ФОРМИРОВАНИЕ ИНФОРМАТИВНЫХ ХАРАКТЕРИСТИК ИМПЕДАНСА БИОМАТЕРИАЛА ДЛЯ АЛГОРИТМОВ ПРОГРАММНО-АППАРАТНЫХ КОМПЛЕКСОВ

Цель исследования. Цель исследования заключается в оценке точности и надежности методов измерения импеданса биоматериала и выработке рекомендаций по совершенствованию алгоритмов для разработки программно-аппаратных комплексов (ПАК) в области биомедицинской диагностики. Значительное внимание уделено анализу данных, полученных in Vivo.

Методы. Проведено 400 измерений на группе из 20 добровольцев с использованием электрических тестовых воздействий для получения амплитудно-фазово-частотных характеристик импеданса биологических тканей. В ходе эксперимента применен метод Коула для определения коэффициентов, отражающих ключевые параметры испытуемой ткани и ее импедансные характеристики. Для генерации тестовых сигналов использовались последовательности одночастотных синусоидальных сигналов, управляемых программным обеспечением на платформе E20-10, специально разработанной для оцифровки данных и анализа переходных процессов в живых тканях.

Результаты. На базе системы сбора данных E20-10, произведенной ЗАО «L-Card», был разработан комплекс для получения и обработки данных импеданса, включая программное обеспечение, реализованное на языке Delphi, предназначенное для генерации и обработки тестовых сигналов. Полученные результаты in Vivo показали средние расхождения в пределах 4% между измеренными и ожидаемыми значениями, что подтверждает высокую точность и надежность предложенного подхода к измерению импеданса биологических тканей.

Заключение. Реализация ПО для измерения импеданса биоматериала с помощью разработанных алгоритмов и применяемых амплитудно-фазово-частотных характеристик обеспечивает более точную оценку диссипативных свойств биологических тканей. Анализ данных показал возможности и перспективы разработки высокоточных классификаторов для системы поддержки принятия решений ранней диагностики медицинских рисков. Эти классификаторы особенно могут быть полезны для выявления предрасположенности к легочным заболеваниям, таким как пневмония и туберкулез. Дальнейшие исследования в данной области могут привести к значительному прогрессу в создании эффективных программно-аппаратных комплексов для биомедицинской диагностики, способствующих улучшению профилактики и лечения различных патологий с учетом индивидуальных особенностей пациента.

1. Analysis of the norm of Article 41 of the Criminal Code of the Russian Federation on reasonable risk from the point of view of theoretical validity. [Electronic resource] - Access mode: http://studbooks.net/1116912/pravo/meditsinskiy_risk_obosnovannogo_riska (date of request: 11.11.2023).

2. Rostovtsev V. N. Classification of medical risks. [Electronic resource] - Access mode: http://www.kmsd.su/vracham/nauchnye-stati/klassifikatsiya-meditsinskikh-riskov-rostovtsev-v-n (accessed: 11.11.2023).

3. Shatalova, O. V. Intellectual systems for monitoring medical risks taking into account bioimpedance studies: monograph/O. V. Shatalova; Yugo-Zapad State University. Kursk, 2020. – 356 p.

4. Efremov, M. A. Hybrid fuzzy models for predicting the occurrence and complications of arterial hypertension taking into account the energy characteristics of bioactive points / M. A. Efremov, S. A. Filist, O. V. Shatalova, E. A. Startsev,L. V. Shulga/ / Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta. Series: Management, computer engineering, Computer science. Medical instrumentation. –2018. –Vol. 8. – No. 4 (29). – Pp. 104-119.

5. Catherine J. There are more viruses in the universe than there are stars. / J. W. Catherine [Electronic resource] - Access mode: https://www.nationalgeographic.com/science/2020/04/factors-allow-viruses-infect-humans-coronavirus (accessed 12.11.2023).

6. Shatalova, O. V. Impedance models in anomalous electrical conduction zones forming by in-vivo experiments for intelligent systems of socially important diseases diagnostic / Olga V. Shatalova, Alexandr A. Burmaka, Evgeny N. Korovin // International Russian Automation Conference (RusAutoCon). – Sochi: IEEE, 9-16 Sept., 2018. – Pp. 1-4. - URL: https://ieeexplore.ieee.org/document/8501668. – DOI 10.1109/RUSAUTOCON. 2018.8501668.

7. Vyasnichev, Y.A. Neural Networks in Medicine / Y.A. Vyasnichev, E.A. Pilosyan // Current Issues in Mathematical Modeling of Information Technologies. – 2018. – Vol. 1, No. 1 – P. 30–39.

8. Zonova, Y.A. Application of Artificial Neural Networks in Medicine / Y.A. Zonova, A.S. Pilosyan // Best Student Article 2018. – 2018. – Vol. 1, No. 1 – P. 59–61.

9. Bay, Z. The Rapid Assessment and Early Warning Models for COVID-19 / Z. Bay, Y. Gong, X. Tian // International Journal of Environmental Research and Public Health. – 2020 – Vol. 21, No. 4 – P. 272–279. – DOI 10.26577/ijbch-2018-1-313. – DOI 10.3390/ijerph17176218.

10. Korsunsky, N.A. Software designed for digitizing the transient response during bioimpedance studies on a biological object / N.A. Korsunsky, R.A. Tomakova, A.V. Brezhnev // Proceedings of the Southwest State University. Series: management, computer science, informatics. Medical instrument engineering. – 2021, No. 1. – Pp. 50-67.

11. Korsunsky, N.A. Software-Hardware Complex for Descriptor Generation in Decision Support Systems for Medical Risk Diagnosis / N.A. Korsunsky, R.A. Tomakova, A.V. Brezhnev // Lasers. Measurements. Information. – 2021, No. 1. – Pp. 43-54.

12. Metrological Aspects of the Automated Bioimpedance Measurement Method / E.A. Pecherskaya, V.V. Antipenko, O.V. Karpanin [et al.] // Instruments, Systems, and Products for Medical Purposes. – 2020. – No. 3 (33) – P. 78–84.

13. Kiselyov, A. V. Models of latent predictors in intellectual systems forecasting the state of living systems / A.V. Kiselyov, O.V. Shatalova, Z.U. Protasova, S.A. Filist, N.S. Stadnichenko // Proceedings of the Southwest State University. Series: Management, Computer Science, Informatics. Medical Instrument Engineering. – 2020. – Vol. 10, No. 1 – P. 114–133.

14. Miroshnikov, A. V. Classification of biological objects based on multidimensional bioimpedance analysis / A.V. Miroshnikov, O. V. Shatalova, N.S. Stadnichenko // Proceedings of the Southwest State University. Series: Management, Computer Science, Informatics. Medical Instrument Engineering. – 2020. – Vol. 10, No. 3/4 – P. 29–49.

15. Miroshnikov, A. V. Voigt model optimization algorithm in classifiers of the functional state of living systems / A. V. Miroshnikov, O. V. Shatalova, N.S. Stadnichenko, M.A. Efremov, A.Yu. Novoselov, A.V. Pavlenko // Proceedings of the Southwest State University. Series: Management, Computer Science, Informatics. Medical Instrument Engineering. – 2022. – Vol. 12 No. 2 – P. 59–75.

16. Sarvamangala, D.R. Convolutional Neural Networks in Medical Image Understanding: A Survey / D.R. Sarvamangala, V.K. Raghavendra // Evolutionary Intelligence. – 2022 – Vol. 3, No. 1 – P. 151–173. – DOI 10.1007/s12065-020-00540-3. – DOI 10.1007/s12065-020-00540-3.

17. Oludare, I.A. State-of-the-Art in Artificial Neural Network Applications: A Survey / I.A. Oludare, A. Jantan, V.D. Kemi, H. Asrshad // Heliyon. – 2018 – Vol. 4, No. 11 – P. 160–204. – DOI 10.1016/j.heliyon.2018.e00938.

18. Metrological aspects of the automated method of bioimpedance measurement / E. A. Pecherskaya, V. V. Antipenko, O. V. Karpanin [et al.] // Medical Devices, Systems, and Products. – 2020. – No. 3 (33) – P. 78–84.

19. Agrebi, S. Use of artificial intelligence in infectious diseases / S. Agrebi, A. Larbi // Medical Decision Making. – 2020 – Vol. 6, No. 3 – P. 415–438. – DOI 10.1016/B978-0-12-817133-2.00018-5.

20. Begoli, E. The need for uncertainty quantification in machine-assisted medical decision making / S. Agrebi, A. Larbi // Nature Machine Intelligence. – 2019 – Vol. 1, No. 1 – P. 20–23. – DOI 10.1038/s42256-018-0004-1.