Алгоритм оптимизации модели Войта в классификаторах функционального состояния живых систем

Цель исследования - разработка рекуррентного алгоритма оптимизации моделей Войта биоматериала, позволяющего получать наборы дескрипторов для классификаторов функционального состояния живых систем в интеллектуальных системах поддержки принятия решений по прогнозированию и диагностике социально значимых заболеваний.

Методы. Сущность предлагаемого метода заключается в использовании рекуррентной процедуры сравнения модели импеданса биоматериала, полученной на основе последовательно соединенных звеньев Войта, и результатов экспериментальных исследований. В процессе оптимизации модели Войта биоматериала, согласно предложенного метода, формируются пулы частот, на которых по результатам рекуррентной процедуры находятся оптимальные модели Войта по числу звеньев в модели. Затем по результатам интегральной ошибки выбирается оптимальное число звеньев модели, соответствующий этому числу оптимальный пул частот. Параметры модели Войта позволяют формировать дескрипторы для мультимодальных классификаторов функционального состояния живых систем и параметров звеньев модели.

Результаты. В качестве примера для апробации работы классификатора, построенного на основе алгоритма оптимизации модели Войта, была сформирована группа пациентов, больных пневмонией с четко поставленным диагнозом. Для получения сырых данных биоимпедансного анализа на грудную клетку пациентов надевался электродный пояс и определялись импедансные диаграммы, соответствующие определенному сочетанию электродов. Показатели качества различных моделей классификаторов достигали 0,78% и не опускались ниже 0,62%.

Заключение. Показано, что возможности многочастотного зондирования и нейросетевых моделей мультимодальных классификаторов позволяют получить новые решающие правила для диагностики патологических состояний организма (сердечно-сосудистые, инфекционные и онкологические заболевания).

1. Модель формирования функциональных систем с учетом менеджмента адаптационного потенциала / С. А. Филист, А. Н. Шуткин, Е. С. Шкатова, С. В. Дегтярев, Д. Ю. Савинов // Биотехносфера. 2018. № 1(55). С.32-37.

2. Нейросетевые модули с виртуальными потоками для классификации и прогнозирования функционального состояния сложных систем / А. В. Киселев, Т. В. Петрова, С. В. Дегтярев, А. Ф. Рыбочкин, С. А. Филист, О. В. Шаталова, В. Н. Мишустин // Известия Юго-Западного государственного университета. 2018. № 4 (79). С. 123-134.

3. Шаталова О. В. Интеллектуальные системы мониторинга медицинских рисков с учетом биоимпедансных исследований / Юго-Зап. гос. ун-т. Курск, 2020. 356 с.

4. Попечителев Е. П., Филист С. А. Способы и модели идентификации биоматериалов на основе анализа многочастотного импеданса // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника. Медицинское приборостроение. 2011. № 1. С. 74-80.

5. Шаталова О. В. Итерационная многопараметрическая модель биоимпеданса в экспериментах in vivo // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 1 (30). С. 26-38.

6. Параметрические модели биоимпеданса для идентификации функционального состояния живой системы / К. Д. А. Кассим, И. А. Ключиков, О. В. Шаталова, З. Д. Яа // Биомедицинская радиоэлектроника. 2012. № 4. С. 50-56.

7. Филист С. А., Кузьмин А. А., Кузьмина М. Н. Биотехническая система для контроля импеданса биоматериалов в экспериментах in vivo // Биомедицинская радиоэлектроника. 2014. № 9. С. 38-42.

8. Модели биоматериала для формирования дескрипторов в интеллектуальных системах диагностики инфекционных заболеваний / А. В. Мирошников, Н. С. Стадниченко, О. В. Шаталова, С. А. Филист // Моделирование, оптимизация и информационные технологии. Научный журнал. 2020. Т. 7, № 1. С. 1-14. https://doi.org/10.26102/2310-6018/2020.31.4.018.

9. Miroshnikov A. V., Shatalova O. V., Zhilin V. V. Biomaterial impedance model for medical risk classifiers in in vivo experiments // Journal of Physics: Conference Series. International Scientific Conference Artificial Intelligence and Digital Technologies in Technical Systems, 2020. Р. 012045.

10. Iterative models of bioimpedance in intelligent systems for early diagnosis of infectious diseases / A. V. Miroshnikov, A. V. Kiselev, O. V. Shatalova, R. A. Krupchatnikov // CEUR Workshop Proceedings. ITIDMS 2021 - Proceedings of the International Scientific and Practical Conference "Information Technologies and Intelligent Decision Making Systems", 2021. Р 25.

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

12. Буянова Е. С., Емельянова Ю. В. Импедансная спектроскопия электролитических материалов. Екатеринбург: Издательство Уральского университета, 2008. 70 с.

13. Пат. 2752594 Российская Федерация, МПК A 61 B 5/00. Способ классификации биологических объектов на основе многомерного биоимпедансного анализа и устройство для его реализации / Филист С. А., Шаталова О. В., Протасова З. У., Стадниченко Н. С. № 2020115879; заявл. 15.05.20; опубл. 29.07.21, Бюл. № 22.

14. Application of Fuzzy Neural Model and Current-Voltage Analysis of Biologically Active Points for Prediction Post-Surgery Risks / O. V. Shatalova, S. A. Filist, Z. U. Protasova, N. A. Korenevskiy, R. T. Al-Kasasbeh [et. al.] // Computer Method in Biomedical Engineering. 2021. Vol. 24. P. 1504-1516. https://doi.org/10.1080/10255842.2021.1895128.

15. Симчера В. М. Методы многомерного анализа статистических данных. М.: Финансы и статистика, 2008. 400 с.

16. Филист С. А., Алексенко В. А., Кабус Кассим. Гибридные информационные технологии по экспресс-диагностике инфекционных заболеваний на основе многочастотного анализа пассивных свойств биотканей // Известия ЮФУ. Технические науки. Тематический выпуск. Медицинские информационные системы. 2010. № 8(109). С. 12-17.

17. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков / С. Е. Суржикова, С. А. Филист, В. В. Жилин, А. Г. Курочкин // Прикаспийский журнал: управление и высокие технологии. 2015. № 3. С. 85-95.

18. Филист С. А., Шаталова О. В., Ефремов М. А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры. Разработка и применение. 2014. № 6. С. 35-39.

19. Hybrid neural networks with virtual flows in in medical risk classifiers / K. Khatatneh, S. Filist, R. T. Al-Kasasbeh, A. A. Aikeyeva, M. Namazov, O. Shatalova, A. Shaqadan, A. Miroshnikov // Journal of Intelligent & Fuzzy Systems. 2022. N 43. Р. 1621-1632. https://doi.org/10.3233/JIFS-212617.

20. Системы поддержки принятия решений в кардиологической области. Обзор / Д. А. Медников, З. У. Протасова, О. В. Шаталова, А. В. Серебровский // Медико-экологические информационные технологии - 2021: сборник научных статей по материалам XXIV Международной научно-технической конференции (20-21 мая 2021 г.) / Юго-Зап. гос. ун-т. Курск, 2021. С. 178-188.