автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Метод и алгоритмы интеллектуальной поддержки кардиоскрининга на основе системного анализа акустических сигналов

004615492

На правах рукописи

Дафалла Али Абдалла Бабикер

МЕТОД И АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ КАРДИОСКРИНИНГА НА ОСНОВЕ СИСТЕМНОГО АНАЛИЗА АКУСТИЧЕСКИХ СИГНАЛОВ

Специальность 05.13.01 - Системный анализ, управление и обработка

информации

Автореферат диссертации на соискание ученой степени кандидата технических наук

ДЕК 2010

КУРСК 2010

004615492

Работа выполнена в ГОУ ВПО «Юго-Западный государственный университет» на кафедре биомедицинской инженерии

Научный руководитель: доктор технических наук,

старший научный сотрудник Николаев Виктор Николаевич

Официальные оппоненты: доктор технических наук, профессор

Маслак Анатолий Андреевич,

кандидат технических наук, доцент Бобырь Максим Владимирович

Ведущая организация: ГОУ ВПО «Орловский

государственный технический университет»

Защита диссертации состоится 16 декабря 2010 года в 15.00 часов в конференц-зале на заседании совета по защите докторских и кандидатских диссертаций Д 212.105.03 при ГОУ ВПО «Юго-западный государственный университет» по адресу: 305040, г. Курск, ул. 50 лет Октября, 94.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Юго-Западный государственный университет».

Автореферат разослан 12 ноября 2010 г.

Ученый секретарь диссертационного со к.ф-м.н., профессор

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Заболевания сердечнососудистой системы (ССС) - ведущая причина смертности в индустриально развитых странах. На динамику состояния ССС, а, следовательно, на возможность управления рисками, влияют множество факторов риска (ФР), которые не всегда возможно выявить и оценить. Исследования, проведенные отечественными и зарубежными учеными, показали, что среди ФР развития сердечнососудистых осложнений (ССО) следует выделить артериальную жесткость, которая является интегральным показателем коронарного риска, отражающим воздействия на организм отрицательных ФР в течение жизни человека и является лучшим предиктором, чем каждый из классических ФР. Поэтому важным и актуальным является использование системного подхода при прогнозировании риска развития заболеваний, позволяющего учесть взаимосвязи множества ФР, оказывающих влияние на исследуемую систему и смежные подсистемы, что позволяет оценить возможность перехода систем организма из одного квазиустойчивого состояния в другое при наличии ряда ФР, полученных в результате системного анализа функциональных состояний органов и систем организма.

В этих условиях представляется целесообразным разработать и исследовать математические, статистические или гомеостатические модели, связывающие эластические свойства сосудов с параметрами кровообращения, наблюдаемыми посредством неинвазивных методов, и использовать результаты моделирования для формирования признакового пространства для обучаемых или самоорганизующихся нейронных сетей. Информация об эластических свойствах артерий может быть получена путем анализа акустических сигналов кровотока. Так как этим сигналам свойственна нестационарность, обусловленная системными связями ритмов высокого порядка и кардиосиг-нала, необходим системный анализ акустических сигналов кровотока, использующий различные виды моделей упругих свойств артерий и системных ритмов человека.

Таким образом, актуальной научно-технической задачей является повышение качества прогнозирования ССО путем разработки метода, моделей и алгоритмов для интеллектуальной поддержки кардиологического скрининга (КС), включающих системный анализ ФР, связанных с акустическими сигналами кровотока.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы (государственный контракт № П2088 от 03 ноября 2009 г, номер госрегистрации 01200962673) по проблеме «Нечеткие нейросетевые структуры для прогнозирования сердечно-сосудистых рисков у больных сахарным диабетом на основе частотно-временного анализа вибрации сосудистых стенок в процессе окклюзионной пробы» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в системах кардиоскршшнга.

Предмет исследования. Структурно-функциональная организация системы интеллектуальной поддержки кардиоскрининга, основанная на системном частотном и временном анализе вибрации сосудистых стенок в процессе окклюзионных проб.

Цель работы. Разработка методов и алгоритмов построения и функционирования систем интеллектуальной поддержки кардиоскрининга с ней-росетевой структурно-функциональной организацией, обеспечивающих повышение качества прогнозирования сердечно-сосудистых осложнений.

Для достижения поставленной цели необходимо решить следующие задачи:

- разработать метод интеллектуальной поддержки кардиоскрининга, учитывающий эластические свойства сосудов;

- обосновать структурно-функциональную организацию системы кардиоскрининга на основе нечетких нейронных сетей, учитывающих показатели жесткости сосудистых стенок;

- разработать структуру, алгоритмические и программные средства для системы интеллектуальной поддержки кардиоскрининга;

- провести экспериментальную оценку эффективности предложенных средств интеллектуальной поддержки на примере кардиоскршшнга больных с высоким риском повышенных показателей жесткости сосудов.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, спектрального анализа, математической статистики, теории нечетких нейронных сетей и распознавания образов, экспертного оценивания и принятия решений. При разработке модуля нечеткого вывода в качестве инструментария использовался Matlab 7.1 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

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

- метод интеллектуальной поддержки кардиоскрининга, использующий для анализа эластических свойств сосудов два признаковых подпространства, сформированные на основе временного и частотного анализа акустических сигналов кровотока, позволяющий при построен™ решающих правил для определения степени риска ССО использовать данные физиологического, психологического и лабораторного анализов;

- способ формирования признакового пространства, основанный на морфологическом анализе двумерной частотной плоскости акустических сигналов кровотока в процессе окклюзионной пробы, позволяющий учитывать эластические свойства артерий при прогнозировании ССО;

структурно-функциональная организация нечеткой нейронной сети, включающая два решающих модуля на входе, предназначенных, соответственно, для анализа эластических свойств артерий и факторов риска, полу-

ченных на основе данных физиологического, психологического и лабораторного анализа, и двухвходовый агрегатор на выходе, являющаяся основой интеллектуальной системы кардиологического скрининга;

- алгоритм обучения нечеткой нейросетевой модели на основе структуры Такаги-Сугено-Канга (TSK), в котором для генерации функций TSK используется метод дискриминантного анализа в пространстве информативных признаков, полученных на основе данных физиологического, психологического и лабораторного анализа, а для реализации агрегаторов - технологии инстара Гроссберга и генетических алгоритмов.

Практическая значимость и результаты внедрения. Практическое значение работы определяется возможностью применения результатов исследования в практике кардиоскрининга при комплексной сравнительной оценке состояния здоровья.

Разработанные метод, способы и алгоритмы составили основу построения интеллектуальной системы для кардиологического скрининга больных сахарным диабетом, практические испытания которой показали ее высокую диагностическую эффективность и приемлемое качество рекомендаций, формируемых для врачей-специалистов. Программные средства ориентированы на практическое здравоохранение.

Результаты работ внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов по направлению 200300.68 - «Биомедицинская инженерия» и используются в клинической практике отделения сосудистой хирургии МУЗ ГКБ СМП г. Курска.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: на IX, XII и XIII Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2006, 2009, 2010); XXI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов (Рязань, 2008); VI Всероссийской научно-технической конференции «Искусственный интеллект в XXI веке. Решения в условиях неопределенности» (Пенза, 2008); на XVII и XVIII Международных конференциях «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2009, 2010); VIII Международной научно-практической конференции «Медицинская экология» (Пенза, 2009); на конференции БИОМЕДСИСТЕМЫ - 2009 (Рязань, 2009); IX Международной научном- технической конференции «Физика и радиотехника в медицине и экологии» (Владимир, 2010), IV Международной научно-практической конференции «Здоровьесберегающие технологии в образовательном процессе: проблемы и перспективы» (Пенза, 2010), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2006, 2007,2008,2009,2010).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 16 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1], [7], [9], [13] и [14] автором предложены способы формирования признаковых пространств, отражающих эластические свойства сосудов, в [2], [8], [12] и [16] соискателем разработаны модели ССО, построенные на основе авторегрессионного анализа сигналов кровотока в процессе окклюзионной пробы, в работе [5] соискателем предложена нечеткая нейросетевая модель для интеллектуальной системы КС; в [3], [6] и [15] соискателем разработаны программно-аппаратные средства для исследования кардиосигналов, предназначенные для интеллектуальной поддержки системы КС.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 94 отечественных и 47 зарубежных наименований. Работа изложена на 127 страницах машинописного текста, содержит 54 рисунка и 10 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обосновывается актуальность темы, определяются цели и задачи исследования, научная новизна и практическая значимость работы. Кратко излагается содержание глав диссертации.

В первой главе анализируются методы и средства КС и системные связи эластических свойств сосудов и наиболее распространенных ФР ССО, таких как атеросклероз, гипертония, сахарный диабет (СД). Показано, что в интеллектуальных системах КС целесообразно использовать нечеткие нейронные сети. В качестве анализируемых нечеткими нейронными сетями ФР предложено использовать показатели жесткости сосудов. Исследованы системные связи артериальной жесткости и уровня артериального давления и показано, что данные об изменении эластических свойств артерий можно использовать в качестве ФР ССО. Исследованы показатели жесткости артерий у больных СД и способы оценки эластичных характеристик сосудов. Сформированы цель и задачи исследования.

Вторая глава посвящена разработке способов комбинированного анализу акустических сигналов кровотока и формированию подпространств информативных признаков, характеризующих показатели эластических свойств артерий на основе временного и частотного анализа этих сигналов.

Метод интеллектуальной поддержки кардиоскрининга основан на модели обработки данных, представленной на рис.1.

Для классификации эластических свойств сосудов используются две нейронные сети прямого распространения, которые анализируют признаки, полученные посредством временного и частотного анализа акустических сигналов кровотока. Концептуально процесс принятия решения при КС основан на том, что к двум признаковым подпространствам (Р1 и Р2), формируемым на основе частотного и временного анализа акустических сигналов кровотока, добавляется еще одно подпространство, формируемое по данным физиологического, психологического и лабораторного анализа.

Для формирования первого признакового подпространства Р1 используется временной анализ акустических сигналов кровотока, пример которых представлен на рис.2.

Глобальное обучение

Локальное обучение

АРМ- Нейронная

модель сеть 1

(подпростра

нство /'/)

Локальное обучение

ДЧП-модель (подпростра нство Р2)

Нейронная сеть 2

Общий риск ССО

Рисунок 1 - Модель обработки данных по эластическим свойствам артерий

Рисунок 2 - Тоны Короткова

При формировании признакового подпространства Р1 предполагалось, что участок сосудистого русла человека является линейной системой и его импульсная характеристика может быть вычислена по формуле:

Н{п) = Кд~(п)-£агИ[п-к], (1)

к=1

где К -масштабный коэффициент, 8{п) - функция Кронекера, р -количество авторегрессионных коэффициентов ак, называемое порядком модели.

В авторегрессионной модели временного ряда х[п] значение каждого п-го отсчета является взвешенной суммой предыдущих отсчетов

Р

х[п]--^ак-х[п-к]. (2)

к=1

В процессе минимизации ошибки, вычисляемой как разность между взвешенной суммой предыдущего отсчета (формула (2)) и истинным значением отсчета, вычисляют параметры авторегрессионной модели, а также вы-

бирают ее порядок. В зависимости от особенностей минимизации ошибки при вычислении коэффициентов авторегрессионных моделей использовался метод Юла-Уолкера и модифицированный ковариационный метод.

Для моделирования импульса Дирака на входе сосудистого русла использовалась окклюзионная проба, осуществляемая с помощью компрессора и окклюзионной манжеты. Сигнал на выходе сосудистого русла при окклюзии (тоны Короткова) снимается с помощью микрофона, усиливается усилителем акустических сигналов и оцифровывается в звуковой карте ПЭВМ с частотой дискретизации 11 кГц. После оцифровки в памяти компьютера формируются файлы данных с сигналами, пример графика одного из которых показан на рис.2. По оси абсцисс на этом графике отложено время, а по оси ординат откладываются величина сигнала тонов Короткова, выраженная в отсчетах АЦП.

Анализ полученных результатов показал, что форма импульсов тонов Короткова зависит от давления в манжете, от состояния сердечнососудистой (в основном сосудистой) системы, от состояния вегетативной нервной системы, а также от дыхания.

Экспериментальные исследования показали, что при авторегрессионном моделировании тонов Короткова и при моделировании дельта-импульсов посредством окклюзионной пробы, достаточно ограничиться десятью коэффициентами.

Таким образом, можем сформировать первое признаковое подпространство

где ...а/0 - коэффициенты авторегрессионной модели импульс-

ной характеристики сосудистого русла.

Элементы множества (3) определяются путем минимизации средне-квадратических отклонений между реальными и предсказанными согласно формуле (2) отсчетами сигнала. При этом в качестве исходного сигнала используются отсчеты импульсов тонов Короткова или их корреляционная функция.

Эластические колебания стенок артерий порождают модулированные низкочастотные акустические шумы в области низких и инфранизких частот. Исследование модулированных квазипериодических колебаний очень эффективно проводить с помощью технологии двумерных частотных плоскостей (ДЧП), предложенной С.А. Филистом.

Сущность использования ДЧП при анализе квазипериодического сигнала состоит в том, что одномерный квазипериодический сигнал (рис. 2) разбивается на квазипериоды (в данном случае кардиоциклы) и представляется в виде матрицы отсчетов, строками которой являются смежные квазипериоды. Далее для каждой строки находится своя авторегрессионная модель вида (2). Усредненные по квазипериодам коэффициенты моделей ак являются информативными признаками для системы распознавания. Кроме того, дополнительные информативные признаки (модулирующие сигналы)

(3)

получаются из частот флуктуации коэффициентов ак. Причем для облегчения интерпретации результатов используют не сами параметры авторегрессионных моделей, а спектральную плотность мощности сигнала, которую вычисляют через эти параметры. После вычисления спектральной плотности мощности каждого квазипериода формируется матрица, в каждой строке которой находится спектральная плотность мощности соответствующего квазипериода. Причем если сделать срез такой матрицы по определенному столбцу, то можно увидеть, как амплитудно модулируется частота, соответствующая данному столбцу, от квазипериода к квазипериоду. Если найти спектр каждого столбца, то получится ДЧП в координатах: «несущая частота», «модулирующая частота», «амплитуда».

ДЧП сигнала рис. 2 показана на рис. 3 а. Исследуя ДЧП на рис. 3 а, можно получить второе подпространство (Р2) информативных признаков. Ввиду концентрации спектральной плотности вблизи дыхательного цикла (примерно 0.25 Гц), на ДЧП выделяем информативный прямоугольник частот с горизонтальными координатами от 60 до 120 Гц рис. 3 б. Вертикальные координаты ш2 информативного прямоугольника частот не являются фиксированными. Они определяются для каждого индивидуума путем определения максимального спектрального коэффициента по множеству горизонтальных сечений в информативной области ДЧП (в области дыхательного цикла).

а) б)

Рисунок 3 - Формирование признакового подпространства Р2: а- ДЧП тонов Короткова: б-информативная сегмент ДЧП тонов Короткова

Таким образом, ш2 определяется из соотношения

¿(180^2) = тах * Р(180л\гу2)

0.*я<(о2й0М

а для вычисления первого информативного признака в этом подпространстве (Р2) будем иметь следующее выражение:

240к а2+0,1х

I I

<¡>1=120* ш2=ш2~О.Ы

Р(а)1,а>2) ■

(5)

Пределы суммирования в (5) определялись на основе статистического анализа обработанных пороговыми методами ДЧП и их моделей.

Следующие информативные признаки в подпространстве Р2 получили путем использования преобразования

С = ¡ = ¡,N-1, (б)

где / -вертикальная координата ДЧП,у - горизонтальная координата ДЧП.

Графическое представление множества в, характеризующее морфологическую структуру ДЧП, может быть аппроксимированы геометрическими фигурами в виде трех равнобедренных треугольников, которые представлены на рис. 4.

Согласно этой модели определим информативные признаки

Р22 = аг8гшк{г(«)}, (7)

(9)

где М1, М2 и МЗ - допустимые границы кластеров, выделенных на ДЧП в результате морфологического анализа.

Пятый и шестой информативные признаки подпространства Р2 определяют взаимную дислокацию кластеров на ДЧП и определяется как

Р25=(Р23-Р22)/2. (10)

Р26=(Р24-Р22)!2. (11)

Для определения седьмого, восьмого и девятого информативных признаков подпространства Р2 из множества О выделим три подмножества так, что

ОЫ^ЩефС^О^,)}, 1 = 0Г~Ш. (12)

02 = {$2(0 е С\$2(.) > 0,5Я(1,)}, / = М1, М2.

(13)

(14)

С3 = &р)еС\£30)>0,58(1,)}, = М2, МЗ.

Седьмой, восьмой и девятый признаки определяют ширину кластеров на уровне 0,5§тах. Например, седьмой признак определяется как

Таким образом, используя метод ДЧП, было сформировано второе подпространство информативных признаков, характеризующее эластические свойства сосудов.

Анализируя окклюзионные акустические сигналы кровотока мы сформировали векторное пространство информативных признаков РЮР2. Так как при синтезе векторных множеств Р1 и Р2 использовались различные теоретические модели, то можно полагать, что решения, которые принимаются на основе анализа множества Р1 и множества Р2, являются независимыми.

Сущность алгоритма принятия решения состоит в следующем. Построив два признаковых подпространства Р1 и Р2, строим некоторые аппроксимирующие функции 0)(Р1) и (Р2) в этих подпространствах. Эти аппроксимирующие функции отражают близость входного вектора Р1 или Р2 к некоторым критическим состояниям системы. При необходимости в систему классификации вводят вектор дополнительных признаков РЗ, который можем определить как третье признаковое подпространство. После этого формируются очередные аппроксимирующие функции /\(()1,()2,РЗ), /2{ЯЩ2>РЗ), ■■■,М01,(22,РЗ)7 которые характеризуют близость вектора состояния системы к состояниям 1,2, ..., N. Далее выбирается либо самое короткое расстояние, либо вновь полученный вектор /рассматривается не как классификатор, а как аппроксиматор, и вводится дополнительное подпространство информативных признаков. Поиск классифицирующей или аппроксимирующей функции продолжается до достижения требуемой точности или какого-либо критерия оптимизации.

Глава 3 посвящена вопросам проектирования интеллектуальной системы КС на основе нейросетевых моделей, классифицирующих сигналы кровотока.

Структура предлагаемой модели нечеткой нейронной сети, предназначенная для работы с тремя подпространствами информативных признаков, показана на рис. 5. Модель нечеткого вывода является модификацией модели ТБК. Отличительной особенностью предлагаемой сети является то, что в ее состав входят два агрегатора. Наличие двух агрегаторов связано с тем, что признаковые подпространства, используемые в этой модели, неравнозначны: в качестве основного признакового подпространства используют-

Р2г=1А -13,

(15)

где

(16) (17)

ся признаковые подпространства, характеризующее эластические свойства сосудов, а остальные информативные признаки (подпространство РЗ) используются в качестве дополнительных маркеров риска ССО.

Агрегатор 1 интегрирует частные риски по подпространству РЗ. При этом он может быть структурирован в соответствии со структурой признакового подпространства РЗ.

Структура решающего модуля для работы с информативными признаками подпространства Р1 и подпространства Р2 (первый решающий модуль) представлена на рис.1.

Схема алгоритма обучения модели рис. 5 представлена на рис. 6. Число обучающих выборок N на входе второго решающего модуля соответствует числу градаций частного риска Я] (блок 1 рис. 6).

Процесс обучения начинается с обучения ядра модели - первого решающего модуля (рис. 5), на вход которой подаются информативные , признаю!, вычисленные в результате авторегрессионного анализа колебаний стенок сосудов.

Рисунок 5 - Структура нечеткой нейронной сети для интеллектуальной системы кардиоскрининга

Процесс синтеза фуззификатора для второго решающего модуля рассматриваемой модели (рис. 5) осуществляется на основе экспертных оценок и не привязан к настройке первого решающего модуля.

Роль агрсгатора 1 состоит в том, чтобы интегрировать частные уверенности по признаковому подпространству РЗ в общий коэффициент уверенности. Так как в каждом частном случае группа признаков может отсутствовать, то при синтезе агрегатора 1 отсутствующие информативные признаки заменяются нулями.

С

Начало

3

Генерация обучающих выборок в пространстве (РПР2;РЗ)

Диафиминантный анализ по градациям риска (лез герация функций Т5К.)

Обучение линем к> го нейрона (генерации коэффициента

активации)

X

/ Вывод па/ раметров 7 модели

I

Конец

I

2 1 Настройка первого решающего модуля

5 ВычислеЕше

частного риска

(выход

агрегатора 1)

Настройка осуществляется на основе алгоритма обратного распространения ошибки и алгоритма 1-енетического типа

Определяем множество классифицирущих функции

{

Обучение инстара "Гроссберга

1

ь Настройка агрегатора 2

Настройка осуществляется на основе алгоритма генетического типа

Рисунок 6 - Схема алгоритма обучения нечеткой нейронной сети

Модель агрегатора 1 построена по схеме инстатра Гроссберга. Обучение агрегатора 1 сводится к определению входных сигналов инстара кото-

рыми являются значения классифицирующих функций f,(РЗ) и определяются в пакете Statistica 6 путем формирования таблиц экспериментальных данных в результате выполнения действий, предусмотренных блоком 3 (рис. 6).

Обучение инстара реализуется блок 4. В блоке 5 производится нормировка выход инстара. Таким образом, агрегатор 1 рис. 5 реализуется по-средствам блоков 3,4 и 5 рис. 6.

Синтез агрегатора 2 рис. 5 осуществляется на основе генетического алгоритма, который выполняет минимизацию количества ошибок классификации. Для моделирования предложенных нечетких нейросетевых структур использовалась компьютерная математика MATLAB 7 SP1 с пакетом Simu-link и системой нечеткой логики Fuzzy Logic Toolbox.

После настройки агрегатора 2 параметры нечеткой нейронной сети определены окончательно и могут быть помещены в базу данных нечетких нейросетевых моделей для интеллектуальной системы КС.

На рис. 7 приведена разработанная структурно-функциональная схема системы КС.

База

опросников

(модуль —\ -V

формировали

психологическ

их признаков)

Модуль обучающих

формирования -N выборок

физиологических -1/

признаков

Модуль АРМ-

моделнровати

акустических —\/

сигналов

кровотока

Модуль ДЧИ-

моделирования -Л

акустических -1/

сигналов

кровотока

Модуль

д искри ми на нтного

Ж

СУБД

Баз* моделей днскримин антного анализа (д/u мужчин и для женщин)

База моделей кенросетевого Моделирования (для мужчин и дня женщин)

Модель принятия решений

Модуль нечеткого нейросетевого моделирования

Л__1L

MATLAB 7.1

STATISTICA б

IX и

SpWin

S u

IB

л"

Рисунок 7 - Интеллектуальная система КС

Она включает ЭВМ с программными модулями обработки данных и ряд вспомогательных технических средств, позволяющих измерять и оцифровывать акустические сигналы кровотока, а также выполнять окклюзион-ные пробы. Система взаимодействует с лицом, принимающим решение (ЛПР), через интерфейсный блок. Кроме того, оцифровка акустического сигнала кровотока проводилась с помощью звуковых карт, встроенных в компьютер, на частотах дискретизации до 44 кГц. Файлы записываются в звуко-

вом формате, а затем конвертируются в программном пакете SpWin, разработанном на кафедре биомедицинской инженерии ЮЗГУ.

Кроме оригинального программного обеспечения, интеллектуальная система поддерживается стандартными пакетами программного обеспечения MATLAB 7.1, в котором реализовано программное обеспечение нечеткого нейросетевого моделирования, и STATISTICA 6 и EXCEL, в которых осуществляется разведочный анализ и статистические исследования. Связь и координация прикладных программных пакетов, модулей и моделей системы осуществляется системой управления базой данных (СУБД).

Для реализации разработанных средств классификации и прогнозирования ССО создано оригинальное программное обеспечение.

Для исследования статистических характеристик авторегрессионных коэффициентов использовались модули статистического анализа пакета STSTISTICA 6 и EXCEL (рис. 7).

Исследования показали, что статистические характеристики коэффициентов авторегрессионной модели могут быть использованы при построении фуззификаторов и агрегаторов нечетких нейросетевых структур, предназначенных для интеллектуальной поддержки определения риска ССО.

В четвертой главе приводятся методика и результаты экспериментальных исследований, на основе которых определяется эффективность предложенных способов и алгоритмов прогнозирования, ССО на примере больных СД. Разработана методика оцифровки сигналов вибрации стенок сосудов, включающая установку датчика акустического сигнала в области окклюзионной манжеты, осуществление частичной окклюзии артерии таким образом, чтобы наблюдаемые при этом тоны Короткова имели максимальную амплитуду, и дискретизацию наблюдаемого сигнала и реперного сигнала в течение одной минуты с частотой дискретизации 11 кГц, что соответствует технологической частоте звуковой карты.

На основе системного анализа влияния инсулинорезистивности на риск ССО сформировано третье признаковое подпространство для интеллектуальной системы КС ССО у больных СД, включающее пятьдесят два информативных признака, разбитые на три блока: физиологический, лабораторный и психологический.

Проведен разведочный анализ полученных информативных признаков, включающий анализ гистограмм распределения этих признаков у больных СД и корреляционный анализ. Все показатели обнаружили значимую корреляцию с заболеванием СД и ССО.

Анализ гистограмм распределения признаков позволил ранжировать признаки по релевантности и получить фуззификаторы для признакового подпростаранства РЗ.

Корреляционный анализ позволил сократить размерность пространства информативных признаков и сформировать алгоритмы принятия решений при наличии данных с пробелами. В результате

проведенного анализа было установлено, что значимые корреляционные связи имеются между показателями давления, веса, веса при рождении, наследственной предрасположенности и заболеваемостью СД, Среди лабораторных показателей выявлена взаимосвязь между показателями содержания эозинофилов и лимфоцитов в крови; среди психологических показателей выявлена взаимосвязь между показателями экстраверсии-интраверсии, эксплозитивной формы, истероидной формы, нервно-психической неустойчивости, демонстративности.

Полученные данные были использованы при построении алгоритмов сокращения размерности третьего признакового подпространства.

Для получения нечетких нейросетевых моделей, реализующих предложенные способы и алгоритмы принятия решений, разработано прикладное программное обеспечение.

В результате экспериментальных исследований интеллектуальной системы КС получены количественные результаты определения риска наиболее опасных ССО у больных СД: атеросклероза, ишемической болезни сердца и инфаркта миокарда.

На рис. 8 представлены диаграммы, характеризующие показатели качества прогнозирования ССО у больных СД. полученные посредством разработанной интеллектуальной системы кардиоскрининга, и результаты наиболее известной системы прогнозирования ССЗ SCORE.

а) б)

Рисунок 8 - Показатели качества прогнозирования инфаркта миокарда у больных СД предлагаемой интеллектуальной системой кардиоскрининга (а) и полученные на основе шкалы SCORE (б): ДЧ - диагностическая чувствительность; ДС- диагностическая специфичность; ДЭ - диагностическая эффективность; 1 - низкий риск; 2 - средний риск; 3- высокий риск

Анализ результатов проведенных экспериментов (рис.8) показал, что предложенные метод и средства позволил повысить показатели качества прогнозирования рисков ССО по основным показателям на 10... 15%.

Полученные сравнительные характеристики известных шкал определения риска ССО и предлагаемой модели интеллектуальной системы КС позволяют рекомендовать полученные технические и алгоритмические решения для практического использования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для интеллектуальной поддержки кардиоскрининга, позволяющие анализировать факторы риска, связанные с акустическими сигналами кровотока, и прогнозировать сердечнососудистые осложнения у больных с клиническими проявлениями сердечнососудистых заболеваний.

В диссертационной работе получены следующие основные результаты.

1. Разработан метод интеллектуальной поддержки кардиоскрининга, учитывающий эластические свойства сосудов, включающий два способа синтеза подпространств информативных признаков, отражающих две модели квазипериодических акустических сигналов кровотока, и алгоритм принятия решения, агрегирующий принятые решения в этих двух подпространствах информативных признаков с учетом третьего признакового подпространства, включающего данные физиологических и психологических исследований и данные лабораторного анализа, позволяющий организовать итерационный процесс наращивания подпространств информативных признаков или ввода дополнительной информации в процесс принятия решений.

2. Разработана нечеткая нейросетевая структурно-функциональная организация интеллектуальной системы кардиологического скрининга, включающая:

- решающий модуль нижнего иерархического уровня, состоящий из двух нейронных сетей прямого распространения, имеющих в качестве признаковых пространств на входах информативные признаки, полученные в результате авторегрессионного моделирования сигналов, характеризующих акустические колебания стенок сосудов, а на выходах - нечеткие числа, характеризующие риск сердечнососудистых осложнений, соответствующий данному континууму входных данных, позволяющий оценить риск возникновения сердечнососудистых осложнений;

- гибридную модель нечеткой нейронной сети на основе модифицированной структуры ТБК, предназначенную для определения риска возникновения сердечнососудистых осложнений, ядро которой реализовано на основе слоистой нейронной сети, предназначенной для определения риска сердечнососудистых осложнений по акустическим сигналам колебания стенок сосудов; и двух агрегаторов, первый из которых агрегирует риск сердечнососудистых осложнений по группе традиционных факторов риска, а второй -по группе традиционных факторов риска и по риску, определенному по информативным признакам, полученным в результате авторегрессионного моделирования акустических сигналов кровотока.

3. Разработано алгоритмическое обеспечение нечеткой нейросетевой структуры для интеллектуальной системы кардиологического скрининга, включающее:

- алгоритм обучения решающего модуля нижнего иерархического уровня посредством параллельного анализа двух признаковых подпространств, полученных в результате авторегрессионного моделирования акустических сигналов кровотока, позволяющий строить решающие правила с учетом ввода дополнительных признаковых подпространств;

- алгоритм обучения нечеткой нейросетевой модели на основе структуры ТБК, в котором для генерации функций ТБК используется технология дискриминантного анализа в пространстве дополнительных факторов риска ССО, для реализации агрегатора первого уровня - инстар Гроссберга, а для реализации агрегатора второго уровня - технологии генетических алгоритмов.

4. Разработана интеллектуальная система кардиологического скрининга, включающая нечеткие нейросетевые структуры классификации риска сердечно-сосудистых осложнений с признаковыми подпространствами, сформированными на основе авторегрессионного анализа акустических сигналов колебаний стенок сосудов и дополнительных факторов риска сердечнососудистых осложнений, модули формирования пространства информативных признаков (психологические исследования, лабораторный анализ, физиологические признаки, авторегрессионное моделирование акустических сигналов кровотока), модули моделирования нечетких нейросетевых структур, модули статистического исследования и разведочного анализа, позволяющая представлять информацию лицу, принимающему решение, о возможности или величине риска возникновения сердечнососудистого осложнения.

5. Выполнена экспериментальная оценка разработанных метода, способов, моделей и алгоритмов. Полученные результаты прошли экспериментальную проверку при кардиоскрининге больных сахарным диабетом в клинической практике больницы скорой медицинской помощи г. Курска, а также внедрены в учебном процессе кафедры биомедицинской инженерии Юго-Западного государственного университета. Экспериментальные исследования на репрезентативных выборках показали, что по ряду показателей качества диагностики предложенные технические решения превосходят известные методы прогнозирования риска сердечно-сосудистых заболеваний на 10. ..15%, что показывает целесообразность практического использования разработанных метода, способов, алгоритмов и программного обеспечения.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК РФ

1. Дафалла Али, А.Б. Синтез признакового пространства для классификации эластических свойств артерий на основе окклюзионных проб и анализа пальцевых фотоплетизмограмм [Текст] / В. А. Аль - Муаалеми, А.Б.

Дафалла Али, С.А. Филист // Вестник Воронежского государственного технического университета, 2009, №10. С.123-126.

2. Дафалла Али, А.Б. Моделирование риска сердечно-сосудистых заболеваний на основе комплексного анализа сигнала пульсовой волны [Текст] / A.A. Кузьмин, Абдалла Бабикер Дафалла Али, В.М. Бродский // Биомедицинская радиоэлектроника. №2,2010. С.15-18.

Статьи и материалы конференций

3. Дафалла Али, А.Б. Структурно-функциональные решения для интеллектуальной системы кардиологического скрининга [Текст] / А.Б. Дафалла Али, В.Н. Николаев/Ддоровьесберегающие технологии в образовательном процессе: проблемы и перспективы: сборник статей IV Международной научно-практической конференции / Пенза: Приволжский Дом знаний, 2010. С.10-13.

4. Дафалла Али, А.Б. Выбор маркеров сердечного риска на основе многоканальной регистрации пульсовой волны [Текст] / А.А.Б. Дафалла, A.A. Кузьмин, А.А.А. Мохаммед // Лазерно-информационные технологии в медицине, биологии и геоэкологии-2010. Труды XVIII Международной конференции. г. Новороссийск. 2010. С.70-71.

5. Дафалла А.А.Б. Частотно- временной анализ вибрации сосудистых стенок [Текст] / А.А.Б. Дафалла, А.П. Белобров, В.В. Жилин // Физика и радиоэлектроника в медицине и экологии. Труды 9-й межд. научн.-техн. конф. с элем, научн. молод, школы - Владимир: 2010. С.75-78.

6. Дафалла Али, А.Б. Формирование маркеров риска сердечнососудистых заболеваний на основе анализа моделей тонов Короткова [Текст] / А.Б. Дафалла Али, A.A. Кузьмин, В.В. Жилин // Медико-экологические информационные технологии-2010: сборник материалов XIII Междунар. науч.-техн. конф./ Юго-Зап.гос. ун-т. Курск, 2010. С. 123-130.

7. Дафалла Абдалла Бабикер. Аппаратно-программный комплекс для исследования жесткости сосудов [Текст] / Абдалла Бабикер Дафалла //Современные технологии в медицине и педагогике. Сборник научных, учебных и учебно-методических трудов,- Курск: МУ «Издательский центр «ЮМЭКС», 2010. С.29-32.

8. Дафалла Али, А.Б. Способ определения сердечно-сосудистого риска с учетом вязкоупругих свойств сосудов [Текст] / А.Б. Дафалла Али и [др.]// Медицинская экология: сборник статей VIII Международной научно-практической конференции. Пенза: Приволжский Дом знаний, 2009. С.10-13.

9. Дафалла Али, А.Б. Определение рисков сердечно-сосудистых заболеваний на основе взаимного спектрального анализа сигналов пальцевой фо-топлетизмограммы, полученных до и после окклюзии плечевой артерии [Текст] / А.Б. Дафалла Али и [др.]// Лазеры. Измерения. Информация. 2009. Том 3. - СПб.: Изд-во Политехи, ун-та, 2009. С.309-319.

10. Дафалла Али, А.Б. Количественный анализ акустоэластических свойств артерий [Текст] / А.Б. Дафалла Али // Биотехнические, медицинские

и экологические системы и комплексы (БИОМЕДСИСТЕМЫ -2009): Материалы конференции. Рязань: РГРТУ, 2009. С.405-407.

11. Дафалла Али, А.Б. Модели сердечного риска на основе исследований электрофизиологических и акустических сигналов, связанных с функционированием сердечно-сосудистой системы [Текст] / А.Б. Дафалла Али и [др.]// Лазерно-информационные технологии в медицине, биологии и гео-экологии-2009. Труды XVII Международной конференции, г. Новороссийск. 2009. С.90-91.

12. Дафалла Али, А.Б. Устройство для регистрации акустических шумов в артериях [Текст] / А.Б. Дафалла Али, A.B. Месропян // Медико-экологические информационные технологии-2009: сборник материалов XII Междунар. науч.-техн. конУ Курск, гос. техн. ун-т. Курск, 2009. С. 133-135.

13. Дафалла Али, А.Б. Нечеткие сетевые модели иерархической структуры для неинвазивной диагностики артериальной гипертензии. [Текст] / A.B. Аль - Муаалеми, А.Б. Дафалла Али, С.А Фи-лист//Искусственный интеллект в XXI веке. Решения в условиях неопределенности: сборник статей VI Всероссийской научно-технической конференции/ Пенза: Приволжский Дом знаний, 2008. С.10-13.

14. Дафалла Али, А.Б. Нейросетевые структуры для неинвазивной диагностики сахарного диабета [Текст] / Абдалла Бабикер Дафалла Али // Биотехнические, медицинские и экологические системы и комплексы (БИОМЕДСИСТЕМЫ -2008): Материалы XXI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов/Рязань, 2008. С.229-233.

Статьи в печати (журнал, рекомендованный ВАК для публикаций основных результатов работы)

15. Дафалла Али, А.Б. Структурно-архитектурные решения для интеллектуальной системы кардиологического скрининга больных сахарным диабетом [Текст] / В.Н. Николаев, А.А.Б. Дафалла, Л.В. Плесканос [и др.]// Телекоммуникации. №1,2011.

Патенты и заявки на патент

16. Заявка на патент №2009117010/14(023374), Российская Федерация, МПК7 А61В 5/00. Способ оценки сердечно-сосудистого риска у больных с артериальной гипертензией [Текст] /Дафалла Б.А. и [др.]; заявитель Государственное образовательное учреждение высшего профессионального образования «Курский государственный технический университет»; заявл. 04.05.2009.

Юго-западный государственный университет. Издательско-полиграфический центр Юго-западного государственного университета. 305040, г. Курск, ул. 50 лет Октября, 94

Лицензия ИД №06430 от 10.12.01 г.

Сдано в набор 11.11.2010 г. Подписано в печать 11. И .2010 г. Формат 60x84 1/16. Бумага Айсберг. Объем 1,0 усл. печ. л. Гарнитура Тайме. Тираж 100 экз. Заказ № 1023.

Отпечатано: ПБОЮЛ Киселева О.В. ОГРН 304463202600213

Список обозначений сокращений

ВВЕДЕНИЕ

Глава 1. Анализ методов и моделей интеллектуальной поддержки прогноза сердечно-сосудистых осложнений, основанных на системных взаимодействиях модифицируемых и не модифицируемых факторах риска

1.1. Артериальная жесткость как маркер сердечно-сосудистого риска

1.1.1. Анализ системных связей артериальной жесткости и 13 уровня риска сердечно-сосудистого осложнения

1.1.2. Изменение эластических свойств артерий, как показатель нарушения состояния сосудистой стенки

1.1.3. Анализ системных связей жесткости артерий и кар- 23 диопатологий

1.1.4. Способы оценки эластических характеристик со- 28 судов

1.2. Искусственные нечеткие нейронные сети для задач интеллектуальной поддержки идентификации сложных систем

1.3. Методы и средства интеллектуальной поддержки кардиоло- 34 гического скрининга

1.4. Цели и задачи исследования

Глава 2. Информационные технологии классификации вязко-упругих свойств сосудов на основе авторегрессионного моделирования акустических сигналов в процессе окклюзионных проб

2.1. Формирование подпространства информативных признаков на основе авторегрессионного моделирования акустического сигнала кровотока

2.2. Формирование подпространства информативных признаков на основе ДЧП - моделирования акустического сигнала кровото

2.3. Алгоритм классификации вязкоупругих свойств сосудов на основе авторегрессионных моделей акустических сигналов кровотока

2.4. Выводы второй главы

Глава 3. Интеллектуальная система кардиологического скрининга на основе нейросетевых структур

3.1. Разработка нечетких нейросетевых моделей для интеллектуальных систем кардиологического скрининга сердечнососудистых осложнений

3.2. Синтез структуры первого решающего модуля нечеткой нейронной сети

3.3. Нечеткая нейронная сеть для интеллектуальной системы 85 кардиоскрининга

3.4. Разработка и исследование структурно-функциональных ре- 90 шений для интеллектуальной системы кардиологического скрининга

3.5. Выводы третьей главы

Глава 4. Экспериментальные исследования интеллектуальной системы кардиологического скрининга и сравнительная оценка ее эффективности

4.1. Разработка методики оцифровки сигналов вибрации стенок 97 сосудов в процессе окклюзиии

4.2. Формирование признакового подпространства РЗ

4.3. Разведочный анализ данных

4.3.1. Графический анализ признакового подпространства

4.3.2. Корреляционный анализ признакового пространства

4.4. Нечеткое нейросетевое моделирование

4.5. Исследование диагностической эффективности интеллекту- 116 альноЙ системы прогнозирования ССО на примере больных СД

4.6. Выводы четвертой главы 121 ЗАКЛЮЧЕНИЕ 123 Библиографический список 126 Приложения

Список обозначений сокращений

АГ - артериальная гипертензия

АД - артериальное давление АР авторегрессия

АЧХ - Амплитудно-частотная характеристика

ГБ - гипертоническая болезнь

ГИ гиперинсулинемия

ДАД - диастолическое артериальное давление

ДС - диагностическая специфичность

ДЧ - диагностическая чувствительность

ДЧП двумерная частотная плоскость

ДЭ - диагностическая эффективность

ИБС - ишемическая болезнь сердца

ИМ - инфаркт миокарда

ИО - истина отрицательна

ИП - истина положительна

ИСГ - изолированная систолическая гипертензия

КН коэффициент надежности

КС кардиологический скрининг

КУ - коэффициент уверенности

ЛЖ левый желудочек

ЛО - ложь отрицательна

ЛП - ложь положительна

ЛПР - лицо, принимающее решение

МАУ микроальбуминурия

МД - мера доверия

МИД - мера недоверия

ОПСС - периферического сосудистого сопротивления ПАД пульсовое артериальное давление

САД - систолическое артериальное давление

СД - сахарный диабет

См скорость распространения пульсовой волны по сосудам мышечного типа СНС - симпатической нервной системы

СРБ с - реактивный белок

СРПВ - скорость распространения пульсовой волны

ССЗ - сердечно-сосудистые заболевания

ССО - сердечно-сосудистые осложнения

ССР сердечно-сосудистый риск

ССС - сердечно-сосудистая система

СУБД - системой управления базой данных

Сэ скорость распространения пульсовой волны по сосудам эластического типа ФР - факторы риска

ХПН - хронической почечной недостаточностью

ХС - холестерин

ЧСС частота сердечных сокращений

ЭКГ электрокардиограмма

Актуальность работы. Заболевания сердечно-сосудистой системы (ССС) - ведущая причина смерти в индустриально развитых странах. На динамику состояния ССС, а, следовательно, на возможность управления рисками, влияют множество факторов риска (ФР), которые не всегда возможно выявить и оценить. Исследования, проведенные отечественными и зарубежными учеными, показали, что среди ФР развития сердечнососудистых осложнений (ССО) следует выделить артериальную жесткость, которая является интегральным показателем коронарного риска, отражающим воздействия на организм отрицательных ФР в течение жизни человека и является лучшим предиктором, чем каждый из классических ФР. Поэтому важным и актуальным является использование системного подхода при прогнозировании риска развития заболеваний, позволяющего учесть взаимосвязи множества ФР, оказывающих влияние на исследуемую систему и смежные подсистемы, что позволяет оценить возможность перехода систем организма из одного квазиустойчивого состояния в другое при наличии ряда ФР, полученных в результате системного анализа функциональных состояний органов и систем организма.

В этих условиях представляется целесообразным разработать и исследовать математические, статистические или гомеостатические модели, связывающие эластические свойства сосудов с параметрами кровообращения, наблюдаемыми посредством неинвазивных методов, и использовать результаты моделирования для формирования признакового пространства для обучаемых или самоорганизующихся нейронных сетей. Информация об эластических свойствах артерий может быть получена путем анализа акустических сигналов кровотока. Так как этим сигналам свойственна нестационарность, обусловленная системными связями ритмов высокого порядка и кардиосигнала, необходим системный анализ акустических сигналов кровотока, использующий различные виды моделей упругих свойств артерий и системных ритмов человека.

Таким образом, актуальной научно-технической задачей является повышение качества прогнозирования ССО, путем разработки метода, моделей, алгоритмов и программного обеспечения для интеллектуальной поддержки кардиологического скрининга (КС), включающих системный анализ ФР, связанных с акустическими сигналами кровотока.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 20092013 годы (государственный контракт № П705, номер госрегистрации 01200962672) по проблеме «Нечеткие нейросетевые структуры для прогнозирования сердечно-сосудистых рисков у больных сахарным диабетом на основе частотно-временного анализа вибрации сосудистых стенок в процессе окклюзионной пробы» и в соответствии с научным направлением Юго-Западного государственного "университета «Разработка медико-экологических информационных технологий».

Объект исследования. Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в системах кардиоскри-нинга.

Предмет исследования. Структурно-функциональная организация системы интеллектуальной поддержки кардиоскрининга, основанная на системном частотном и временном анализе вибрации сосудистых стенок в процессе окклюзионных проб.

Цель работы. Разработка методов и алгоритмов построения и функционирования систем интеллектуальной поддержки кардиоскрининга с нейросетевой структурно-функциолнальной организацией, обеспечивающих повышение качества прогнозирования сердечно-сосудистых осложнений.

Для достижения поставленной цели необходимо решить следующие задачи:

- разработать метод интеллектуальной поддержки кардиоскрининга, учитывающий эластические свойства сосудов;

- обосновать структурно-функциональную организацию системы кардиоскрининга на основе нечетких нейронных сетей, учитывающих показатели жесткости сосудистых стенок;

- разработать структуру, алгоритмические и программные средства для системы интеллектуальной поддержки кардиоскрининга;

- провести экспериментальную оценку эффективности предложенных средств интеллектуальной поддержки на примере кардиоскрининга больных с высоким риском повышенных показателей жесткости сосудов.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, спектрального анализа, математической статистики, теории нечетких нейронных сетей и распознавания образов, экспертного оценивания и принятия решений. При разработке модуля нечеткого вывода в качестве инструментария использовался Matlab 7.1 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

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

- , метод интеллектуальной поддержки кардиоскрининга, использующий для анализа эластических свойств сосудов два признаковых подпространства, сформированные на основе временного и частотного анализа акустических сигналов кровотока, позволяющий при построении решающих правил для определения степени риска ССО использовать данные физиологического, психологического и лабораторного анализов; способ формирования признакового пространства, основанный на морфологическом анализе двумерной частотной плоскости акустических сигналов кровотока в процессе окклюзионной пробы, позволяющий учитывать эластические свойства артерий при прогнозировании ССО; структурно-функциональная организация нечеткой нейронной сети, включающая два решающих модуля на входе, предназначенных, соответственно, для анализа эластических свойств артерий и факторов риска, полученных на основе данных физиологического, психологического и лабораторного анализа, и двухвходовый агрегатор на выходе, являющаяся основой интеллектуальной системы кардиологического скрининга; алгоритм обучения нечеткой нейросетевой модели на основе структуры ТЭК, в котором для генерации функций ТБК используется метод дискриминантного анализа в пространстве информативных признаков, полученных на основе данных физиологического, психологического и лабораторного анализа, а для реализации агрегаторов — технологии инстара Гроссберга и генетических алгоритмов.

Практическая значимость и результаты внедрения. Практическое значение работы определяется возможностью применения результатов исследования в практике кардиоскрининга при комплексной сравнительной оценке состояния здоровья.

Разработанные метод, способы и алгоритмы составили основу построения интеллектуальной системы для кардиологического скрининга больных СД, практические испытания которой показали ее высокую диагностическую эффективность и приемлемое качество рекомендаций, формируемых для врачей-специалистов. Программные средства ориентированы на практическое здравоохранение.

Результаты работ внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов по направлению 200300.68 - «Биомедицинская инженерия» и используются в клинической практике отделения сосудистой хирургии МУЗ ГКБ СМП г. Курска.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: на IX, XII и XIII Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2006, 2009, 2010); XXI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов (Рязань, 2008); VI Всероссийской научно-технической конференции «Искусственный интеллект в XXI веке.

Решения в условиях неопределенности» (Пенза, 2008); на XVII и XVIII Международных конференциях «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2009, 2010); VIII Международной научно-практической конференции «Медицинская экология» (Пенза, 2009); на конференции БИОМЕДСИСТЕМЫ - 2009 (Рязань, 2009); IX Международной научном- технической конференции «Физика и радиотехника в медицине и экологии» (Владимир, 2010), IV Международной научно-практической конференции «Здоровьесберегающие технологии в образовательном процессе: проблемы и перспективы» (Пенза, 2010), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2006, 2007, 2008, 2009, 2010).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 16 печатных работ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1], [7], [9], [13] и [14] автором предложены способы формирования признаковых пространств, отражающих эластические свойства сосудов, в [2], [8], [12] и [16] соискателем разработаны модели ССО, построенные на основе авторегрессионного анализа сигналов кровотока в процессе окклюзионной пробы, в работах [5] и [15] соискателем предложена нечеткая нейросетевая модель для интеллектуальной системы КС; в [3] и [6] соискателем разработаны программно-аппаратные средства для исследования кардиосигналов, предназначенные для интеллектуальной поддержки системы КС.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 94 отечественных и 47 зарубежных наименований. Работа изложена на 127 страницах машинописного текста, содержит 54 рисунка и 10 таблиц.

4.6. Выводы четвертой главы

1. Разработана методика оцифровки акустических сигналов, включающая установку датчика акустического сигнала в области окклюзионной манжеты, осуществление частичной окклюзии артерии таким образом, чтобы наблюдаемые при этом тоны Короткова имели максимальную амплитуду, и дискретизацию наблюдаемого сигнала в течение одной минуты с частотой дискретизации 11 кГц.

2. На основе системного анализа влияния инсулинорезистивности на риск ССО сформировано третье признаковое подпространство для интеллектуальной системы кардиологического скрининга ССО у больных сахарным диабетом, включающее пятьдесят два информативных признака, разбитые на три блока: физиологический, лабораторный и психологический.

3. Проведен разведочный анализ полученных информативных признаков, включающий анализ гистограмм распределения этих признаков у больных сахарным диабетом и корреляционный анализ. Все показатели обнаружили значимую корреляцию с заболеванием сахарный диабет и сердечно-сосудистыми осложнениями.

При проведении графического анализа признакового пространства было выявлено, что все признаки являются информативными.

Анализ гистограмм распределения признаков позволил ранжировать признаки по релевантности и получить фуззификаторы для признакового подпростаранства РЗ.

4. Корреляционный анализ позволил сократить размерность пространства информативных признаков и сформировать алгоритмы принятия решений при наличии данных с пробелами.

Корреляционный анализ пространства информативных признаков позволяет сделать следующие выводы: среди физиологических показателей выявлена взаимосвязь между показателями давления, веса, веса при рождении, наследственной предрасположенности и заболеваемостью сахарного диабета; среди' лабораторных показателей выявлена взаимосвязь между показателями содержания эозинофилов и лимфоцитов в крови на заболеваемость сахарным диабетом; среди психологических показателей выявлена взаимосвязь между показателями экстраверсии-интраверсии, эксплозитивной формы, истероидной формы, нервно-психической неустойчивости, демонстративности, застревания, гипертимности, дистимности, циклотимности, невротизации, психопатизации на заболеваемость сахарным диабетом.

5. Разработан программный продукт для получения нечетких нейросетевых моделей, реализующих предложенные способы и алгоритмы принятия решений.

6. В результате экспериментальных исследований интеллектуальной системы кардиологического скрининга получены количественные результаты определения риска наиболее опасных сердечно-сосудистых осложнений у больных сахарным диабетом: атеросклероза, ишемической болезни сердца и инфаркта миокарда.

Получены сравнительные характеристики известных шкал определения риска сердечно-сосудистых осложнений и предлагаемых моделей интеллектуальных систем кардиологического скрининга больных сахарным диабетом, которые позволяют рекомендовать полученные технические и алгоритмические решения для практического использования.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для интеллектуальной поддержки кардиоскрининга, позволяющие анализировать факторы риска, связанные с акустическими сигналами кровотока, и прогнозировать сердечно-сосудистые осложнения у больных с клиническими проявлениями сердечно-сосудистых заболеваний.

В диссертационной работе получены следующие основные результаты.

1. Разработан метод интеллектуальной поддержки кардиоскрининга, учитывающий эластические свойства сосудов, включающий два способа синтеза подпространств информативных признаков, отражающих две модели квазипериодических акустических сигналов кровотока, и алгоритм принятия решения, агрегирующий принятые решения в этих двух подпространствах информативных признаков с учетом третьего признакового подпространства, включающего данные физиологических и психологических исследований и данные лабораторного анализа, позволяющий организовать итерационный процесс наращивания подпространств информативных признаков или ввода дополнительной информации в процесс принятия решений.

2. Разработана нечеткая нейросетевая структурно-функциональная организация интеллектуальной системы кардиологического скрининга, включающая:

- решающий модуль нижнего иерархического уровня, состоящий из двух нейронных сетей прямого распространения, имеющих в качестве признаковых пространств на входах информативные признаки, полученные в результате авторегрессионного моделирования сигналов, характеризующих акустические колебания стенок сосудов, а на выходах — нечеткие числа, характеризующие риск сердечно-сосудистых осложнений, соответствующий данному континууму входных данных, позволяющая определить риск возникновения сердечно-сосудистых осложнений;

- гибридную модель нечеткой нейронной сети на основе модифицированной структуры ТвК, предназначенную для определения риска возникновения сердечно-сосудистых осложнений, ядро которой реализовано на основе слоистой нейронной сети, предназначенной для определения риска сердечно-сосудистых осложнений по акустическим сигналам колебания стенок сосудов; и двух агрегаторов, первый из которых агрегирует риск сердечно-сосудистых осложнений по группе традиционных факторов риска, а второй - по группе традиционных факторов риска и по риску, определенному по информативным признакам, полученным в результате авторегрессионного моделирования акустических шумов кровотока.

3. Разработано алгоритмическое обеспечение нечеткой нейросетевой структуры для интеллектуальной системы кардиологического скрининга, включающее:

- алгоритм обучения решающего модуля нижнего иерархического уровня посредством параллельного анализа двух признаковых подпространств, полученных в результате авторегрессионного моделирования акустических сигналов кровотока, позволяющий строить решающие правила с учетом ввода дополнительных признаковых подпространств;

- алгоритм обучения нечеткой нейросетевой модели на основе структуры ТБК, в котором для генерации функций Т8К используется технология дискриминантного анализа в пространстве дополнительных факторов риска ССО, для реализации агрегатора первого уровня - инстар Гроссбер-га, а для реализации агрегатора второго уровня — технологии генетических алгоритмов.

4. Разработана интеллектуальная система кардиологического скрининга, включающая нечеткие нейросетевые структуры классификации риска сердечно-сосудистых осложнений с признаковыми подпространствами, сформированными на основе авторегрессионного анализа акустических сигналов колебаний стенок сосудов и дополнительных факторов риска сердечно-сосудистых осложнений, включающая модули формирования пространства информативных признаков (психологические исследования, лабораторный анализ, физиологические признаки, авторегрессионное моделирование акустических сигналов кровотока), модули моделирования нечетких нейросетевых структур, модули статистического исследования и разведочного анализа, позволяющая представлять информацию лицу, принимающему решение, о возможности или величине риска возникновения сердечно-сосудистого осложнения.

5. Выполнена экспериментальная оценка разработанных метода, способов, моделей и алгоритмов. Полученные результаты прошли экспериментальную проверку при кардиоскрининге больных сахарным диабетом в клинической практике больницы скорой медицинской помощи г. Курска, а также внедрены в учебном процессе кафедры биомедицинской инженерии Юго-Западного государственного университета. Экспериментальные исследования на репрезентативных выборках показали, что по ряду показателей качества диагностики предложенные технические решения превосходят известные методы прогнозирования риска сердечнососудистых заболеваний на 10. 15%, что показывает целесообразность практического использования разработанных метода, способов, алгоритмов и программного обеспечения.

1. Агеев, Ф.Т. Современные технологии обследования и ведения больных артериальной гипертонией в амбулаторно-поликлинической практике Текст. / Ф.Т. Агеев, Е.В. Ощепкова, Я.А. Орлова // Сердце — 2007-№3. С.124-127

2. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов: В 2 т. Т. 2. Основы эконометрики. Текст. / С.А. Айвазян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 432 с.

3. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов. В 2 т. Т. 1. Теория вероятностей рт прикладная статистика Текст./ С.А. Айвазян, B.C. Мхитрян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 656 с.

4. Аль-Муаалеми, В.А. Гибридный способ классификации биосигналов на основе технологий нечеткой логики принятия решений и нейронных сетей Текст. / В.А. Аль-Муаалеми, В.В. Жилин, С.А. Филист // Биомедицинская радиоэлектроника, 2009, №5. С.77-82.

5. Аронов, Д.М., Лупанов, В.П. Функциональные пробы в кардиологии Текст./ Д.М. Аронов, В.П. Лупанов. Москва, "МЕДпресс-информ", 2003 , 2-е изд, С. 148-156.

6. Батюшин, М.М. Прогнозирование сердечно сосудистых заболеваний. Текст. / М.М. Батюшин //Монография. - Ростов -н/Д.: Издательство МАРТ. 2006. 144с.

7. Бернар К. Лекции о диабете. Лекции по экспериментальной патологии. — М., Л.: Биомедгиз, 1937. — С. 278—287.

8. Бокерия, Л. А. Непосредственные и отдаленные результаты стен-тирования ствола левой коронарной артерии у больных ИБС Текст. / Л. А.Бокерия, Б.Г. Алекян, Ю.А. Бузишвили и др. //Кардиология. 2006. № 3. С. 4-12.

9. Боровиков, В. STISTICA. Искусство анализа данных на компьютере: Для профессионалов Текст. / В. Боровиков. 2-е изд. (+CD). СПб.: Питер, 2003. 688 с.

10. Бутрова С. А. Метаболический синдром: патогенез, клиника, диагностика, подходы к лечению. Русский медицинский журнал 2001; 2: 56 -60.

11. Васильев А.Ю. Диагностика стенозирующего поражения коронарных артерий при гипертонической болезни. Какой стресс-тест выбрать? Текст./ А.Ю.Васильев, Н.Н.Михеев, М.В. Жарикова// Функциональная диагностика, 2004. №4. С. 17-22.

12. Волкова, Э.Г. Артериальная гипертензия и факторы сердечнососудистого риска Текст. / Э.Г. Волкова//Системные гипертепзии, 2008, №2. С.17-19.

13. Галушкин, А.И. Синтез многослойных систем распознавания образов Текст. / А.И. Галушкин. М.: Энергия, 1974. 386 с.

14. Генкин, A.A. Новая информационная технология обработки данных (программный комплекс ОМИС) Текст. / A.A. Генкин. СПб.: Политехника, 1999. 191 с.

15. Гимаров, В.А. Нейро-нечеткий метод классификации объектов с разнотипными признаками Текст. / В.А. Гимаров, М.И. Дли, С.Я. Битюц-кий // Системы управления и информационные технологии. 2004. №4 (16). С. 13-18.

16. Гогин Е.Е. Пульсовая волна и пути возрастной инволюции// Клиническая геронтология — 2007 №6. - С.3-9

17. Голд, Б. Цифровая обработка сигналов Текст.: [пер. с англ.] /Б. Голд, Ч. Рэйдер. М.: Сов. радио, 1973. 368 с.

18. Голухова, Е.З. Неинвазивная аритмология Текст./ Е.З. Голухо-ва. М.: Издательство НЦССХ им. А.Н.Бакулева, РАМН, 2002. 148 с.

19. Горбань, А. Н. Обучение нейронных сетей Текст./ А. Н. Гор-бань-М.: СП Параграф, 1990.

20. Горелик, A.JI. Методы распознавания Текст. / A.JI. Горелик, В.А. Скрипкин. М.: Высшая школа. 2004. 261 с.

21. Грязнова, И. М. Сахарный диабет Текст. / И. М. Грязнова, В. Г. Второва. М.: Медицина, 1998. С. 156-160.

22. Дафалла Али, А.Б. Моделирование риска сердечно-сосудистых заболеваний на основе комплексного анализа сигнала пульсовой волны Текст. / A.A. Кузьмин, Абдалла Бабикср Дафалла Али, В.М. Бродский // Биомедицинская радиоэлектроника. №2, 2010. С. 15-18.

23. Дмитриева, Н.В. Индивидуальное здоровье и полипараметрическая диагностика функциональных состояний организма (системно — информационный подход) Текст. / Н.В. Дмитриева, О.С. Глазачев. М., 2000. -214 с.

24. Дубров, A.M. Многомерные статистические методы Текст.: учебник / A.M. Дубров, B.C. Мхитрян, Л.И. Трошин. М.: Финансы и статистика, 2000. 352 с.

25. Дуда, Р. Распознавание образов и анализ сцен Текст. / Р. Дуда, Р. Харт. М.: Мир, 1976.

26. Дьяконов, В. Обработка сигналов и изображений Текст.: специальный справочник / В. Дьяконов, И. Абраменкова. СПб.: Питер, 2002. 608 с.

27. Дюк, В. Обработка данных на ПК в примерах Текст. / В. Дкж. -СПб: Питер, 1997. 240 с.

28. Елисеева, И.И. Логика прикладного статистического анализа Текст. / И.И. Елисеева, В.О. Рукавишников. М.: Финансы и статистика, 1982. 192 с.

29. Жданов, B.C. Особенности эволюции атеросклероза за 25-летний период у мужчин с различными темпами развития атеросклероза в пяти европейских городах Текст. / В.С.Жданов, Я.Г. Стернби, И.Е. Галахов и др. // Кардиология. 2001. — № 7. С. 4-8.

30. Заде, Л.А. Понятие лингвистической переменной и ее применение к принятию приближенных решений Текст. / Л.А. Заде. М.: Мир, 1976. 312 с.

31. Заенцев, И.В. Нейронные сети: основные модели: учебное пособие по курсу «Нейронные сети» для студентов 5 курса магистратуры физического ф-та Воронежского государственного университета Текст. / И.В. Заенцев. Воронеж, 1999. 76 с.

32. Захаров, В.Н. Современная информационная технология в системах управления Текст. / В.Н. Захаров // Изв. АН Теория и системы управления,2000. №1. -С. 70-78.

33. Зимин, Ю.В. Артериальная гипертония при сахарном диабете: особенности патогенеза и лечения (обзор) Текст. / Ю.В. Зимин// Терапевтический архив 1998; 10. С. 15-20.

34. Изучение генетических и лабораторных маркеров у пациентов с ишемической болезнью сердца и сахарным диабетом 2 типа / Назаренко Г.И., Клейменова Е.Б., Пающик С.А. // Российские Медицинские Вести. -2009,- том XIV, №2 С.28-36.

35. Изучение генетических маркеров и традиционных факторов риска у пациентов с ишемической болезнью сердца / Назаренко Г.И., Клейменова Е.Б., Гущина H.H., Пающик С.А. // Российские Медицинские Вести. 2009.- том XIV, №1 - С. 41-48.

36. Инструментальные методы исследования сердечнососудистой системы. Справочник Текст. / Под ред. Т.С. Виноградовой // М.: Медицина, 1996. С. 311-312.

37. Илюхин О.В., Калганова E.JL, Лопатин Ю.М. Эластичность и реактивность магистральных артерий у больных ишемической болезнью сердца, осложненной сердечной недостаточностью// Кардиология —2005.— №10. — С.52-53

38. Калинина, A.M. Влияние многофакторной профилактики ИБС на прогноз жизни Текст. / A.M. Калинина, Л.Ж. Чазова, Л.И. Павлова //Кардиология. 1996. — № 3. С. 22 — 27.

39. Кательницкая Л.И. Неинвазивные методы скрининговой диагностики хронических неинфекционных заболеваний: учебное пособиедля врачей/ Л.И. Кательницкая, С.Е. Глова, Л.А. Хаишева, В.Н. Бражен-ский. Ростов-на-Дону: ГОУ ВПО РостГМУ Росздрава, 2008. - 51 с.

40. Клиническая эндокринология. Руководство Н. Т. Старкова. — издание 3-е, переработанное и дополненное. — Санкт-Петербург Питер, 2002. — С. 263-270. — 576 с. — («Спутник Врача»).

41. Коломоец, Н.М. Гипертоническая болезнь и ишемическая болезнь сердца: Руководство для врачей, обучающих пациентов в школе больных гипертонической болезнью и ишемической болезнью сердца Текст./ Н.М. Коломоец, В.И. Бакшеев. М.: Медицина, 2003. 336 с.

42. Кореневский, H.A. Автоматизированные медико-технологические системы Текст./ монография. В 3 ч. / H.A. Кореневский, А.Г. Устинов, В.А. Ситарчук; под ред. А.Г. Устинова. Курск, гос. техн. унт. Курск, 1995. 390 с.

43. Кочкина, М.С. Измерение жесткости артерий и ее клиническое значение Текст./ М.С. Кочкина, Д.А. Затейщиков, Б.А. Сидоренко // Кардиология.- 2005.- №1. С.63-71.

44. Лабораторные и генетические маркеры в стратификации риска ишемической болезни сердца / Назаренко Г.И., Клейменова Е.Б., Гущина H.H. // Кардиоваскулярная терапия и профилактика. 2009. том 8, №1 - С. 35-42

45. Ламбич, И.С. Стенокардия Текст./ Пер. с сербско-хорват./ И.С. Ламбич, СЛ. Стожинич. М.: Медицина, 1990. 432 с.

46. Леоненков, A.B. Нечеткое моделирование в среде Matlab и fuz-zyTECH Текст. / A.B. Леоненков. СПб.: БХВ - Петербург, 2005. 736 с.

47. Манвелов Л.С. Сахарный диабет как фактор риска цереброва-скулярных заболеваний Текст. / Л.С. Манвелов // Лечащий врач, 1999. -№9.-с. 9-15.

48. Марпл.-мл., С.Л. Цифровой спектральный аншшз и его приложения Текст./ С.Л. Марпл.-мл., пер. с англ. М.: Мир, 1990. 584 с.

49. Математические методы обработки многомерных данных и временных рядов: учебное пособие Текст./В.В. Жилин, A.A. Кузьмин, С.А. Филист и др.: Изд-во Курск, гос. с.-х. ак., 2009. 229 с.

50. Медведев, В.В. Клиническая лабораторная диагностика: Справочник для врачей Текст.// В.В. Медведев, Ю.З. Волчек. Под ред. В.А. Яковлева. СПб.: Гиппократ, 1995. - 208 С.

51. Михайлов, Н.Ю. Высокочастотные колебания в сигнале пульсовой волны и их связь с адаптационными реакциями Текст. / Н.Ю. Михайлов и др. //Биофизика. 2008. Т. 53. Вып.З. С. 482-487.

52. Назаренко, Г.И. Оценка риска ИБС с помощью комбинации традиционных факторов риска и генетических маркеров Текст. / Г.И. Назаренко, Е.Б. Клейменова, С.А. Пающик // Кардиоваскулярная терапия и профилактика. 2008. №7, Прил. №1. С. 260.

53. Нечеткие модели для экспертных систем в САПР Текст. / Н.Г. Малыше, П.С. Берштейн, A.B. Боненюк. М.: Энергоатомиздат, 1991. 136 с.

54. Нечеткие множества в моделях управления и искусственного интеллекта Текст./Под ред. Д.А. Поспелова. М.: Наука, 1986. 312 с.

55. Никитин, Ю.П. Артериальная жесткость: показатели, методы определения и методологические трудности Текст./ Ю.П. Никитин, И.В. Ла-пицкая// Кардиология: Научно-практический журнал, 2005, Том 45, N11. С.113-120.

56. Общепринятые алгоритмы для оценки факторов риска ишеми-ческой болезни сердца и генетические полиморфизмы / Назаренко Г.И., Клейменова Е.Б., Пающик С.А.// Сердце. 2009 - том 8, №2 - С. 104-108.

57. Оганов, Р.Г. Профилактика сердечно-сосудистых заболеваний: возможности практического здравоохранения Текст. / Р.Г. Оганов //Кардиоваскулярная терапия и профилактика. 2002. —№ 1. С. 50—9.

58. Оганов, Р.Г. Гиперинсулинемия и артериальная гипертония: возвращаясь к выводам United Kingdom Prospective Diabetes Study Текст. / Р.Г. Оганов, A.A. Александров // Русский медицинский журнал 2002; 10; 11: С.486 491.

59. Омельченко, В.П. Практикум по медицинской информатике Текст. : учеб. пособие / В.П. Омельченко, A.A. Демидова // Ростов-на-Дону. Докл. «Феникс», 2001. 304 с.

60. Окороков, А.Н. Диагностика болезней внутренних органов. Диагностика болезней сердца и сосудов Текст. / А.Н. Окороков. Под редакцией НЕ. Федорова. М.: Мед. литр. 2006. 464с.

61. Орлов, А.И. Экспертные оценки: учебное пособие Текст./ А.И. Орлов. М.: 2002.

62. Основы проектирования автоматизированных систем анализа медико-биологических сигналов Текст. / В.В. Губанов, Л.В. Ракитская, С.А. Филист / ГУИПП «Курск». Курск, 1997. 134 с.

63. Осовский, С. Нейронные сети для обработки информации Текст./ С. Осовский; пер. с польского И.Д. Рудинского.- М.: Финансы и статистика, 2002. 344 с.

64. Парашин, В.Б. Биомеханика кровообращения: Учеб. пособие Текст./ В.Б. Парашин, Г.П. Иткин. М.: Изд-во МГТУ им. Н.Э. Баумана. 2005. 224 с.

65. Петри, А. Наглядная статистика в медицине Текст. / А. Петри, К. Сэбин. Пер. с англ. Леонова В.П. М.: ГЭОТАР-МЕД, 2003. 144с.

66. Поспелов, Г.С. Искусственный интеллект основа новой информационной технологии Текст. / Г.С. Поспелов - М.: Наука, 1988. -168 с.

67. Потемкин В.В. Эндокринология. М.: Медицина, 2001.: пер. с англ. доп. // гл. ред. А.Г. Чучалин - М.: ГЭОТАР МЕДИЦИНА, 1997. С. 58 — 65, 537 — 546, 617 — 621.

68. Применение цифровой обработки сигналов. Текст./ Под ред. Э. Оппенгейма. Пер. с англ. М.: Мир, 1980. 552 с.

69. Прогнозирование ишемической болезни сердца с использованием геномных и компьютерных технологий Текст. / Ю.И. Журавлев, Г.И. Назаренко, В.В. Рязанов, Е.Б. Клейменова // Кардиология, 2010. том 49, №1.

70. Прогностическая значимость различных методов оценки риска ишемической болезни сердца Текст. / Ю.И. Журавлев, Г.И. Назаренко, В.В. Рязанов, Е.Б. Клейменова // Клиническая геронтология: научно-практический журнал. 2009. №8.

71. Профилактика, диагностика и лечение артериальной гипертен-зии. Российские рекомендации (второй пересмотр). М.: ВНОК. 2004. 20 с.

72. Рашевски, Н. Некоторые медицинские аспекты математической биологии Текст. / Н. Рашевски. М.: «Медицина», 1966. 244 с.

73. Симоненко, В.Б. Функциональная диагностика: руководство для врачей общей практики Текст./ В.Б. Симоненко, А.В. Цоколов, А.Я. Фисун. М.: ОАО "Издательство "Медицина", 2005. 304с.

74. Сопоставление результатов ангиографии коронарных артерий и генетических маркеров у пациентов с ишемической болезнью сердца /

75. Назаренко Г.И., Клейменова Е.Б., Янус В.М., Анохин Н.В., Гущина H.H. // Сердце. 2009 том 8, №1 - С. 38-43.

76. Суркова Е. В., Дробижев М. Ю., Мельникова О. Г., Захарчук Т.

77. A., Дедов И. И. Сахарный диабет и сопутствующие депрессии. // Проблемы эндокринологии, 2003. №6. С. 11-16.

78. Тарасов, В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном интеллекте Текст./

79. B.Б. Тарасов // Новости искусственного интеллекта. 1995. №4. С. 24-30.

80. Тэрано, Т Прикладные нечеткие системы: пер. с японского Текст. / Под ред. Т. Тэрано, К. Асаи, М. Сугено. М.: Мир, 1993.

81. Умарова, Х.Я. Клинико-патогенетические особенности ишемиче-ских инсультов в молодом возрасте Текст. / Х.Я. Умарова, Г1.Р. Камгатнов, A.B. Чугунов // Журнал неврологии и психиатрии им. С. С. Корсакова. (Приложение «Инсульт»). 2004. — № 11. С. 39—43.

82. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика: пер. с англ. Текст./ Ф. Уоссермен. М.: Мир, 1992. 240 с.

83. Филист, С.А. Методы двумерного спектрального преобразования электрокардиосигналов в ранней диагностике сердечно-сосудистых заболеваний Текст./ С.А. Филист. Биомедицинская радиоэлектроника, 2001. №3. С.14-20.

84. Филист, С.А. Нейросетевой решающий модуль для исследования живых систем Текст./ С.А. Филист, С.Г. Емельянов, А.Ф. Рыбочкин// Известия Курского государственного технического университета №2 (23), 2008. С. 77-82.

85. Флетчер, Р. Клиническая эпидемиология. Основы доказательной медицины Текст. / Р. Флетчер, С. Флетчер, Э. Вагнер. М.: Медиа Сфера. 1998.352 с.

86. Хайкин, С. Нейронные сети: полный курс Текст. / С. Хайкин. М.: ООО «И.Д. Вильяме», 2006. 1104 с.

87. Шестакова, М. В. Сердечно сосудистые факторы риска у пожилых больных сахарным диабетом 2 типа и методы их коррекции Текст. / М. В.Шестакова, Л. А. Чугунова, М. Ш. Шамхалова// Русский медицинский журнал 2002; 10; 11: 480 - 485.

88. Шнейдер, IO.A. Хирургическое лечение ИБС Текст./ Ю.А. Шнейдер, / В кн.: Атеросклероз коронарных артерий и ИБС. СПб., 2004. С. 326-340.

89. Benetos A., Rudnichi A., Safar M., Guize L. Pulse pressure and cardiovascular mortality in normotensive and hypertension // Hypertension. -1998.-Vol. 35.-P. 560-564.

90. Bemardes, R. Mapping the human blood-retinal barrier function / R. Bemardes, J. Dias, J. Cunha-Vaz // IEEE Trans. Biomed. Eng. 2005. - Vol. 52(1)-P. 106-116.

91. Blacher J., Pannier B., Guerin A.P. et al. Carotid arterial stiffness as a predictor of cardiovascular and all-cause mortality in end-stage renal disease // Hypertension. 1998. - Vol. 32. - P. 570-574.

92. Blacher J., Staessen J.A., Girerd X. et al. Pulse pressure not mean pressure determines cardiovascular risk in older hypertensive patients // Arch. Intern. Med. -2000. Vol. 160. - P. 1085-1089.

93. Boutouyrie P., Tropeano A.I., Asmar R. et al. Aortic stiffness is an independent predictor of primary coronary events in hypertensive patients. A longitudinal study // Hypertension. 2002. - Vol. 39. - P. 10.

94. Bruce R. Exercise testing of patients with coronary heart disease // Ann. Clin. Res. -1971. V. 3. - P. 323-332.

95. Chae C.U., Pfeffer M.A., Glynn R.J. et al. Increased pulse pressure and risk of heart failure in the elderly // JAMA. ~ 1999. Vol. 281. - P. 634639.

96. Collins R., MacMahon S., Hebert P. et al. Blood pressure, stroke, and CHD. Part 2: Short-term reduction in blood pressure: overview of randomized drug trials in their epidemiological contest // Lancet. 1990. - Vol. 335. -P. 827-838.

97. De Simone G., Roman M.J., Koren M.J. et al. Stroke volume/pulse pressure ratio and cardiovascular risk in arterial hypertension // Hypertension. -1999.-Vol. 33.-P. 800-805.

98. Domanski M.J., Davis B.R., Pfeffer M.A. et al. Isolated systolic hypertension: prognostic information provided by pulse pressure // Hypertension. 1999. - Vol. 34. - P. 375-380.

99. Franklin S., Gustin W., Wong N.D. et al. Hemodynamic patterns of age-related changes in blood pressure: the Framingham Heart Study // Circulation. 1997. - Vol. 96. - P. 308-315.

100. Franklin S., Khan S., Wong N.D. et al. Is pulse pressure useful in predicting risk of coronary heart-disease? The Framingham Heart Study // Circulation. 1999. - Vol. 100. - P. 354-360.

101. Franklin S.S. Cardiovascular risks related to increased diastolic, systolic and pulse pressure: an epidemiologist's point of view // Pathol. Biol. -1999.-Vol. 47.-P. 594-603.

102. Hebert PR, Gaziano JM, Chan KS, Hennekens CH. Cholesterol lowering with statin drugs, risk of stroke and total mortality: an overview of randomized trials. JAMA. 1997:278:313-321.

103. Hennekens CH. Clinical and research challenges in risk factors for cardiovascular diseases. Eur Heart J. 2000:21:1917-1921.

104. Hennekens CH. Current perspectives on lipid lowering with statins to decrease risk of cardiovascular disease. Clin Cardiol. 2001;24(suppl 7): 112115.

105. Hennekens CH. Increasing burden of cardiovascular disease: current knowledge and future directions for research on risk factors. Circulation. 1998:97:1095-1102.

106. Herbert P., Moser M. et al. Recent evidence of drug therapy of mild to moderate hypertension and decreased risk of CHD // Arch. Intern. Med. -1993. Vol. 153. - P. 578-581.

107. Joint National Committee on prevention, detection, evaluation, and treatment of high blood pressure. 6th Report // Arch. Intern. Med. — 1997. — Vol. 157.-P. 2413-2446.

108. Jondeau G., Boutouyrie P., Lacolley P. et al. Central aortic pulse pressure is a major determinant of aortic dilatation in Marfan syndrome // Circulation. 1999. - Vol. 99. -P. 2677-2681.

109. Kannel W. Risk stratification in hypertension: new insights from the Framingham Study // Amer. J. Hypertension. 2000. - Vol. 13 (Pt. 2). - P. 3-10.

110. Kass D., Saeki A., Tunun R., Recchia F. Adverse influence of systemic vascular stiffening on cardiac dysfunction and adaptation to acute coronary occlusion// Circulation. 1996. - Vol. 93. - P. 1533-1541.

111. Lee M.L., Rosner B.A., Weiss S.T. Relationship of blood pressure to cardiovascular death: the effects of pulse pressure in the elderly // Ann. Epidemiology. 1999. - Vol. 9. - P. 101-107.

112. Lehmann E.D. Pulse wave velocity as a marker of vascular disease // Lancet. 1996. - Vol. 348. - P. 744.

113. Millar J.A., Lever A.F., Burke V. Pulse pressure as a risk factor for cardiovascular events in the MRC Mild Hypertension trial // J. Hypertension. -1999.-Vol. 17.-P. 1065-1072.

114. Mourad J.J., Girerd X., Boutouyrie P. et al. Increased stiffness of radial artery wall material in end-stage renal disease // Hypertension. — 1997. — Vol. 30.-P. 1425-1430.

115. Nichols W.W., O'Rourke M.F. McDonald's blood flow in arteries. 4th ed. - London: Arnold, 1998. - 564 p.

116. Oparil S., Weber M.A. Hypertension: a companion to Brenner and Rector's the kidney. Philadelphia: W.B. Saunders, 2000. - 757 p.

117. Pannier B., Brunei P., El Aroussy W. et al. Pulse pressure and echocardiographic findings in essential hypertension // J. Hypertension. 1989. -Vol. 7.-P. 127-132.

118. Perry M., Miller P., Fornoff J. et al. Early predictor of 15-year endstage renal disease in hypertensive patients // Hypertension. 1995. - Vol. 25 (Pt. I).-P. 587-594.

119. Rubins HB, Robins S J, Collins D, el al. Gemfibrozil for the secondary prevention of coronary heart disease in men with low levels of high-density lipoprotein cholesterol. NEnglJMed. 1999;341:410-418.

120. Shortliffe, E. H. Computer-based medical consultations: MYCIN. New York: Elsevier, 1976.

121. Selker H.P., Beshansky J., Schmid C.H. Presenting pulse pressure predicts thrombolytic therapy-related intracranial hemorrhage. Thrombolytic predictive instrument (TPI) project result // Circulation. — 1994. — Vol. 90. — P. 1657-1661.

122. SHEP Cooperative Research Group. Prevention of stroke by antihypertensive drug treatment in older persons with isolated systolic hypertension // JAMA. 1991. - Vol. 265. - P. 3255-3264.

123. Srinivasan D. Forecasting daily load curves using a hybrid fuzzy-neural apporoach // IEE Proc Générât. Transmiss. Distrib., Vol. 141, 1994-№6- P. 561 -567.

124. Staessen J.A., Gasowski J., Wang J.G. et al. Risks of untreated and treated isolated systolic hypertension in the elderly: meta-analysis of outcome trials // Lancet. 2000. - Vol. 355. - P. 865-872.

125. Verdecchia P., Schillaci G., Borgioni C. et al. Ambulatory pulse pressure: a potent predictor of total cardiovascular risk in hypertension // Hypertension. 1998. - Vol. 32. ~ P. 983-988.

126. Wang J.G., Staessen J.A., Gong L., Liu L. Chinese trial on isolated systolic hypertension in the elderly. Systolic Hypertension in China (Syst-China) collaborative group // Arch. Int. Med. 2000. - Vol. 160. - P. 211-220.

127. Акт выдан для предоставления в диссертационный совет

128. Начальник учебного отдела к.т.н. лопент

129. Зав кйтр^дрой БМИ д.т.н., профессор1. Романченко А.С.

130. Доцент кафедры БД/Ш. к.т.н.1. Л1. Кореневский Н А.1. Артеменко М.В