениям физиологической нормы (для однородных групп обследуемых).

Введем в качестве критерия оценки текущего состояния объекта следующее выражение:

, (3.2)

где P_0j - априорная вероятность, характеризующая «предпочтительную» вероятность состояния объекта;

P_1j - апостериорная вероятность. Вероятность того, что значение признака Х соответствует «норме».

n - количество учитываемых признаков, характеризующих состояние объекта.

В выражении (3.2) вероятность P_0j=1, поскольку, в качестве «предпочтительного» состояния объекта мы приняли состояние, при котором отклонение =0, следовательно:

P_0j =1- (3.3)

Подставив полученное значение в формулу (3.2), получим

. (3.4)

В случае, когда все значения характеристических признаков равны заданным среднестатистическим значениям соответствующих признаков, величина I будет равна нулю:

(3.5)

Как известно, внутреннее состояние биологической системы в любой момент времени представляет собой вектор, компоненты которого соответствуют численным значениям переменных, выбранных для описания системы.

Применение любого интегрального критерия для оценки состояния объекта предполагает существование пороговых значений, превышение которых соответствует переходу в новое состояние. В качестве данного значения () было выбрано значение показателя I, соответствующее случаю, когда для всех учитываемых переменных {}, состояния «норма» и «патология», являются равновероятными, т.к. при равных вероятностях система полностью дезорганизована и в любой момент времени она может перейти в любое состояние (в этом случае система обладает максимальной энтропией), т.е. в соответствии с формулой (3.5):

С практической точки зрения чрезвычайно важно отличать сдвиги, происходящие внутри одного состояния, от перехода к новому функциональному состоянию.

Решить эту задачу можно на основе предложенного в [11] алгоритма, в частности, путем введения трех критических уровней: «утомления», «напряжения» и «срыва» с применением вероятностного подхода.

При этом, чем меньше значение I, тем ближе состояние объекта к «предпочтительному» (в идеальном случае I=0).

В качестве порогового значения критерия I используется величина (Iкр), соответствующая случаю, когда для всех учитываемых показателей биосистемы состояния «адаптированности» и «напряжения механизмов адаптации» являются равновероятными. При этом Iкр=0,69.

Увеличение I (при I < I₁) будет соответствовать переходу биосистемы от «нормы» к «утомлению». Дальнейшее увеличение I (при I > I₂) будет соответствовать переходу от «утомления» к «напряжению», а затем к «срыву» [11].

Пороговые значения критерия I:

I₁ =0,69 - «норма»;

I₂ =1,19 - «утомление»;

I₂ =2,01 - «напряжение»;

I₃ =3,087 - «патология».

Для качественной оценки изменения состояния организма в какой-то промежуток времени введена [8] функция I(t), представляющая собой значения интегрального показателя в различные (текущие) моменты времени.

Функцию I(t) можно рассматривать как функцию перехода состояния. Одним из достоинств данной функции является то, что она не предполагается заданной раз и навсегда (как, например, в довольно распространенном «автоматном» подходе к описанию биосистем).

Для количественной оценки отклонения переменных состояния X_j от нормального уровня используется интегральный показатель вида [8]:

, (3.6)

; (3.7)

; (когда I(t) > Iкр) (3.8)

В случае, когда значения I(t) не будут превышать значение Iкр на протяжении всего времени исследования, введенный интегральный показатель равен нулю.

В связи с тем, что величина изменения энтропии зависит от количества учитываемых переменных состояния, нами был введен нормализованный интегральный показатель [12]:

Q = H / Ho, (3.9)

где Н - значение энтропии,

Но - величина энтропии в случае, когда все значения переменной состояния x(j) равны соответствующему мат. ожиданию.

На рисунке 1 показан характер изменения показателей I и Q, полученных для случая, когда в качестве переменных состояния были использованы показатели системы гемодинамики (минутный объем кровообращения, систолическое и диастолическое артериальное давление, общее периферическое сопротивление) [12].

Характер изменения показателя Q позволяет выделить так называемые «группы риска», т.е. переходные состояния от нормы к патологии (состояние «перенапряжения»).

При переходе состояния биосистемы от нормы к состоянию «перенапряжения» величина Н / Но будет увеличиваться от 1 до Qmax. При переходе от «перенапряжения» к патологии - уменьшается от Qmax до 1.

Полученная зависимость может быть, по-видимому, обусловлена следующим. Энтропию биосистемы Н можно представить в виде:

Н = Но + ?Н, (3.10)

где приращение энтропия ?Н складывается из приращения энтропии за счет изменения внутреннего состояния системы (?Н обмена), т.е.

?Н= ?Н внутр. + ?Н обм. (3.11)

Состояние текущего равновесия для открытых систем (а любая биосистема является системой открытого типа) определяется следующим условием:

?H(t)=0, или

?H внутр. (t)= ?Н обм. (t).

Причем, нарушение равновесия связано либо с изменением внутреннего состояния, либо с отклонением процессов обмена.

По-видимому, в зоне риска начинает происходить нарушение процесса обмена, что вызывает уменьшение производства отрицательной энтропии (?Нобм.) и увеличение общего прироста энтропии (?Н). В зоне заболевания происходит нарушение внутреннего состояния, что вызывает замедление прироста положительной энтропии (?Н внутр.), уменьшение прироста общей энтропии Н и уменьшение коэффициента Q.

Поскольку показатель Q, будет иметь значения близкие к 1 как в случае «нормы», так и в случае патологии, то при решении практических задач данный показатель целесообразно использовать для диагностики «переходных» состояний.

Значения Qп выбирается эмпирически (на основе анализа экспериментальных данных). В среднем, значение Qп примерно равно 5, а Qmax примерно равно 7.

Изложенный выше математический аппарат был успешно применен ранее Берестневой О.Г., Пеккером Я.С., Ротовым А.В., Гергет О.М. и некоторыми другими исследователями для решения нескольких конкретных задач: оценки состояния адаптированности нефтяников и лесозаготовителей в условиях вахты; оценки состояния организма на основе анализа результатов функциональных проб [13]; диагностики состояния новорожденных в раннем неонатальном периоде [14]; слежение за динамикой состояния организма человека в послеоперационном периоде[15].

В курсовой работе сделана попытка использовать данный подход для оценки эффективности лечения пациентов с заболеваниями щитовидной железы.

4. Описание алгоритма метода «Лица Чернова»

Методы когнитивной графики значительно расширяют возможности специалистов любой области знаний для выявления наиболее информативных показателей при обработке обширных баз данных и решении конкретных задач; позволяют обнаруживать порой принципиально новые факты, радикально меняющие известные взгляды.

Из мировой практики известно применение техники лиц Чернова при анализе работы нефтяных компаний, обработке результатов геологической разведки, изучении влияния политики некоторых государств на развивающиеся страны и т.д. Первый отечественный пакет программ применялся при графическом изображении свойств программных изделий, при сравнении результатов измерения физических показателей людей и при сравнении экономических показателей работы промышленных предприятий.

Схема построения лиц Чернова

Основные варианты схем построения лиц Чернова приведены на рисунке 4 Набор конструктивных параметров лиц Чернова (таблица 6), соответствующий рисунку 4.2 (а), позволяет изображать точки пространства с размерностью N> 22.

Смысловое значение параметров изображения на рисунке 4.2 (б) видно из рисунка. Существующие варианты построения лиц Чернова ориентированы в основном на сравнение объектов (или различных состояний одного объекта). Оценка отдельного состояния объекта с достаточной степенью точности требует большого опыта и сопряжена со сложностью оценки «на глаз» значений таких параметров, как половинная высота лица, эксцентриситеты образующих его эллипсов, угол наклона бровей и т.д.

Набор конструктивных параметров лиц Чернова

Конструктивный параметр лица	Координата пространства	Конструктивный параметр лица	Координата пространства
Ширина лица	Х1	Наклон глаза	Х12
Уровень ушей	Х2	Эксцентриситет глаз	Х13
Половинная высота лица	Х3	Длина глаза	Х14
Эксцентриситет верхнего эллипса лица	Х4	Расположение зрачков	Х15
Эксцентриситет нижнего эллипса лица	Х5	Высота бровей	Х16
Длина носа	Х6	Наклон бровей	Х17
Позиция центра рта	Х7	Длина бровей	Х18
Кривизна рта	Х8	Радиус ушей	Х19
Длина рта	Х9	Ширина носа	Х20
Высота центра глаза	Х10	Наклон волос	Х21
Расстояние между глазами	Х11	Длина бороды	Х22

5. Разработка алгоритмического и программного обеспечения

5.1 Разработка алгоритмов

Алгоритм построения пиктографиков «Лица Чернова»

Для построения «Лиц Чернова» могут быть использованы различные подходы. В случае, когда необходимо отслеживать степень изменения отдельных параметров при построении пиктографика используются числовые значения параметров, привязанные к координатной плоскости. Данный подход реализован в пакете «STATISTICA». В нашем случае рассматривается только 3 градации параметров: норма, ниже нормы, выше нормы.

Таким образом, наша задача заключается только в отслеживании качественных изменений.

Для решения этой задачи, нами были введены эталонные графические образы (ЭГО) для каждой части пиктографика, приведенные в таблице 7.

С помощью отдельных графических образов формируется пикторафик «Лица Чернова» в соответствии с алгоритмом, представленном на блок-схеме.

Алгоритм построения интегральной оценки

В приложении В представлена блок - схема определения и отображения интегрального показателя оценки состояния биосистемы (I).

Как видно из блок-схемы, наглядность отображения функционального состояния пациента осуществляется за счет введения четырех уровней состояния биосистемы (в соответствии с используемым алгоритмом): норма, утомление, напряжение и срыв.

5.2 Разработка программного обеспечения

Программа Chern

На кафедре прикладной математики Института кибернетики ТПУ с 2012 года ведутся работы по разработке программного обеспечения визуализации состояния биологических объектов на основе пиктографиков «Лица Чернова».

На первом этапе нами была разработана узкоспециализированна программа Chern, реализующая данный подход для отображения функционального состояния больных бронхиальной астмой. Однако, в нашем случае, для оценки состояния объекта «до» и «после» воздействия используется не две половины «лица», а два разных пиктографика.

Принцип работы программы Chern заключается в следующем: при сравнении параметров до и после лечения, если параметры после лечения больше, чем до лечения, на рисунке у прямых начинается отклонение вправо или вниз, а окружности вытягиваются влево и вправо (обратный принцип только у глаз и зрачков); если же меньше или равны, то изменения на рисунке наоборот. При плохом прослеживании отклонения можно воспользоваться просмотром координат точек, которые появляются при нажатии на интересующую часть рисунка (рисунок).

Диалоговое окно программы Chern

Ниже приведен пример, в котором для построения «лиц» используются 22 информативных физиологических показателя, характеризующих состояние больных бронхиальной астмой. Отношение параметров и элементов «лиц Чернова» в данном случае:

- МОД - овал лица;

- ЖЕЛ - рот;

- ФЖЕЛ - 1 волос (все волосы считать слева направо);

- ОФВ1_1 - 2 волос;

- ОФВ1/ЖЕП -3 волос;

- МВЛ - 4 волос;

- ПОС- 5 волос;

- МОС25 - 6 волос;

- Cdyn-вертикальная линия носа;

- Cstat - горизонтальная линия носа;

- Rвд - левое ухо;

- Rвыд - право ухо;

- Wобщ-левый глаз;

- Wуд - правый глаз;

- Wн.эл - левый зрачок;

- Wэл - правый зрачок;

- W МОД10 - левая бровь;

- W МВЛобщ - правая бровь;

- WМВЛуд- 1 волос на бороде (все волосы считать слева на право);

- ДепрБ- 2 волос на бороде;

- ТрРТ- 3 волос на бороде;

- ТрЛТ- 4 волос на бороде.

Рассмотрим полученные результаты (рисунок).



Отображение состояния больного BAPI до и после лечения в виде «лиц Чернова»

Рассматривая полученное «лицо», характеризующее состояние больного BAPI (рисунок) отметим: значительное отклонение горизонтальной линии носа, что говорит об увеличении показателя статической растяжимости легких (Cstat); увеличение показателя общей работы дыхания (Wобщ) и удельной работы дыхания (Wуд), обусловленное вытяжением окружностей - глаз вверх и вниз; а также положительное изменение параметров, связанных с элементами бороды, это WМВЛуд, ДепрБ, ТрРТ, ТрЛТ.

Отображение состояния больного BANP до и после лечения в виде «лиц Чернова»

Рассматривая «лицо», характеризующее состояние больного BANP (рисунок 6) отметим следующее: во-первых уменьшение всех параметров, связанных с элементами волос, в особенности параметра форсированной жизненной емкости легких (ФЖЕЛ) и максимальной объемной скорости выдоха на уровне 25% ФЖЕЛ (МОС25); во-вторых увеличение показателя статической растяжимости легких (Cstat) и незначительное уменьшение динамической растяжимости легких (Cdyn), выраженные отклонением горизонтальной линии носа вниз и вправо, а вертикальной линии - влево; ко всему прочему, невозможно не обратить внимание на вытяжение окружностей - ушей, что свидетельствует об увеличении бронхиального сопротивления на вдохе (Rвд) и на выдохе (Rвыд).

Таким образом, полученные результаты показали, что метод аудиовизуальной стимуляции мозга (АВС) эффективен для лечения больных с диагнозом психогенно-индуцированной бронхиальной астмы.

Программа «Chernoff Faces»

Основным недостатком программы Chern является то, что она предназначена для решения конкретной прикладной задачи - оценки динамики состояния больных бронхиальной астмой.

Поэтому развитием разработанного программного продукта явилось создание универсальной программы «Chernoff Faces». Данная программа предназначена для формирования графических образов, отображающих функциональное состояние человека, и, в частности, динамику изменения состояния пациентов в процессе лечения для любых заболеваний.

В программе реализовано 2 подхода:

1. Графическое отображение состояния биосистемы на основе интегральных критериев;

2. отображение состояния биосистемы с помощью пиктографиков «Лица Чернова».

Представление исходных данных

В данной программе исходные данные считываются из файла Excel. В данном файле хранятся значения m клинических показателей для группы из n пациентов (рисунок).

Исходные данные для программы «Chernoff Faces»

Рабочая область

Программа «Chernoff Faces» состоит из 4 рабочих областей:

1. Создание нового пациента;

2. импорт данных;

3. построение пиктографиков лиц Чернова;

4. построение графического отображения на основе интегральной оценки состояния биосистемы.

Первая рабочая область называется «Создание нового пациента». Она предназначена для ввода и вывода текстовой информации. Для работы с данной областью необходимо в программе нажать на соответствующую вкладку (рисунок).



Первая рабочая область в программе «Chernoff Faces»

Для работы в данной рабочей области необходимо использовать мышь, клавиатуру, а также кнопки расположенные на рабочей области:

«Создать» - данная кнопка предназначена для сохранения введенных данных в формате Excel, а также для пересохранения измененных данных;

«Открыть» - данная кнопка предназначена для загрузки данных уже имеющихся данных в файле Excel.

Вторая рабочая область называется «Получить данные». Она предназначена для вывода текстовой информации. Для работы с данной областью необходимо в программе нажать на соответствующую вкладку (рисунок).



Вторая рабочая область в программе «Chernoff Faces»

Для работы в данной рабочей области необходимо использовать мышь, а также кнопку расположенную на рабочей области:

«Взять данные» - данная кнопка предназначена для считывания данных в формате Excel для работы с ними в программе.

Фрагмент программы для работы с исходными данными приведен в приложении Б.

Третья рабочая область называется «Построить лица Чернова». Она предназначена для вывода графической информации. Для работы с данной областью необходимо в программе нажать на соответствующую вкладку (рисунок).



Третья рабочая область в программе «Chernoff Faces»

Для работы в данной рабочей области необходимо использовать мышь, а также кнопки расположенные на рабочей области:

«Построить лица» - данная кнопка предназначена для построения лиц Чернова и вывода их на экран;

«Очистить графику» - данная кнопка предназначена для удаления лиц с рабочей области.

Четвертая рабочая область называется «Получить интегральную оценку». Она предназначена для вывода графической информации. Для работы с данной областью необходимо в программе нажать на соответствующую вкладку (рисунок).



Четвертая рабочая область в программе «Chernoff Faces»

Для работы в данной рабочей области необходимо использовать мышь, а также кнопки расположенные на рабочей области:

«Построить график» - данная кнопка предназначена для построения интегральной оценки и вывода ее на экран в виде отдельных точек, соответствующих разным моментам времени (например, до лечения и после лечения);

«Очистить график» - данная кнопка предназначена для удаления графика.

6. Апробирование разработанного программного продукта

В данном разделе приведен пример, в котором для построения «лиц» используются 9 информативных физиологических показателя, характеризующих состояние пациентов с заболеваниями щитовидной железы. Отношение параметров и элементов «лиц Чернова» в данном случае:

- ОТ - овал лица;

- ОБ - ухо;

- избыток - глаз;

- ДАД - зрачок;

- ТФН - бровь;

- общие липиды - 1-ый волос;

- ТАГ - 2-ой волос;

- холестерин - нос;

- глюкоза - рот;

Возьмем уже имеющиеся данные для пациентов, которые хранятся в файле Excel, загрузим в программу и выберем нужного для нас пациента (рисунок).

Ввод данных в программу

Рассмотрим полученные результаты.

Отображение состояния пациента с заболеванием щитовидной железы до и после лечения в виде «лиц Чернова»

Рассматривая полученное «лицо», характеризующее состояние пациента с заболеванием щитовидной железы (рисунок) отметим, что после лечения наблюдается уменьшение показателя ДАД, ТФН и глюкозы. Это видно из того, что бровь, рот и зрачок отображается так же, как и на лице, соответствующему нормам.

Интегральная оценка пациента с заболеванием щитовидной железы до и после лечения

Рассматривая интегральную оценку состояние пациента с заболеванием щитовидной железы (рисунок) отметим, что пациент идет на поправку, т.к. до лечения интегральный показатель попадает в область «утомление», а после лечения в область «норма».

Заключение

В результате выполнения данной работы изучены существующие методы и подходы для интегральной оценки и отображения состояния организма человека. Сделан вывод о том, что использование существующих на сегодняшний день интегральных показателей оценки уровня физического здоровья в качестве оценки и прогнозирования качества здоровья детей не представляется возможным. Поэтому актуальным стоит задача в разработке нового алгоритма с использованием нечетких множеств для работы с качественными параметрами. Рассмотрены доступные пакеты прикладных программ и на основании имеющихся недостатков неприемлемых с поставленной задачей были отвергнуты. Выбраны и программно реализованы 2 подхода формирования графических образов состояния биосистем:

1) на основе интегральных оценок состояния биосистемы;

2) с помощью пиктографиков «Лица Чернова».

Проведена апробация разработанного программного продукта.

Список литературы

1. Анализ состояния и тенденции развития информатики. Проблемы создания экспертных систем // Исследовательский отчет; Под ред. С.А. Николова. - София, Интерпрограмма, 1988. -151 с.

2. Амосов Н.М. Энциклопедия Амосова. Алгоритм здоровья /Н.М. Амосов. - Донецк: Сталкер, 2002. - 590 с.

3. Бардин К.В. Проблема порогов чувствительности и психофизические методы. М.:Наука, 1976. - 120 c.

4. Березанская Н.Б. Мышление и общение в конкретных видах практической деятельности // Тез. докл. Всесоюзн. межвуз. науч.-практ. конф. Ярославль: ЯрГУ. 1984. С. 35-37.

5. Коваленко Т.Г. Биоинформационные технологии при проблемно-модульном обучении в системе физического воспитания и реабилитации студентов с ослабленным здоровьем: Автореф.докт. дис. Волгоград, 2000. - 54 с.

6. Лбов Г.С., Старцева Н.Г. Логические решающие функции и вопросы статистической устойчивости решений. - Новосибирск: Изд-во Ин-та математики, 1999. - 120 с.

7. Артемьева Е.Ю., Мартынов Е.М. Вероятностные методы в психологии. - М.: Изд-во МГУ, 1985. - 206 с.

8. Вайнер Э.Н. Социальные аспекты здоровья и здорового образа жизни // Валеология, 1998, №3, C.17-23.

9. Зенкин А.А. Когнитивная компьютерная графика / Под ред. Д.А. Поспелова // М.: Наука, 1991. - 187 с.

10. Дрибас В.П. Реляционные модели баз данных. - Минск: изд-во БГУ, 1982. - 264 с.

11. Степанова Е.И., Нарциссов Р.П., Кочегуров В.А., Константинова Л.И. Прогнозирование здоровья детей раннего возраста. - Томск: Изд-во Том. ун-та, 2000. - 108 с.

12. Виленский М.Я. Повышение воспитательно-образовательного потенциала физической культуры в формировании личности современного специалиста // Теория и практика физ. культуры, 1987, №10, C.11-13.

13. Берестнева О.Г., Муратова Е.А., Янковская А.Е. Эффективный алгоритм адаптивного кодирования разнотипной информации // Искусственный интеллект в XXI веке. Труды Международного конгресса. Том 1. - М.: Физматлит, 2001. - С. 155-166.

14. Боровиков В. STATISTICA: искусство анализа данных на компьютере. Для профессионалов. - СПб.:Питер, 2001. - 656 с.

15. Вайнцвайг М.Н. Алгоритм обучения распознаванию образов «Кора» // Алгоритмы обучения распознаванию образов. - М.: Сов. Радио, 1973. - С. 8-12.

16. Зиновьев А.Ю., Питенко А.А., Россиев А.А. Проектирование многомерных данных на двумерную сетку // 2-я Всероссийская научно-техническая конференция «Нейроинформатика-2000». Ч. 1. М.: МИФИ. - 2000. С. 80-88.

Размещено на Allbest.ru

...