Формирование информативных характеристик импеданса биоматериала для алгоритмов программно-аппаратных комплексов

Цель исследования заключается в оценке точности и надежности методов измерения импеданса биоматериала и выработке рекомендаций по совершенствованию алгоритмов для разработки программно-аппаратных комплексов 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-фазовых 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-фазовых 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. Анализ нормы ст. 41 УК РФ об обоснованном риске с точки зрения теоретической обоснованности. URL: http://studbooks.net/1116912/pravo/meditsinskiy_risk_obosnovannogo_riska (дата обращения: 11.12.2024).

2. Ростовцев В. Н. Классификация медицинских рисков. URL: http://www.kmsd.su/vracham/nauchnye-stati/klassifikatsiya-meditsinskikh-riskov-rostovtsev-v-n (дата обращения: 11.12.2024).

3. Шаталова О. В. Интеллектуальные системы мониторинга медицинских рисков с учетом биоимпедансных исследований: монография / Юго-Западный государственный университет. Курск, 2020. 356 с.

4. Гибридные нечеткие модели для прогнозирования возникновения и осложнений артериальной гипертензии с учетом энергетических характеристик биоактивных точек / М. А. Ефремов, C. А. Филист, О. В. Шаталова, E. A. Старцев, Л. В. Шульга // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2018. Т. 8, № 4 (29). С. 104–119.

5. Katherine J. Wu There are more viruses than stars in the universe. URL: https://www.nationalgeographic.com/science/2020/04/factors-allow-viruses-infect-humans-coronavirus (дата обращения: 12.12.2024).

6. Shatalova O. V., Burmaka A. A. , Korovin E. N. Impedance models in anomalous electrical conduction zones forming by in-vivo experiments for intelligent systems of socially important diseases diagnostic // International Russian Automation Conference. Sochi: Institute of Electrical and Electronics Engineers Inc., 2018. P. 1–4. https://doi.org/10.1109/RUSAUTOCON.2018.8501668

7. Вясничев Я. А., Пилосян Э. А. Нейронные сети в медицине // Актуальные задачи математического моделирования информационных технологий. 2018. Т. 1, № 1. С. 30–39.

8. Зонова Я. А., Пилосян А. С. Применение искусственных нейронных сетей в медицине // Лучшая студенческая статья. 2018. Т. 1, № 1. С. 59–61.

9. Bai Z., Gong Y., Tian X. The Rapid Assessment and Early Warning Models for COVID-19 // International Journal of Environmental Research and Public Health. 2020. Vol. 21, N 4. P. 272–279. https://doi.org/10.26577/ijbch-2018-1-313

10. Корсунский Н. А., Томакова Р. А., Брежнев А. В. Программное обеспечение, предназначенное для оцифровки переходной характеристики, при проведении биоимпедансных исследований на биологическом объекте // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. № 1. С. 50–67.

11. Программно-аппаратный комплекс для формирования дескрипторов в системе поддержки принятия решений по диагностике медицинских рисков / Н. А. Корсунский, А. В. Мирошников, О. В. Шаталова, З. У. Протасова, А. В. Серебровский // Лазеры. Измерения. Информация. 2021. № 1. С. 43–54.

12. Мирошников А. В., Шаталова О. В., Стадниченко Н. С. Классификация биологических объектов на основе многомерного биоимпедансного анализа // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 3/4. С. 29–49.

13. Алгоритм оптимизации модели Войта в классификаторах функционального состояния живых систем / А. В. Мирошников, О. В. Шаталова, Н. С. Стадниченко, М. А. Ефремов, А. Ю. Новоселов, А. В. Павленко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 2. С. 59–75.

14. Метрологические аспекты автоматизированного метода измерения биоимпеданса / Е. А. Печерская, В. В. Антипенко, О. В. Карпанин [и др.] // Приборы, системы и изделия медицинского назначения. 2020. № 3 (33). С. 78–84.

15. Sarvamangala D. R., Raghavendra V. K. Convolutional neural networks in medical image understanding: a survey // Evolutionary Intelligence. 2022. Vol. 15(1). P. 1–22. https://doi.org/10.1007/s12065-020-00540-3

16. Метрологические аспекты автоматизированного метода измерения биоимпеданса / Е. А. Печерская, В. В. Антипенко, О. В. Карпанин [и др.] // Приборы, системы и изделия медицинского назначения. 2020. № 3 (33). С. 78–84.

17. Модели латентных предикторов в интелектуальных системах прогнозирования состояния живых систем / А. В. Киселев, О. В. Шаталова, З. У. Протасова, С. А. Филист, Н. С. Стадниченко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 1. С. 114–133.

18. 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, N 11. P. 160–204. https://doi.org/10.1016/j.heliyon.2018.e00938

19. Agrebi S., Larbi A. Use of artificial intelligence in infectious diseases // Medical Decision Makin. 2020. Vol. 6, N 3. P. 415–438. https://doi.org/10.1016/B978-0-12-817133-2.00018-5

20. Begoli E., Bhattacharya T., Kusnezov D. The need for uncertainty quantification in machine-assisted medical decision making // Nature Machine Intelligence. 2019. N 1. P. 20–23. https://doi.org/10.1038/s42256-018-0004-1