WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Авторефераты по темам  >>  Разные специальности - [часть 1]  [часть 2]

ПРОГНОЗИРОВАНИЕ ИСХОДА ПРОЦЕДУРЫ НЕИНВАЗИВНОЙ ЭЛИМИНАЦИИ КОНКРЕМЕНТОВ С ИСПОЛЬЗОВАНИЕМ ГИБРИДНЫХ ТЕХНОЛОГИЙ НЕЧЕТКОЙ ЛОГИКИ ПРИНЯТИЯ РЕШЕНИЙ И НЕЙРОННЫХ СЕТЕЙ

Автореферат кандидатской диссертации

 

На правах рукописи

 

Жилин Виталий Валерьевич

 

 

ПРОГНОЗИРОВАНИЕ ИСХОДА ПРОЦЕДУРЫ НЕИНВАЗИВНОЙ ЭЛИМИНАЦИИ КОНКРЕМЕНТОВ С ИСПОЛЬЗОВАНИЕМ ГИБРИДНЫХ ТЕХНОЛОГИЙ НЕЧЕТКОЙ ЛОГИКИ ПРИНЯТИЯ РЕШЕНИЙ И НЕЙРОННЫХ СЕТЕЙ

Специальность 05.13.01 – Системный анализ, управление и обработка информации (технические и медицинские системы)

 

 

Автореферат

диссертации на соискание ученой степени

кандидата технических наук

 

 

 

Курск 2009

Работа выполнена в ГОУ ВПО «Курский государственный технический университет» на кафедре биомедицинской инженерии

Научный руководитель:                доктор технических наук, профессор

Филист Сергей Алексеевич

Официальные оппоненты:              доктор технических наук, профессор

Маслак Анатолий Андреевич

кандидат технических наук

Панищев Владимир Славиевич

Ведущая организация:                   ГОУ ВПО «Рязанский государственный

радиотехнический университет»

Защита диссертации состоится 26 ноября 2009 года в 16 часов в конференц-зале на заседании диссертационного совета по защите докторских и кандидатских диссертаций Д 212.105.03 при ГОУ ВПО «Курский государственный технический университет» по адресу: 305040, г. Курск, ул. 50 лет Октября, 94.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Курский государственный технический университет»

Автореферат разослан 23 октября 2009 г.

Ученый секретарь

диссертационного совета

к. ф-м н, профессор                                                                Старков Ф.А.


ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Для лечения мочекаменной болезни в настоящее время все чаще применяется неинвазивный метод дистанционной ударно-волновой литотрипсии (ДУВЛ). Данный метод зарекомендовал себя как чрезвычайно действенный и обладающий минимальным травмирующим воздействием на окружающие ткани. Принцип лечения заключается в использовании ударных волн для разрушения камней, что характеризуется меньшим числом осложнений по сравнению с другими оперативными и малоинвазивными методами лечения. В то же время, ввиду механического воздействия на ткань почки, следует с особым вниманием относиться к показаниям и противопоказаниям указанной терапии, так как ее неверное применение или наличие у больных определенных предрасположенностей может привести к почечным гематомам, гематурии или обструкции мочевыводящих путей – наиболее актуальным проблемам литотрипсии. Кроме того, аппараты для проведения ДУВЛ (литотрипторы) не являются широко распространенными в медицинских учреждениях, и при их отсутствии возникает потребность в транспортировке пациента в другую клинику перед применением метода (С.П. Серегин, С.Д. Долженков). В связи с указанными фактами существует острая необходимость предварительного анализа имеющихся данных о каждом конкретном случае мочекаменной болезни и максимально точного прогнозирования результатов терапии перед ее назначением.

Сложность прогнозирования в данной ситуации обусловлена тем, что значительная часть информации представляет собой субъективные экспертные оценки врача, основанные на его знаниях и опыте применения литотриптора. Для моделирования и отражения подобной информации в прогнозирующих системах целесообразно использовать теорию нечеткой логики, как способ наиболее естественного описания характера человеческого мышления и хода его рассуждений (Г. Шортлиф, Л. Заде, С. Осовский). Для качественного решения соответствующей прогностической задачи при составлении решающих правил в качестве информативных признаков используются разнотипные данные, получаемые в результате биохимических анализов крови и мочи, УЗИ почек, верхних и нижних  мочевых путей, а также с помощью обзорной и экскреторной урографии или спиральной компьютерной томографии (А.А. Олексюк, А.Ю. Павлов).

Существующие алгоритмы и методы применения нейронных сетей и нечеткой логики не позволяют должным образом объединить использование эмпирических оценок и экспериментальных данных для решения рассматриваемой задачи прогнозирования. С учетом сказанного возникает необходимость разработки способа объединения технологий нечеткой логики и нейронных сетей в гибридную систему для повышения качества прогнозирования результатов методики ДУВЛ, что позволит снизить вероятность возникновения побочных неблагоприятных эффектов и повысить качество оказания терапевтических услуг.

Работа выполнена в рамках Региональной программы «Мужское здоровье – 2006-2010гг.» и в соответствии с научным направлением Курского государственного технического университета «Медико-экологические информационные технологии».

Цель работы. Повышение качества оказания медицинских услуг больным мочекаменной болезнью путем использования нейросетевых технологий для прогнозирования результатов процедуры неинвазивного дробления конкрементов.

Для достижения поставленной цели необходимо решить следующие задачи:

- на основании данных об этиологии и патогенезе мочекаменной болезни сформировать пространство информативных признаков, оказывающих влияние на результат прогнозирования исхода ДУВЛ;

- разработать способ формализации эмпирических экспертных оценок врача-уролога и, с помощью технологий нечеткой логики, установить вид и параметры соответствующих нечетких функций принадлежности по выявленным признакам;

- построить структуру гибридной решающей системы и разработать алгоритмы синтеза ее функциональных модулей;

- разработать интегрированный программный пакет, реализующий применение указанных технологий и позволяющий в интерактивном режиме осуществлять моделирование спроектированной решающей системы;

- провести апробацию предложенных технологий прогнозирования на репрезентативных контрольных выборках.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, теории проектирования и обучения нейронных сетей, алгоритмы нечеткого логического вывода и генетические алгоритмы поиска решения. При разработке прогнозирующей системы в качестве инструментария использовалась среда Matlab 7.1 со встроенными пакетами NNTool, Fuzzy Logic Toolbox и Genetic Algorithm.

Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- способ формализации клинического опыта врача-уролога с помощью технологий нечеткой логики, отличающийся возможностями составления комбинированных нечетких функций принадлежности и автоматическим изменением их формы и параметров, приводящий к минимизации ошибки прогнозирования;

- алгоритм синтеза агрегаторов нечеткой решающей системы, основанный на применении генетического алгоритма, позволяющий выполнять автоматический подбор нечетких операций и порядка объединения функций принадлежности для расчета коэффициентов уверенности принадлежности объекта к каждому из классов;

- структура гибридной решающей системы, отличающаяся многоуровневой системой агрегаторов, позволяющая прогнозировать исход дистанционной литотрипсии в структурированном пространстве информативных признаков;

- способ дефуззификации нечетких коэффициентов уверенности в модели нечеткого логического вывода, отличающийся использованием в качестве дефуззификатора обучаемой нейронной сети, позволяющий повысить качество работы системы за счет того, что в ходе обучения нейронной сети учитывается влияние соотношений рассчитанных коэффициентов уверенности на результат прогнозирования.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: IX, X, XI, XII Международные научно-технические конференции «Медико-экологические информационные технологии» (Курск, 2006, 2007, 2008, 2009); 8-я Международная научно-техническая конференция «Физика и радиотехника в медицине и экологии» (Владимир, 2008); XIV Международная научно-практической конференция «Экология и жизнь» (Пенза, 2008); XV Российская научно-техническая конференция с международным участием «Материалы и упрочняющие технологии – 2008» (Курск, 2008); XХI Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (Биомедсистемы-2008, Рязань 2008); III Всероссийская научно-техническая конференция «Информационные и управленческие технологии в медицине и экологии» (Пенза, 2009).

Практическая значимость и результаты внедрения работы.

Разработанные методы, модели, решающие правила и алгоритмы составили основу построения системы поддержки принятия решений врача-уролога, клинические испытания которой показали целесообразность ее использования в медицинской практике.

На основании полученных технологий в среде Matlab 7.1 разработан программный пакет для построения модели гибридной системы прогнозирования исхода неинвазивной элиминации конкрементов, позволяющий в интерактивном режиме выполнять синтез и обучение нейросетевых структур, построение нечетких логических заключений путем подбора вида и параметров функций принадлежности  с возможностью визуального контроля структуры на каждом из этапов ее построения.

Применение предложенных в диссертации разработок позволяет увеличить эффективность предварительного прогнозирования результатов дистанционной ударно-волновой литотрипсии и повысить качество оказания медицинской помощи урологическим больным. Предложенные в работе методы и алгоритмы апробированы в клинической практике больницы скорой медицинской помощи №1 г. Курска и используется в учебном процессе кафедры биомедицинской инженерии Курского государственного технического университета при обучении студентов специальностей 200401 и 200402.

Публикации. По материалам диссертации опубликовано 14 печатных работ, перечень которых приведен в конце автореферата. Из них 3 работы в журналах, рекомендованных ВАК РФ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] и [2] автором предложен способ моделирования нечетких моделей в пакете Matlab, в [3] автором разработан гибридный алгоритм классификации биомедицинских сигналов, в [6], [8] и [9] автором разработаны методы и алгоритмы моделирования нечетких нейросетевых систем; в [7], [12], [13] соискателем проведено исследование особенностей применения нечеткого вывода для диагностики заболеваний; в [10] соискатель проанализировал применение нечеткого решающего модуля при наличии размытости классов.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 110 отечественных и 26 зарубежных наименований. Работа изложена на 125 листах машинописного текста, содержит 49 рисунков и 18 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы исследования, определены цели и задачи работы, ее научная новизна и практическая значимость; определены методы решения сформулированных задач; приведены сведения об апробации результатов работы. 

В первой главе рассмотрены особенности метода дистанционной ударно-волновой литотрипсии при лечении мочекаменной болезни, основные показатели, позволяющие выполнять прогнозирование исхода терапии. Проанализированы современные подходы к решению задач прогнозирования, использующие технологии нечеткой логики принятия решений и нейронных сетей и существующие методики комбинирования указанных технологий при создании гибридных решающих систем. В заключение главы определяются цель и задачи исследования.

Во второй главе сформировано пространство информативных признаков для прогнозирования результатов дистанционной ударно-волновой литотрипсии (ДУВЛ). На основании этиологии и патогенеза мочекаменной болезни и особенностей применения процедуры ДУВЛ определен набор различных возможных исходов указанной терапии:

С1 – успешное дробление конкремента с первого сеанса с последующим выводом раздробленных частей без осложнений для пациента;

С2 – возникновение различных осложнений в ходе терапии (повреждения организма пациента после успешного дробления конкремента, затрудненный вывод раздробленных камней и т.д.);

С3 – невозможность дробления конкремента с использованием рассматриваемой методики, влекущая необходимость оперативного вмешательства.

С учетом мнения высококвалифицированных экспертов был составлен список из двенадцати информативных признаков, традиционно используемых во врачебной практике для первоначального прогноза результатов ДУВЛ. Выбранные признаки включают в себя результаты разностороннего анализа общего состояния пациента, характеристики конкрементов, подлежащих дроблению, а также дополнительные факторы, оказывающие влияние на исход применения процедуры литотрипсии. При обследовании пациента помимо показателей его веса и возраста проводятся биохимические анализы для выявления уровня зараженности мочи и скорости свертываемости крови. Кроме того, замеряется количество миллилитров жидкости, выделяемых мочеточником за минуту для определения функциональных способностей почек. На основании результатов УЗИ почек, верхних и нижних  мочевых путей и путем выполнения обзорной и экскреторной урографии или спиральной компьютерной томографии определяются показатели локализации, плотности и размеров исследуемого конкремента.

Исследование предметной области показало, что целесообразно разбить пространство информативных признаков на три непересекающиеся группы. В группу G1 выделены признаки, отвечающие за предварительную оценку состояния пациента. В данную группу включены признаки: P1 - «Возраст  пациента», P2 - «Вес пациента», P3 - «Микробное число (КОЕ)», P4 - «Фактор свертываемости крови». Группа G2 содержит признаки, характеризующие непосредственно сами конкременты, подлежащие воздействию литотрипсии. Указанными признаками являются: Р5 - «Размер конкремента», Р6 - «Локализация конкремента», Р7 - «Относительная плотность камня», Р8 - «Общее количество конкрементов в почках». В последнюю группу признаков G3 собраны признаки, которые непосредственно отражают риски проведения процедуры литотрипсии, такие как: Р9 - «Функциональные способности почки (минутный диурез)», Р10 - «Размеры конкрементов, отходивших ранее без осложнений», Р11 - «Суммарное время проведения предварительной литотерапии», Р12 - «Месяц проведения терапии».

Для проведения предварительного анализа признакового пространства был разработан способ геометрической интерпретации трех выбранных признаков в виде трехмерного графика в ортогональной системе координат. При визуализации распределения признаков в выбранном подпространстве по каждой из осей координат (X, Y, Z) откладываются значения одного из выбранных признаков. В отличие от стандартного способа двумерной геометрической интерпретации, используемого в системе статистических исследований Statistica 6.0, данный способ позволяет выполнять непосредственную модификацию подпространства информативных признаков путем изменения относительного расположения системы координат, поворачивая ее на выбранный угол относительно одной из осей координат. Получаемое в результате вращения осей модифицированное подпространство предназначено для проведения разведочного анализа степени размытости классов и оценки целесообразности применения для классификации методов дискриминантного анализа или построения разделяющей гиперплоскости.

При повороте значения характеристик объектов относительно новой системы координат изменяются следующим образом: матрица характеристик объектов Mo умножается на соответствующие осям X, Y и Z матрицы поворота Mpx, Mpy, Mpz, которые для угла поворота  рассчитываются по формулам 1-3.

Подпись: (1).

Подпись: (2) .

Подпись: (3).

Применение указанного способа геометрической интерпретации позволило сделать вывод о том, что анализируемые классы характеризуются высокой степенью размытости как по каждому из признаков в отдельности, так и в трехмерных признаковых подпространствах, что не позволяет использовать для их разделения известные способы классификации.

На основе существующего врачебного опыта составлены эмпирические экспертные оценки, характеризующие степень влияния каждого из признаков на результат прогнозирования исхода терапии ДУВЛ. Рассмотренные оценки первоначально выражены в виде обобщенных словесных заключений. Например, для признака Р6 - «Локализация конкремента» указано, что размещение конкремента в нижней трети мочеточника является наиболее невыгодным для проведения сеанса литотрипсии и с высокой степенью уверенности приведет к необходимости оперативного вмешательства. Признак P2 - «Вес пациента» охарактеризован следующим заключением: «у пациентов с весом до 70 кг успешный исход процедуры наиболее вероятен, так как все ударное воздействие прибора приходится непосредственно на дробимый конкремент. С увеличением веса эффективность процедуры падает, так как ударная волна гасится жировыми отложениями тела. К пациентам с весом, превышающим 100 кг, процедура может быть применена только частично, в связи с ограничениями на максимальный допустимый вес, предусмотренный на панели размещения пациента в литотрипторе».

Анализ полученных экспертных заключений показал, что их формализация с использованием стандартных способов построения функций принадлежности, основанных на применении одномодальных нечетких функций, является неточной, так как в ряде случаев необходимо отразить нелинейное искажение формы функции при пересечении определенного диапазона значений рассматриваемого признака. Поэтому для формализации экспертных оценок и использования их в прогнозирующей системе был разработан способ построения нечетких функций принадлежности, позволяющий максимально точно отразить указанные эмпирические данные в виде нечетких числовых значений. Данный способ заключается в использовании операции объединения или пересечения двух нечетких функций. Пересечение функций принадлежности µa и µb вычисляется по формуле (4). Объединение нечетких функций µa и µb вычисляется по формуле (5).

µc =  µa  µb = min(µa(x), µb(x)).

µc =  µa  µb = max(µa(x), µb(x)).

Также при определении вида функций принадлежности объектов разных классов появляется необходимость, чтобы максимальное значение функции принадлежности не превышало заданного значения. Для этого после вычисления значений функций принадлежности выполняется умножение результата на весовой коэффициент kfi,j (0  kfi,j  1, i – номер класса, j – номер признака), получаемый на основе экспертной оценки и статистического анализа исходных данных. Указанный коэффициент задается для каждой функции принадлежности в отдельности. По умолчанию используется коэффициент kfi,j, равный 0,9.

Например, после анализа существующего врачебного опыта относительно влияния возраста пациента на результаты дистанционной литотрипсии, для формализации признака P1 – «Возраст пациента» были составлены следующие функции принадлежности:

- Функция µ11 принадлежности объекта к классу С1 представляет собой нечеткое логическое объединение двух трапециевидных функций, задаваемых формулой (6), где для первой функции: a = 10, b = 20, c = 40, d = 50; а для второй – a = 40, b = 40, c = 60, d = 90. Для уменьшения величины функции µ11 на участке, где возраст пациента превышает 40 лет, для второй из трапециевидных функций установлен весовой коэффициент  = 0,65. Для первой трапециевидной функции весовой коэффициент равен  = 0,9.

Подпись: (6).

Подпись: (6).

- Функция µ21 принадлежности объекта к классу С2 представляет собой нечеткое логическое объединение двух S-подобных функций smf,определяемых формулой (7). Для первой функции  выбраны параметры a = 10, b = 20 и весовой коэффициент  = 0,5. Для  - a = 50, b = 70,  = 0,9.

Подпись: (7).

- Функция µ31 принадлежности объекта к классу С3 представляет собой нечеткое логическое объединение гауссовской функции, определяемой формулой (8) с параметрамиb = 58, c = 10;  = 0,6 и трапециевидной функции (6) с параметрами a = 55, b = 55, c = 62, d = 110,  = 0,55.

Подпись: (8).

Итоговый вид построенных функций принадлежности представлен на рис. 1.

Рис. 1 . Вид функций принадлежности для признака Р1 - «Возраст  пациента»

Полученный график функций принадлежности отражает тот факт, что согласно врачебному опыту успешность применения литотрипсии является наиболее высокой у пациентов моложе 40 лет, для людей старше данного возраста эффективность терапии снижается и после превышения 60-летнего возраста вероятность успешного исхода терапии резко уменьшается (линия С1 на графике). В то же время для пациентов старше 60 лет значительно возрастает риск возникновения различных осложнений в ходе проведения сеанса (линия С2 на графике). Уверенность в необходимости оперативного вмешательства (линия С3 на графике) с возрастом растет, однако согласно рекомендациям экспертов для пациентов пожилого возраста введено уточнение функции принадлежности, в связи с тем фактом, что при превышении порога в 60 лет операция назначается лишь в чрезвычайных ситуациях и проводится неоднократное дробление конкремента, даже учитывая риск осложнений.

Аналогичным образом на основании разработанного способа формализации экспертных оценок были получены вид и параметры 36 функций принадлежности, отражающих влияние значений каждого из двенадцати признаков на один из трех возможных исходов сеанса дистанционной литотрипсии.

В третьей главе рассмотрена структура разработанной гибридной нейронной сети, позволяющей выполнять прогнозирование результатов терапевтического воздействия (рис. 2). Для повышения эффективности работы прогнозирующей системы в ней объединены достоинства технологий нейронных сетей и систем нечеткого вывода.

В качестве основы для разработки гибридной системы выбрана распространенная модель нечеткого решающего модуля, состоящая из блоков фуззификатора, агрегатора и дефуззификатора.

В отличие от базовой структуры в рассматриваемой сети на этапе фуззификации выполняется разбиение признакового пространства на группы для последующего анализа наборов сгруппированных признаков вместо совокупного анализа одновременно всех признаков исходного пространства.

Агрегирование  выполняется в два последовательных шага: на первом выполняется построение структуры групповых агрегаторов, предназначенных для вычисления коэффициентов уверенности принадлежности объектов к заданному классу на основании каждой группы признаков. На втором шаге для рассчитанных групповых коэффициентов уверенности строятся основные агрегаторы, позволяющие непосредственно определить коэффициент уверенности принадлежности объекта к заданному классу.

В качестве дефуззификатора гибридной сети используется нейронная сеть, обучение которой производится на основе исходных обучающих данных, характеризующихся набором признаков P1…P12.

Данные, используемые для построения модели и настройки параметров, изначально разделены на три класса С1, С2 и С3 результатов применения терапии. Каждый из объектов xk, (k = 1..h, где h – количество объектов выборки) характеризуется набором из двенадцати признаков. Формат исходных данных представляет собой 3 двумерных массива размерностью [12 x ri], i = 1…3,  где ri – количество объектов в i-м классе (). На этапе фуззификации вычисляются числовые значения функций принадлежности µi,j(Pj(xk)) для каждого признака Pj, i = 1..3, k = 1…h, j = 1..12, где µi,j – функция принадлежности объекта xk к i-му классу по j-му признаку.

Этап построения агрегаторов для каждого класса представляет собой выбор способа объединения функций принадлежности по признакам объектов с помощью заданного набора нечетких логических операций. В работе синтезирован базовый набор, включающий в себя десять нечетких операций (9).

Для выполнения этапа агрегирования в работе построены структуры девяти групповых агрегаторов (необходимое количество определяется исходя из формулы , где n – число классов, s – число признаковых групп) и три итоговых агрегатора в соответствии с числом классов. Для решения задачи построения агрегаторов разработан алгоритм автоматизированного подбора наиболее эффективных комбинаций нечетких операций, основанный на использовании генетического алгоритма.          


Подпись: µ1,4Подпись: µ2,4Подпись: µ3,4Подпись: µ1,9Подпись: µ2,9Подпись: µ3,9Подпись: µ1,12Подпись: µ2,12Подпись: µ3,12Подпись: µ1,1Подпись: µ2,1Подпись: µ3,1Подпись: Этап фуззификацииПодпись: Этап агрегированияПодпись: Этап дефуззификации

Рис. 2 . Структура гибридной решающей системы

        

 ;

;

;

Подпись: (9);

;

;

;

;

;

.

Подбор осуществляется с использованием модуля gatool, встроенного в  пакет Gentic Algorithm системы  Matlab 7.1, который выполняет минимизацию количества ошибок заданной целевой функции. Для инициализации генетического алгоритма, реализованного в данном пакете, необходимо указать длину входной битовой последовательности и функцию, которую необходимо минимизировать в результате выполнения алгоритма. В качестве цели минимизации для алгоритма выступает значение, возвращаемое разработанной автором процедурой расчета ошибки прогнозирования minfunagr.

В процессе выполнения процедуры ошибка рассчитывается для каждого объекта и может принимать значение 1 или 0. Значение «1» обозначает, что при данной комбинации функций максимальный коэффициент уверенности Kumax достигается в классе, отличном от класса, которому принадлежит объект. Значение «0» обозначает, что максимальный коэффициент уверенности достигается именно в том классе, которому принадлежит объект. Задача генетического алгоритма состоит в нахождении такого набора нечетких операций для объединения функций принадлежности по признакам, при котором сумма значений ошибки прогнозирования по всем объектам будет минимальной.

Для использования генетического алгоритма системы Matlab 7.1 был разработан способ битового кодирования нечетких операций и порядка их выполнения в агрегаторе. Каждая нечеткая операция из базового набора кодируется уникальной битовой последовательностью длины d. Длина последовательности выбирается исходя из условия 2d ? g, где g – общее количество нечетких операций в наборе. Таким образом, каждой из 10 нечетких операций из сформированного набора будет соответствовать двоичная последовательность длиной четыре бита. Битовые коды каждой функции присваиваются автоматически, по порядку их следования в исходном наборе. Кроме того, битовыми последовательностями также кодируются все возможные варианты перестановок признаков объекта (необходимость этого вызвана тем фактом, что многие нечеткие функции не обладают свойством коммутативности, т.е. f(µa(x), µb(x)) ? f(µb(x), µa(x))). Длина последовательности для перестановок z определяется из условия 2z ? m!, где m – количество признаков. Так как признаковое пространство на этапе фуззификации  было сгруппировано в группы, не содержащие более четырех признаков, то  каждый из групповых агрегаторов потребует длины перестановочной последовательности z = 5, так как количество возможных перестановок четырех признаков равно 24 (25  4!). Каждая из возможных перестановок автоматически кодируется соответствующей битовой последовательностью.

Таким образом, постановка задачи для встроенного генетического алгоритма системы Matlab 7.1 сводится к нахождению объединенной битовой последовательности (рис. 3), содержащей информацию о виде и порядке следования нечетких операций, которые будут наиболее полно удовлетворять условию минимума ошибок классификации.

Согласно полученной в работе генетического алгоритма структуре агрегаторов выполняется расчет числовых значений групповых коэффициентов уверенности Kui,k. Указанный коэффициент представляет собой уверенность в принадлежности объекта к   i-му классу по набору признаков группы Gk.

Рис. 3 . Структура битовой последовательности, используемой в генетическом алгоритме

На следующем шаге агрегирования генетический алгоритм применяется для построения структуры агрегаторов A1….A3 (рис. 2). Завершением этапа агрегирования является расчет числовых показателей указанных агрегаторов с получением матрицы значений коэффициентов Kui уверенности принадлежности объекта к i-му классу.

Подпись: (10)     Для повышения точности прогнозирования было принято решение использовать в качестве дефуззификатора обучаемую нейронную сеть, принимающую на вход коэффициенты уверенности, а на выходе дающую результат прогнозирования (10), где NETk – выходы нейронной сети.

.

В качестве обучающей функции выбрана встроенная в систему Matlab 7.1 функция trainlm, которая модифицирует значения весов и смещений в соответствии с методом оптимизации Левенберга-Маркара. Выбор данной функции обусловлен наибольшими качественными показателями в скорости обучения, по сравнению с другими обучающими функциями. Для контроля ошибки обучения использовалась функция mse из пакета NNTool, позволяющая адекватно оценивать ошибки при любых диапазонах входных значений переменной.                                           

Преимуществом данного способа является тот факт, что при наличии ситуаций, в которых действительным исходом терапии являлся класс не с максимальным коэффициентом уверенности, а близким к максимальному – подобные ситуации будут запомнены нейронной сетью в процессе обучения и эти сведения отразятся на принятии последующих решений на контрольных данных.

В четвертой главе рассмотрены результаты экспериментальных исследований, позволяющих оценить качество работы разработанной прогнозирующей системы. Для реализации модели прогнозирующей системы в среде Matlab 7.1 был разработан программный пакет «Neurowork», включающий в себя пять модулей, каждый из которых обеспечивает выполнение определенного этапа построения гибридной системы. В состав указанной программы входят:

- модуль GuiData, предназначенный для работы с выборками обучающих и контрольных данных, которые будут использованы при проектировании решающей системы;

- модуль «GuiGraf», предназначенный для выполнения первоначального разведочного анализа распределения классов в трехмерном подпространстве выбранных признаков;

- модуль «GuiFuzzyFun», задачей которого является предоставление возможности интерактивного определения вида и параметров функций принадлежности для всех признаков каждого класса;

- модуль «GuiAgreg», в котором выполняется определение составов агрегаторов по каждому из классов, т.е. набора и порядка выполнения нечетких операций между построенными функциями принадлежности;

- модуль «GuiNet», предназначенный для выполнения обучения нейронных сетей, служащих для выполнения дефуззификации нечетких данных. Также модуль предоставляет возможность контроля качества работы прогнозирующей системы.

Для реализации поэтапных вычислений в разработанном программном пакете Neurowork реализовано хранение информации в специализированной структуре данных, представляющей собой массив ячеек (cell). Структура данных Data, содержащая результаты работы системы на каждом из этапов, представлена на рис. 4.

Подпись: [3x12]Подпись: [3x12]

Рис. 4 . Структура данных, используемая в модуле Neurowork

Для проведения обучения гибридной системы были проанализированы истории болезни, хранящиеся в архиве урологического отделения БСМП №1 г. Курска. Медицинские карты пациентов отражают информацию о проведенных биохимических анализах крови и мочи, УЗИ почек, верхних и нижних  мочевых путей, а также содержат данные о результатах применения процедуры дистанционной литотрипсии. На основании полученной информации сформировано обучающее множество, включающее в себя 120 пациентов, среди которых у 55 пациентов терапия была проведена успешно, у 35 были отмечены различные осложнения после проведения терапии, 30 пациентам потребовалось оперативное вмешательство. Для выполнения контроля качества работы построенной прогнозирующей системы была отобрана дополнительная информация о результатах терапии ДУВЛ для 90 пациентов, не вошедших в обучающую выборку. Среди 90 пациентов контрольной выборки 35 принадлежат к классу С1, 25 к классу С2 и 30 к классу С3.

С использованием разработанного программного пакета «Neurowork» выполнено прогнозирование с использованием построенной гибридной системы согласно алгоритму, рассмотренному в третьей главе Для обоснования целесообразности использования комбинированных технологий в проектируемой системе, было выполнено прогнозирование результатов с использованием существующих методик, основанных на технологиях обучения нейронных сетей и нечеткого логического вывода в отдельности.

Результаты расчета показателей качества прогнозирования исхода ДУВЛ для указанных моделей, характеризуемые значениями диагностической чувствительности (ДЧ), диагностической специфичности (ДС), прогностической значимости положительных результатов (ПЗ+), прогностической значимости отрицательных результатов (ПЗ-), диагностической эффективности решающего правила (ДЭ) представлены на рис. 5.

Рис. 5 . Диаграмма показателей качества работы для трех моделей прогнозирующих систем

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Предлагаемая работа посвящена разработке способа прогнозирования исхода дистанционной ударно-волновой литотрипсии, использующего гибридные технологии нечеткой логики и нейронных сетей, что позволит предупредить возникновение осложнений различной степени тяжести, оценить необходимость проведения предварительной терапии и повысить качество оказания медицинских услуг.

В работе получены следующие основные результаты:

  • Сформировано пространство информативных признаков, используемых во врачебной практике для первоначального прогноза результатов ДУВЛ и разработан способ формализации клинического опыта врача-уролога с помощью технологий нечеткой логики, заключающийся в использовании комбинации двух нечетких функций для описания одного признака и введением весовых коэффициентов для каждой из построенных функций, что позволило отразить существующие экспертные оценки в рассматриваемой области.
  • Построена структура гибридной решающей системы для прогнозирования результатов ДУВЛ с многоуровневой системой агрегаторов, позволяющая выполнять анализ сформированного признакового пространства.
  • Построен алгоритм автоматизированного синтеза агрегаторов решающей системы, основанный на применении генетического алгоритма, позволяющий выполнять автоматический подбор сочетания нечетких операций и порядка объединения функций принадлежности для расчета коэффициентов уверенности принадлежности объекта к каждому из классов.
  • Разработан способ дефуззификации нечетких коэффициентов уверенности в модели нечеткого логического вывода с помощью обучаемой нейронной сети, что позволило улучшить качество работы системы в сравнении с известными системами нечеткого вывода.
  • Разработан программный пакет в среде Matlab 7.1, осуществляющий интерактивное моделирование каждого из этапов построения гибридной решающей системы с визуальным отображением промежуточных результатов моделирования, построение нечетких функций принадлежности по каждому из признаков объектов в интерактивном режиме с графическим отображением вида функции в зависимости от заданных параметров, а также составление комбинированных функций принадлежности для корректного описания признаков с бимодальным распределением.
  • Выполнена апробация разработанной системы с использованием контрольной выборки историй болезней пациентов урологического отделения больницы скорой медицинской помощи №1 г. Курска. При использовании гибридной системы прогнозирования значение диагностической эффективности составило 0.91, что значительно выше показателей методов прогнозирования, основанных на технологиях обучения нейронных сетей и нечеткого логического вывода в отдельности.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Научные работы в журналах из перечня ВАК РФ

  • Жилин, В.В. Способ моделирования нечетких моделей в пакете MATLAB для биомедицинских приложений [Текст] / В.В. Жилин, С.А. Филист, Р.С. Халед Абдул, О.В. Шаталова // Медицинская техника. Москва март-апрель 2008 г №2, 2008. C. 15-18.
  • Zhilin V.V. A method for creating fuzzy neural-network models using the MATLAB package for biomedical applications [Текст] / V.V. Zhilin, S.A. Filist, R.S. Khaled Abdul, O.V. Shatalova // Biomedical Engineering/New York, 2008. Volume 42, Number 2/ P. 64-66.
  • Жилин В.В. Гибридный способ классификации биосигналов на основе технологий нечеткой логики принятия решений и нейронных сетей. [Текст] / В.В. Жилин, С.А. Филист, В.А. Аль-Муаалеми // Биомедицинская радиоэлектроника, №5, 2009. С 77-82.

Научные работы в других изданиях

    • Жилин, В.В. Программный модуль разработки нейронных сетей для классификации образов в программном пакете Matlab [Текст] / В.В. Жилин // Медико-экологические информационные технологии – 2006: сб. материал. IX Междунар. научн.-техн. конф. / Курск. гос. техн. ун-т. Курск, 2006. С. 160-163.
    • Жилин, В.В. Метод подстройки параметров функций принадлежности в нечетких моделях для биомедицинских приложений [Текст] / В.В. Жилин // Медико-экологические информационные технологии – 2007: сб. материал. X Междунар. научн.-техн. конф. / Курск. гос. техн. ун-т. Курск, 2007. С. 179-183.
    • Жилин, В.В. Способ моделирования нечетких нейронных сетей [Текст]  / В.В. Жилин, С.А. Филист, Р.С. Халед Абдул, О.В. Шаталова // Медико-экологические информационные технологии – 2007: сб. материал. X Междунар. научн.-техн. конф. / Курск. гос. техн. ун-т. Курск, 2007. С. 224-227.
    • Жилин, В.В. Модель модуля нечеткого вывода для ранней диагностики ишемической болезни сердца [Текст] /  В.В. Жилин, А.А. Грахов, С.А. Филист // Физика и радиотехника в медицине и экологии: Доклады 8-й междунар. научн.-техн. конф. Книга 1. Владимир, 2008. С. 208-211.
    • Жилин, В.В. Интерактивная среда проектирования нечетких решающих правил [Текст] / В.В. Жилин, А.А. Грахов С.А. Филист // Материалы и упрочняющие технологии – 2008: сб. материал. XV Российск. научн.-техн. конф. с междунар. участием. / Курск, 2008.
    • Жилин, В.В. Имитационное моделирование систем нечеткого вывода для медицинских приложений [Текст] / В.В. Жилин, А.А. Грахов, С.А. Филист // Медико-экологические информационные технологии – 2008: сб. материал. XI Междунар. научн.-техн. конф. / Курск. гос. техн. ун-т. Курск, 2008. С. 102-105.
    • Жилин, В.В. Модель нечеткого решающего модуля для систем медицинского назначения при наличии размытости классов [Текст] / В.В. Жилин, С.А. Филист, А.Ф. Рыбочкин // Экология и жизнь: сб. статей XIV междунар. научн.-практич. конф. – Пенза, 2008. С. 17-19.
    • Жилин, В.В. Использование нечеткой логики для классификации объектов с бимодальным распределением признаков [Текст] / В.В. Жилин // XХI Всеросс. научн.-технич. конф. студ-тов, молод. ученых и спец-тов «Биотехнические, медицинские и экологические системы и комплексы» (Биомедсистемы-2008) – Рязань 2008.
    • Жилин, В.В. Программный модуль для автоматизированного анализа кодовых точек ЭКГ [Текст]/ В.В. Жилин, Зо Зо Тун // Медико-экологические информационные технологии – 2009: сб. материал. XII Междунар. научн.-техн. конф. / Курск. гос. техн. ун-т. Курск, 2009. С. 77-80.
    • Жилин, В.В. Применение гибридного способа классификации для предварительной диагностики сердечно-сосудистых заболеваний [Текст] / В.В. Жилин, В.В. Буняев // Медико-экологические информационные технологии – 2009: сб. материал. XII Междунар. научн.-техн. конф. / Курск. гос. техн. ун-т. Курск, 2009. С 92-94.
    • Жилин В.В. Гибридный метод нейронечеткой классификации биомедицинских сигналов [Текст] / В.В. Жилин // Информационные и управленческие технологии в медицине и экологии: сб. статей III Всероссийской научн.-техн. конф. – Пенза, 2009. С. 39-41.
     
    Авторефераты по темам  >>  Разные специальности - [часть 1]  [часть 2]



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.