автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Алгоритмы обработки стабилометрических сигналов для поддержки принятия решений

На правах рукописи

Антонова Наталья Евгеньевна

АЛГОРИТМЫ ОБРАБОТКИ СТАБИЛОМЕТРИЧЕСКИХ СИГНАЛОВ ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

Специальность05.13.01 -Системный анализ, управление и обработка информации (в технической отрасли)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Саратов 2014

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Саратовский государственный технический университет имени Гагарина Ю.А.».

Научный руководитель: доктор технических наук, профессор

Большаков Александр Афанасьевич

Официальные Квятковская Ирина Юрьевна

оппоненты: доктор технических наук, профессор,

ФГБОУ ВПО «Астраханский государственный технический университет», директор Института информационных технологий и коммуникаций

Литовка Юрий Владимирович

доктор технических наук, профессор, ФГБОУ ВПО «Тамбовский государственный технический университет», профессор кафедры «Системы автоматизированной поддержки принятия решений»

Ведущая организация: ФГБУН «Институт проблем точной механики

и управления РАН» (г. Саратов)

Защита диссертации состоится «22» декабря 2014 г. в 11.30 часов на заседании диссертационного совета Д 212.242.04 при Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Саратовский государственный технический университет имени Гагарина Ю. А.» (410054, г.Саратов, ул. Политехническая, 77, Саратовский государственный технический университет имени Гагарина Ю.А., корп. 1, ауд. 319).

С диссертацией можно ознакомиться в научно-технической библиотеке ФГБОУ ВПО СГТУ имени Гагарина Ю.А и на сайте www.sstu.ru

Автореферат разослан « 21 » октября 2014 г.

Ученый секретарь диссертационного совета

В.В. Алешкин

РОССИЙСКАЯ rUCVM/VL'l ВГИНАМ Ы'ЬЛИШ! КА

1 ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В различных областях, в т.ч. в медицинской технике, продолжают развиваться методы анализа сигналов и широко используются современные математические методы.

Вопросам разработки медицинских приборов и устройств, методов и алгоритмов обработки сигналов посвящены работы Дж. Ту, Р. Гонсалеса, К. Фукунаги, Н.В. Кисилева, В.И. Васильева, Я.А. Фомина Г.М. Проскурякова, и др. Однако диагностика заболеваний опорно-двигательного аппарата с использованием стабилометрической платформы является одной из областей медицинской техники, которая практически не охвачена интеллектуальными информационными технологиями. Это связано, прежде всего, со сложностью строения опорно-двигательного аппарата и методов его исследования.

В научной литературе имеются многочисленные авторские методики или предложения по обработке получаемых при регистрации статокинезиограмм. Существует ряд стандартных статистических показателей: характеристики спектрального состава стабилограмм; индикаторы, описывающие параметры статокинезиограмм, а также и специальные показатели.

Стабштография обладает рядом существенных недостатков: неунифицированность ее методов; отсутствие критериев выбора информативных параметров статокинезиограммы; расплывчатые и неточные представления о границах нормальных значений стабилометрических параметров; отсутствие общепринятого представления о функциональной системе, осуществляющей функцию равновесия и координацию движений; неясность диагностической ценности изменений параметров равновесия при периферических и центральны* поражениях нервной системы.

Таким образом, совершенствование методов и алгоритмов анализа колебаний центра тяжести человека, как одного из ценных диагностических способов является востребованной и актуальной задачей.

Степень проработанности темы. Основные принципы стабилографических методов исследования в России сформулированы в 1952 г. группой ученых Института проблем передачи информации (г. Москва), возглавляемой B.C. Гурфинкелем. Интерес к компьютерным стабилографам проявлен только в конце 80-х годов, когда ведущие зарубежные фирмы вышли в этой области на мировой рынок. Отставание СССР тогда оценивалось в 10-15 лет.

В 2001 г. сертифицирован первый отечественный компьютерный стабилограф-стабилоанализатор компьютерный с биологической обратной связью. Этот комплекс разработан и серийно выпускается в ЗАО «ОКБ «РИТМ» (г. Таганрог). По техническим показателям и функциональным возможностям стабилоанализатор достиг уровня лучших мировых

достижений, а по ряду показателей стал лидером, что ознаменовало ликвидацию отставания России в этом направлении.

Однако разработанные программы позволяют определять только общие характеристики человека и не формируют заключение по заболеванию.

Цель и задачи работы. Целью работы является создание алгоритмов обработки стабилометрических сигналов и системы поддержки принятия решений для повышения эффективности диагностики заболеваний опорно-двигательного аппарата.

Для достижения поставленной цели в диссертации необходимо решить следующие задачи:

1. Построить математическую модель системы «платформа-пациент» в статическом и динамическом состояниях.

2. Создать алгоритм идентификации параметров обратной связи на базе информации, поступающей от стабилометрической платформы.

3. Оценить точность диагностики методами математической статистики и нейронных сетей, построить гибридный модуль поддержки принятия решений.

4. Разработать специальное математическое обеспечение для поддержки управленческих решений в системах диагностики.

Объектом исследования являются стабилометрические сигналы.

Предмет исследования - комбинированные модели, методы и алгоритмы обработки стабилометрических сигналов.

Методы исследований. При решении поставленных задач применялись методы системного анализа и искусственного интеллекта, математического моделирования, теории распознавания образов, аппарат статистического анализа, численные методы.

Научная новизна.

1. Построена математическая модель системы «платформа-пациент», отличающаяся определением переменной жесткости обратной связи, что позволило использовать в каждом канале обратной связи модель равновесия тела в виде двухзвенного перевернутого физического маятника с верхней маятниковостью [4].

2. Создан алгоритм идентификации параметров обратной связи на базе информации, поступающей от стабилометрической платформы, отличающийся вычислением моментов инерции тела человека на основе измерений характеристик синхронных колебаний платформы с телом человека, что позволило разработать алгоритм динамической идентификации моментов инерции тела человека в режиме вынужденных колебаний [2].

3. Разработан комбинированный алгоритм обработки стабилометрических сигналов, отличающийся использованием методов статистического анализа и нейронных сетей, что позволило учесть нормы повторяемости значений контрольных параметров статокинезиограмм [3].

4. Разработано математическое обеспечение для поддержки принятий решений в системах диагностики, отличающееся использованием методов статистического анализа и нейронных сетей, что позволило создать гибридный модуль поддержки принятия решений [1, 15].

Практическая значимость работы. Основные результаты диссертационного исследования, имеющие практическую значимость, заключаются в следующем:

1. Разработан пакет прикладных программ обработки статокинезиограмм на основе предложенных математических моделей и алгоритмов.

2. Создана система поддержки принятия решений для диагностики с использованием стабилометрической платформы, которая может использоваться в медицинских учреждениях.

3. Полученные в работе закономерности и результаты исследований использованы в учебном процессе СГТУ имени Гагарина Ю.А. при подготовке бакалавров и магистров по направлению «Мехатроника и робототехника».

4. Материалы диссертационный работы приняты к использованию в организациях ЗАО «ОКБ «Ритм»» и в ФГБУ «СарНИИТО» Минздрава России.

Соответствие паспорту специальности. Область исследования соответствует паспорту специальности 05.13.01 - «Системный анализ, управление и обработка информации», а именно: пункту 3 - «Разработка критериев и моделей описания и оценки эффективности решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации»; пункту 4 - «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации»; пункту 10 - «Методы и алгоритмы интеллектуальной поддержки принятия управленческих решений в технических системах»; пункту 5 - «Разработка специального математического и программного обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации».

Достоверность и обоснованность. Достоверность и обоснованность диссертационного исследования определяется корректным применением методов системного анализа, математического моделирования, статистического анализа и методов теории распознавания образов, а также результатами сравнения, полученными на основе разработанных алгоритмов и программ, с экспериментальными данными.

Апробация работы. Результаты работы докладывались на Всероссийских и Международных научных конференциях: «Математические методы в технике и технологиях (ММТТ)» - ММТТ-23 (Саратов, 2010), ММТТ-25 (Саратов, 2012), ММТТ-26 (Саратов, 2013), ММТТ-27 (Саратов, 2014), International Conference on Information Technologies - 2012: Information and Communication Technologies in Education, Manufacturing and Research (ICIT-2012) (Саратов, 2012),

Всероссийская молодежная конференция «Методы компьютерной диагностики в биологии и медицине» (Саратов, 2012), (Саратов, 2013).

Работа поддержана Фондом содействия развитию малых форм предприятий в научно-технической сфере по программе «УМНИК» (ГК№0004543ГУ/2014) по теме «Разработка программного комплекса обработки статокинезиограмм для диагностики заболеваний».

Положения, выносимые на защиту:

1. Математическая модель системы «платформа-пациент» [4].

2. Алгоритм идентификации параметров обратной связи на базе информации, поступающей от стабилометрической платформы [2].

3. Комбинированный алгоритм обработки стабилометрического сигнала [3].

4. Гибридный модуль поддержки принятия решений для диагностики [ I ].

Публикации. Основные положения диссертации отражены в 14

публикациях, в т.ч. 4 - в изданиях, рекомендованных ВАК, 1 патент на полезную модель, 1 свидетельство Роспатента РФ о регистрации программы для ЭВМ.

Лично автором проведены следующие этапы научного исследования:

1. Предложена математическая модель системы «платформа-пациент»

2. Разработан алгоритм идентификации параметров обратной связи на базе информации, поступающей от стабилометрической платформы.

3. Предложена интеллектуальная система диагностики на основе обработки стабилометрического сигнала

Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка использованной литературы из 122 наименований, списка сокращений и приложения. Основная часть диссертации изложена на 122 страницах, содержит 30 рисунков, 4 таблицы. В приложении содержатся описание основных методик обработки стабилометрической информации, процедур интерпретации стабилометрических данных, вывод уравнений системы «платформа-пациент», копии свидетельств на объекты интеллектуальной собственности и актов использования результатов диссертационного исследования.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, сформулированы цель и задачи исследования, научная новизна и практическая значимость полученных результатов.

В первом разделе приведена общая характеристика задачи обработки стабилометрических сигналов, обзор методов ее решения, оценка информативности основных параметров.

Из получаемой при стабилометрическом исследовании записи определяются значения соответствующих характеристик. Наиболее значимыми являются два изображения: статокинезиограмма и стабилограмма (рис. 1), а также 6 параметров (X - среднее, площадь, АЫ02, У/Т, коэффициент Ромберга) и 5 функций.

Рис. 1. Стабилограмма

В разделе рассматриваются сбор, описание и анализ данных, необходимых для выявления трудностей, которые могут возникнуть при обработке информации, получаемой при стабилометрическом исследовании.

Поставлена задача разработки алгоритмов обработки статокинезиограмм для создания интеллектуальной системы поддержки принятия решения при диагностике.

Во втором разделе описывается разработка математических моделей системы «платформа-пациент» и алгоритмов обработки стабилометрических сигналов для поддержки принятия решений при диагностике заболеваний опорно-двигательного аппарата.

Задача 1. Для повышения точности диагностики заболеваний предложена модернизированная конструкция стабилометрической платформы [13]. На рис.2 представлена кинематическая схема варианта стабилометрической платформы, на рис. 3 - ее блок-схема.

Стабилометрическая платформа состоит из собственно платформы 8, связанной с промежуточным кольцом 7, и далее через упругие элементы 4, 5 и кольцевые секторы 6 она связана с приводом, состоящим из двигателя 1 со встроенным редуктором и пары конических шестерен 2 и 3. Причем в каждой паре упругих элементов осуществлен разворот второго упругого элемента относительно первого упругого элемента на 90°.

При выводе математической модели системы «платформа-пациент» пациент представлялся в виде перевернутого маятника с угловой жесткостью в точке подвеса. В результате математическая модель представлена системой пяти уравнений, которые описывают движения платформы и человека.

Линеаризованные уравнения движения системы «платформа-пациент»:

■М'+Лп ,Ф = м,л-мщ,\

J + J а + А(р)= Р( /?а + ЯДф) - М ЭГ1 - М уа + СД(р;

./„,,. Р + .!„,< (} + др ) = гадр -М^-М ур + сдр;

J,ly(ti + A^t>)+kдA<p =РЛД<р-СД<р; (ДР + р) + АЭДр=/'ЛДР-СДР-

Рис. 2 . Кинематическая схема Рис. 3. Блок-схема стабилометрической

стабилометрической платформы платформы

Здесь Муа=Суа; М = С М эг] =W(s)a; Су -

жесткости упругого подвеса платформы, W(s) - передаточные функции обратной связи управления платформой, У„, ,J„ .J,,, - моменты инерции

платформы относительно осей OX, OY, OZ, соответственно; а, р, ср - углы отклонения человека, кл - коэффициент демпфирования, J„tJ„ J„. -моменты инерции человека относительно осей OX, OY, OZ, Р - вес тела.

Задача 2. Разработанный алгоритм идентификации значений параметров обратной связи предполагает равенство жесткостей обратных связей платформы при проведении различных динамических испытаний.

Следует обратить внимание, что на основные показатели статокинезиограммы могут оказывать влияние различные факторы: возраст, антропометрические различия, различные внешние факторы и т.д. В связи с этим для повышения точности диагностики необходимо определение значений дополнительных параметров, которые приведены ниже.

Моменты инерции тела человека

С С

J" =—^--Г"-m R\J" -т R-.

где - моменты инерции пациента и платформы относительно

осей А'и Y, соответственно,- С„ Су - жесткости, т - масса пациента.

Выражения используются для вычисления моментов инерции тела человека на основе измерений характеристик синхронных резонансных колебаний платформы с телом человека.

Если динамические испытания на стабилометрической платформе выполнять в условиях вынужденных колебаний не в резонансном режиме (со^ * й)(о), то уравнения, описывающие такие колебания, будут иметь следующий вид:

а = А,. ■ $ш(<игг - <р,) р = А, - (о,)

где А,, А,, (о, ,ср, - амплитудно-частотные (АЧХ) и фазочастотные (ФЧХ) характеристики; со,, - частоты

вынужденных колебаний. Причем

:л___м

А, =

<К<Р.

,'Л, =

-си;+45; со; -а>;У~ + 4Л;со;

26,(0,

■ 1ЦЧ>, =

25 со . г Ь, „ »,

—г-^—"Т ' = —~ ' =-

РГ -со; и, 2J,

Резонансные

частоты

СО

Г = - 2 <5;; = ^ - 2<У;.

Резонансные амплитуды А?1 =-

Рис. 4. Блок-схема алгоритма илентификащш параметров ОС

М,

Эти выражения используются в алгоритме динамической идентификации моментов инерции тела человека в режиме вынужденных нерезонансных колебаний (рис. 4).

Таким образом, исходными данными для алгоритма идентификации моментов инерции, являются величины М,с, 8,, 8,.

Информация об углах отклонения платформы получается на основе дифференциальной оценки сигналов трансформаторных датчиков:

Особенность состоит в том, что параметр Л характеризующий радиус-вектор центровки тела человека, заранее неизвестен. Приведенные выражения позволяют вычислять моменты инерции тела человека с учетом изменения /?.

Существующие методики не учитывают моменты инерции тела при проведении стабилометрического исследования. Разработанный алгоритм идентификации позволяет получать значения моментов инерции и на их основе проводить сравнение с существующими значениями для здоровой группы, оценивать величину отклонений, что повышает объективность диагностики.

Третий раздел посвящен разработке гибридной интеллектуальной системы диагностики заболеваний с использованием обработки

статокинезиограмм методами статистического анализа и теории распознавания образов.

Задача 3. Система «платформа-пациент» в первом приближении в пределах каждой зоны отклонений является линейной, поэтому в соответствии с принципом суперпозиций для оценки реального поведения динамической системы на практике в условиях одновременного действия детерминированных и случайных возмущений можно реакции системы на действия этих возмущений определять независимо.

В связи с этим для повышения эффективности диагностики предложена интеллектуальная система, в которой используется комбинированный метод построения диагностирующей процедуры. Ее архитектура представлена на рис. 5, здесь блок входной информации формирует матрицу исходных данных размерности МхЛ/, где М - число переменных (симптомов, характеристик и т.п.), а N - число наблюдений. Модуль предварительного анализа используется для исследования особенностей входной информации: наличия и относительного веса, пропусков данных; соотношения числа переменных и наблюдений и т.д.

Эксперт (ЛПР) принимает решение о настройках следующего модуля -предварительной обработки по результатам информации предыдущего блока. Этот блок позволяет при необходимости восстановить пропущенные данные одним из выбранных способов, отбросить «дикие измерения» и т.п.

Модуль многомерного статистического анализа числовых и нечисловых данных позволяет выявить наиболее информативные переменные с точки зрения влияния на диагноз. Его использование позволяет существенно сократить количество рассматриваемых переменных и снизить требования по числу наблюдений для построения нейронной сети. В качестве многомерного метода обработки данных используется дискриминантный анализ с итерационной процедурой исключения переменных.

В блоке выбора информативных переменных принимается решение о составе переменных, которые используются для построения нейронной модели диагноза заболеваний. При этом эксперт может дополнить перечень подобных переменных, формируемых по результатам работы предыдущего модуля.

Следующий блок - построение нейронной классифицирующей сети по заданному множеству входных переменных и диагнозу. Причем, проведенные исследования показали, что лучшие результаты достигаются, если использовать двухслойные нейронные сети прямого распространения с сигмоидальной функцией активации.

В заключительном блоке принятия решения формируется вывод о достижении поставленной цели - создании нейронной сети для диагноза с заданной точностью. Если задача не решена, то осуществляется переход к предыдущим блокам, и вновь повторяется итерационная комбинированная процедура построения модели диагностики.

Входные данные

ттнииг факторен

Лхтуовша я

Кн(кснфнтг(нл Про/но Форшрошанл

мбо/имкил ракотидарЛ

ПоЛахпаю

Объект

еСроботт

няф

ЛПР

чодалвчыа

Рис. 5. Архитектура интеллектуальной системы диагностики

В качестве исходной информации для системы диагностики использовались полученные от ЗАО «ОКБ «Ритм»» (г. Таганрог) и «СарНИИТО» (г. Саратов) экспериментальные данные 293 пациентов, из которых 273 больных и 20 здоровых пациентов, прошедших стабилометрические исследования.

Статистический анализ данных осуществлялся с использованием пакета «БгаНзНса 10.0».

При проведении регрессионного анализа для оценки линейной связи между входными и выходными переменными определен коэффициент корреляции глу = 0,9, что указывает на существенную корреляционную связь.

Значение коэффициента детерминации И2 = 98,7% свидетельствует о том, модель можно считать в высокой степени информативной. Вектор входных переменных и модель на 98,7% объясняют дисперсию выходной переменной. По значению критерия F = 4158,2 и уровню значимости р- 0,05 модель следует признать адекватной. Таким образом, число наблюдений в эксперименте оказалось вполне достаточным для построения статистически значимой модели.

На практике регрессия обычно ищется в виде линейной функции у = л„ + Ьх X + ЬГУ + Ь,х + ЬУУ + Ь, Ь + Ь^ +ЬЛА + Ь„В.

Рассмотрим значения коэффициентов модели и оценку их значимости. Свободный член л = 3,53; коэффициенты регрессии Ьх =0,17801, Ьу =0,13021, Ьх = 0,00481, Ьу = 0,07962, Ь, = 0,00403, Ьх = 0,00097, Ьл = 0,00123, Ь„ = -0,09228 определяют характер изменения выходной переменной.

Далее используются коэффициенты с уровнем значимости р<0,05, при этом модель принимает вид

V = 0,17801X - 0,13021У - 0,00481.с + 0,00403/- + 0,000975.

Теперь рассмотрим результаты дискриминантного анализа с пошаговым исключением переменных.

Оценка информативности показателей, включенных в линейную дискриминантную функцию, при проведении дискриминантного анализа показала, что наиболее информативными симптомами (с уровнем

значимости р<0.01) являются координаты смещения проекции центра тяжести во фронтальной и сагиттальной плоскостях, девиации во фронтальной и сагиттальной плоскостях, длина и площадь статокинезиограммы.

Линейные квалификационные функции определяются по формулам: ЛКФ1 = 11550,7 + 6,2X - 592,2У + 213,4л- - 65,6у + 8,4/. + 1,75 + 1536,3/4; ЛКФ1 = -13753,0 + 74,9* - 654,9У + 236,5л- - 77,6у + 8,6L + 2,15 + 1527,7 Л; ЛКФЗ = -12317,8 + 256,7* - 609,7 К + 231,7* - 82,7у + 6.5L + 2,35 + 978,0А-ЛКФА = -11544,0 + 131,7 X - 627.5К + 91,9л - 176,7у + 16,1t + 2,2S + 1357,4/1. Таким образом, для решения задач диагностики следует использовать первые две канонические линейные дифференциальные функции с суммарным вкладом в дисперсию симптомов 98,5%. Причем канонические линейные дифференциальные функции вычисляются по формулам: Fl = 41,9 - 0,64* + 0,15К + 2,29 л + !,75у - 0,14t - 0.003S + 0,57 А; F2 =9,25 - 4,57X - 0.08Г - 0,51л + 0,04у + 0,06L - 0.009S + 11,29/.

Результат решения

диагностической задачи

иллюстрирует рис. 6, на котором нанесены центроиды четырех диагностируемых групп. По показателям определены

значения Fl и F2 (Root! и Root2), по которым объект следует отнести к группе по минимальному расстоянию от соответствующего центроида. Для разработки алгоритмов дифференциальной диагностики применялись методы

математического моделирования с использованием нейронных сетей пакетов «Statistica Neural Networks 10.0» и «Statistica 10.0» (StatSoft, Inc., США).На рис. 7 представлены двумерные диаграммы рассеяния в координатах независимых переменных X и У для различных вариантов построения многослойного персептрона. Видно, что переменная X обладает более высокой прогностической ценностью, чем Y, т.к. для пяти различных вариантов построения НС она позволяет лучше выделить 4 класса образов, т.е. диагнозов: «здоров», «поясничный остеохондроз», «гонартроз», «ишемия».

Проведенные исследования позволили оценить эффективность диагностики заболеваний опорно-двигательного аппарата с использованием статистических методов и нейронных сетей.

Рис. 6. Положение объектов четырех групп в координатах первой и второй канонических линейных дифференциальных функций

У (T*cgsiy

Рис. 7. Результаты работы нейронной сети

Точность диагностики составляет более 90% для статистических методов, и 85-90% для двухслойных нейронных сетей прямого распространения с сигмоидальной функцией активации. Это подтверждает целесообразность построения системы диагностики в виде гибридной интеллектуальной системы, в которой совместное использование методов статистического анализа и нейронных сетей повышает достоверность диагностики.

Четвертый раздел посвящен разработке соответствующего программного обеспечения.

Задачи 4. Программа «Диагностика заболеваний опорно-двигательного аппарата с помощью стабилоплатформы» [14], разработанная на графическом языке G программного комплекса LabVIEW компании National Instruments, предназначена для диагностики заболеваний опорно-двигательного аппарата и может применяться в отраслях, связанных с медициной и профилактикой заболеваний, также в образовательном процессе при обучении специалистов соответствующего профиля. Программа обеспечивает установление диагноза следующих заболеваний: ишемия головного мозга, поясничный остеохондроз, гоартроз, гонартроз, т.е. формирует заключение о сущности болезни и состоянии пациента, выраженное в принятой терминологии.

Разработанный программный комплекс обеспечивает прием данных от стабилометрической платформы, последующий их анализ и вывод результата в виде статокинезиграммы, а также позволяет распечатывать протоколы тестирования и формировать оценку динамики результатов обследований с последующей постановкой диагноза на базе конъюнкции значений параметров, попавших в оценочные интервалы. Программа принята к использованию отделением функциональной диагностики ФГБУ «Саратовский научно-исследовательский институт травматологии и ортопедии» Минздрава России, а также используется в учебном процессе СГТУ имени Гагарина Ю.А. в процессе преподавания дисциплин «Методы искусственного интеллекта», «Информационные

устройства и системы в робототехнике», «Техническая диагностика», «Нейронные сети и нейрокомпьютеры».

На рис. 8 представлена архитектура предложенного программного обеспечения.

Программное обеспечение включает следующие модули: нейронной сети; статистической обработки данных;

математической обработки;

сравнения и анализа полученных результатов; визуализации

результатов; базы данных.

Программный комплекс предоставляет возможность

регистрации значений стабилометрических показателей и позволяет использовать стабилографию как удобную процедуру оценки динамики функционального состояния человека в условиях функциональных нарушений, различных заболеваниях центральной нервной системы и опорно-двигательного аппарата.

Дальнейшие исследования, а также совершенствование комбинированного метода диагностики позволят на основе увеличения базы данных показателей стабилометрических исследований для других видов заболеваний расширить границы диагностических возможностей стабилометрии, обеспечить повышение точности диагностики.

В заключении сформулированы основные результаты, полученные при выполнении работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Создана математическая модель для описания системы «платформа-пациент» с определением переменной жесткости обратной связи. Это позволило использовать в каждом канале обратной связи модель равновесия тела в виде двухзвенного перевернутого физического маятника с верхней маятниковостью.

2. Разработан алгоритм идентификации параметров биологической обратной связи на базе информации, поступающей от стабилометрической платформы с вычислением моментов инерции тела человека на основе измерений характеристик синхронных колебаний платформы с телом человека.

3. Построен комбинированный алгоритм обработки стабилометрического сигнала с использованием методов статистического анализа и нейронных сетей.

4. Разработано математическое обеспечение для поддержки принятия управленческих решений в системах диагностики с использованием методов

Рис. 8. Архитектура разработанного программного обеспечения

статистического анализа и нейронных сетей. Создан гибридный модуль поддержки принятия решений при диагностике.

5. Показано, что на основе стабилометрической платформы с использованием разработанных алгоритмов обработки стабилометрического сигнала и системы поддержки принятия решения согласно совместным исследованиям с «СарНИИТО» (г. Саратов) повышается точность диагностики заболеваний.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ РАБОТЫ

Статьи в рецензируемых журналах ВАК Минобрнауки РФ

1. Антонова Н.Е. Применение гибридной интеллектуальной системы поддержки принятия решений в стабилометрии / Н.Е. Антонова, A.A. Большаков, В.В. Лобанов, В.В. Киселев // Вестник ТГТУ. - 2014. -Т. 20. -№ 2. -С. 235-243.

2. Антонова Н.Е. Математическое моделирование прямой стойки и походки человека для задач медицинской диагностики / Н.Е. Антонова // Вестник АГТУ,-2012,-№2.-С. 13-19.

3. Антонова Н.Е. Сравнительный анализ применения статистических методов и нейронных сетей для диагностики заболеваний опорно-двигательного аппарата / Н.Е. Антонова // Вестник СГТУ. - 2012. - № 1 (64). Вып. 2.-С. 309-313.

4. Мясникова (Антонова) Н.Е. Математическая модель стабилометрической платформы / Н.Е. Мясникова, Г.М. Проскуряков // Вестник СГТУ. - 2009. - № 4 (43). - Вып. 2. - С. 192-194.

Патенты, свидетельства о регистрации

5. Мясникова Н.Е., Проскуряков Г.М. Стабилограф // Свидетельство на полезную модель №86862, МПК А61В5/11. Заявка 2009117133/22. 20.09.2009. Бюл. №26.

6. Антонова Н.Е., Киселев В.В. Диагностика заболеваний опорно-двигательного аппарата с помощью стабилоплатформы // Свидетельство Роспатента РФ на программы для ЭВМ №2014612816. 29.05.2014.

Прочие публикации

7. Антонова Н.Е. Повышение точности диагностики заболеваний опорно-двигательного аппарата на основе математического моделирования / Н.Е. Антонова // Участники школы молодых ученых и программы УМНИК: сб. тр. XXV Междунар. науч. конф./ под общ. ред. A.A. Большакова. -Саратов; Сарат. гос. техн. ун-т, 2013. - С. 92-95.

8. Антонова Н.Е. Диагностика заболеваний опорно-двигательного аппарата на основе методов распознавания образов / Н.Е. Антонова // Методы компьютерной диагностики в биологии и медицине - 2012: материалы Всерос. молодежи, науч. конф. / под ред. проф. Д.А. Усанова. -Саратов: Изд-во Сарат. ун-та, 2012. - С. 182-185.

14-14404

9. Антонова Н.Е. Диагностика заболеваний опорно-двигательного аппарата с использованием стабилоплатформы / Н.Е. Антонова II Участники школы молодых ученых и программы УМНИК: сб. трудов XXV Междунар. науч. конф./ под общ. ред. A.A. Большакова. - Саратов: Сарат. гос. техн. ун-т, 2012. - С. 55-56.

10. Антонова Н.Е. Программный комплекс для диагностики заболеваний на базе статокинезиограмм / Н.Е. Антонова, A.A. Большаков // Методы компьютерной диагностики в биологии и медицине - 2013: материалы Всерос. молодежи, науч. конф. / под ред. проф. Д.А. Усанова. -Саратов: Изд-во Сарат. ун-та, 2013. С. 71-74.

11. Мясникова Н.Е. Биомеханические модели и алгоритмы в статической стабилометрии / Н.Е. Мясникова, Г.М. Проскуряков, Д.В. Черепанов II Сборник трудов XXIII Междун. науч. конф. «Математические методы в технике и технологиях». - Том 6. - Секция 6, 7.-Саратов.-СГТУ.-2010.-С. 138-141.

12. Мясникова Н.Е. Математическая модель стабилометрической платформы / Н.Е. Мясникова, Г.М. Проскуряков // В сб. трудов Междунар. науч. конф. «Проблемы управления, передачи и обработки информации - АТМ-ТКИ-50» / под ред. А.Г. Александрова и М.Ф. Степанова. - Саратов: СГТУ, 2009. - С. 211-217.

13. Мясникова Н.Е. Медико-биологические основы работы стабилометрических платформ / Н.Е. Мясникова, Г.М. Проскуряков // Анализ, синтез и управление в сложных системах: сб. науч. тр. - Саратов: СГТУ, 2009. С. 68-78.

14. Мясникова Н.Е. Моделирование прямой стойки и походки человека / Н.Е. Мясникова, Г.М. Проскуряков, П.А. Трефилов // Математические методы в технике и технологиях: сб. тр. XXIII Междунар. науч. конф. - Т. 6. - Секции 6, 7. - Саратов: СГТУ, 2010. - С. 137-138.

Формат 60x84 1/16 Уч.-изд. л. 1,0 Бесплатно

Подписано в печать 22.10.14

Бум. офсет. Усл.-печ. л. 1,0

Тираж 100 экз. Заказ 156

Саратовский государственный технический университет

410054, Саратов, Политехническая ул., 77 Отпечатано в Издательстве СГТУ. 410054, Саратов, Политехническая ул., 77 Тел. 24-95-70, 90-87-39. E-mail: izdat@sstu.ru

<"14356598

2014356598