автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.17, диссертация на тему:Метод, модели и технические средства для неинвазивного анализа биоматериалов на основе многочастотной импедансометрии и нейросетевого моделирования

кандидата технических наук
Кассим Кабус Дерхим Али
город
Курск
год
2011
специальность ВАК РФ
05.11.17
цена
450 рублей
Диссертация по приборостроению, метрологии и информационно-измерительным приборам и системам на тему «Метод, модели и технические средства для неинвазивного анализа биоматериалов на основе многочастотной импедансометрии и нейросетевого моделирования»

Автореферат диссертации по теме "Метод, модели и технические средства для неинвазивного анализа биоматериалов на основе многочастотной импедансометрии и нейросетевого моделирования"

4оэии■

Кассим Кабус Дерхим Али

МЕТОД, МОДЕЛИ И ТЕХНИЧЕСКИЕ СРЕДСТВА ДЛЯ НЕИНВАЗИВНОГО АНАЛИЗА БИОМАТЕРИАЛОВ НА ОСНОВЕ МНОГОЧАСТОТНОЙ ИМПЕДАНСОМЕТРИИ И НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Специальность 05.11.17-Приборы, системы и изделия медицинского

назначения

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 6 ИЮН 2011

КУРСК 2011

4850614

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

Научный руководитель: доктор технических наук, профессор

Филист Сергей Алексеевич

Официальные оппоненты: доктор технических наук, профессор

Дегтярёв Сергей Викторович

кандидат технических наук, доцент Уварова Анна Георгиевна

Ведущая организация: ГОУ ВПО «Воронежский государственный технический университет»

Защита диссертации состоится 01 июля 2011 года в_часов в конференц-зале на заседании совета по защите докторских и кандидатских диссертаций Д 212.105.08 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_мая 2011 г

Текст автореферата размещён на сайте http://www.swsu.ru/diss/diss_all.php

Ученый секретарь диссертационного совета д.м.н., профессор

Снопков В.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В настоящее, время растет показатель смертности и инвалидизации от инфекционных и онкологических заболеваний. Современные методы ранней и донозологической диагностики этих заболеваний основаны на лабораторных исследованиях биоматериалов. Это достаточно длительный процесс, который требует инвазивного вмешательства в жизнедеятельность организма, что не безопасно и может привести к распространению инфекций. Повышение оперативности анализа и его безопасность обеспечивают неинвазивные методы анализа, которые осуществляются либо оптическими методами черезкожно, либо путем исследования электрических свойств биопроб.

На рынке медицинских услуг имеются приборы, осуществляющие неинвазивный анализ биоматериала, работа которых основана на фотометрических методах. В то же время известно, что электрические методы, в частности многочастотный импедансный анализ, позволяют более надежно селектировать компоненты составляющих биоматериалов, в частности, биожидкостей. Однако приборы такого класса на рынке медицинской техники отсутствуют, что связано со сложностью селекции параметров электрических сигналов, модулируемых биохимическими свойствами биоматериала, и сложностью построения интеллектуальных систем поддержки диагностических решений на основе многочастотного импедансного анализа.

Преодолеть эти трудности можно на основе использования современных интеллектуальных технологий, базирующихся на нейросетевом моделировании, в рамках которых агрегируются решающие правила, полученные по различным моделям многочастотного импеданса, что позволяет повысить качество диагностики выбранного класса заболеваний (в интеллектуальных системах медицинского назначения качество диагностики традиционно оценивается диагностической чувствительностью, специфичностью, эффективностью и прогностической значимостью).

Таким образом, научно-технической задачей исследования является повышение качества диагностики инфекционных заболеваний в интеллектуальных системах медицинского назначения.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы (государственный контракт № П424 от 12 мая 2010 г.) по проблеме «Гибридные информационные технологии для ранней диагностики инфекционных и онкологических заболеваний на основе многочастотной импедан-сометрии биоматериалов» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Цель работы. Разработка метода, моделей и технических средств для интеллектуальной поддержки классификации биоматериалов на основе многочастотного мониторинга биоимпеданса и нейросетевого моделирования.

Для достижения поставленной цели необходимо решить следующие задачи:

- проанализировать существующие методы неинвазивного анализа биоматериалов, выявить их достоинства и недостатки;

- разработать метод формирования моделей базовой и динамической составляющих импеданса для нейросетевых решающих модулей анализа биоматериалов в экспериментах in vivo;

- разработать структурно-архитектурные решения для интеллектуальной системы обработки данных многочастотного анализа биоимпеданса, предназначенные для поддержки принятия решений по классификации биоматериалов в экспериментах in vivo в реальном времени;

- разработать устройство для многочастотного измерения биоимпеданса;

- провести апробацию предложенных методов и средств классификации биоматериалов на репрезентативных контрольных выборках.

Объект исследования. Биоматериалы в экспериментах in vivo.

Предмет исследования. Измерительно-диагностическая система для неинвазивного анализа биоматериалов на основе многочастотной импедан-сометрии и нейросетевого моделирования.

Методы исследований. Для решения поставленных задач использовались методы теории линейных электрических цепей, методы математического моделирования, методы принятия решений, методы адаптивной идентификации линейных систем, численные методы, методы статистики многомерных данных, нейросетевые методы. При разработке нейросетевого модуля принятия решений в качестве инструментария использовался Matlab 8.0 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:

- способ формирования непараметрической модели базовой и динамической составляющих импеданса биоматериала, заключающийся в выборе континуума пар частот, определении импеданса на этих частотах, моделировании импеданса многоэлементным пассивным RC-двухполюсником с последующим решением системы двух нелинейных уравнений для каждой пары частот из заданного континуума, позволяющий получить тетраду информативных признаков для каждой пары частот из заданного континуума;

- способ формирования параметрической модели импеданса биоматериала, заключающийся в моделировании биоматериала трехэлементным пассивным RC-двухполюсником, параметры которого определяются на основе регрессионной модели общего вида, позволяющей учитывать диссипа-тивные свойства графика Коула и получить триады информативных признаков для нейросетевого классификатора биоматериала;

- способ формирования рекурсивной модели динамической составляющей импеданса биоматериала, заключающейся в измерении динамиче-

ской составляющей биоматериала на каждой из m выбранных частот зондирующего тока на временном интервале Т и последующем формировании рекурсивной модели полученного временного ряда путем его аппроксимации заданным множеством известных функций с вычисляемыми параметрами, позволяющий получить нейросетевую модель для классификации биоматериала по каждому из подпространств, определяемых для каждой из множества аппроксимирующих функций, с последующей агрегацией решений на основе формирования обучающих выборок с m кластерами, формируемыми для каждой из частот зондирующего тока;

- структура гибридной нейронной сети, предназначенная для классификации временных рядов, описывающих случайные процессы с управляемыми параметрами, отличающаяся параллельным включением нейронных сетей прямого распространения, настроенных на классификацию рекурсивных составляющих временных рядов, и последовательно включенной ра-диально-базисной нейронной сети, число локальных центров которой равно числу фиксированных значений управляемого параметра, в качестве которого используется частота зондирующего тока, позволяющая классифицировать биоматериалы по динамической составляющей многочастотного импеданса;

- устройство для многочастотного измерения биоимпеданса, выполненное на базе микроконтроллера, отличающееся тем, что в него введен компенсатор, включающий два цифроаналоговых преобразователя, суммирующий усилитель и блок вычитания, позволяющее контролировать базовые и динамические составляющие импеданса биоматериалов на заданном множестве частот в реальном времени в экспериментах in vivo.

Практическая значимость и результаты внедрения. Разработанные метод, способы и алгоритмы составили основу системы поддержки принятия решений по прогнозированию инфекционных заболеваний.

Применение предложенного в диссертации метода и средств анализа биоматериалов позволяет использовал, неинвазивные методы в программах скрининговой диагностики инфекционных заболеваний.

Результаты работ внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200401 - «Биотехнические и медицинские аппараты и системы» и прошли апробацию в отделении терапии МУЗ «Октябрьская ЦРБ» (Курская область, Прямицино, ул. Октябрьская, 185).

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: XI, XII, XIII Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2008, 2009, 2010); на Международных молодежных конференциях «Биотехнические, медицинские и экологические системы и комплексы» (Рязань 2009, 2010); на конференции «Инновационные технологии управления здоровьем и долголетием человека» (Санкт-Петербург. 2010); XVII Международной конферен-

ции Лазерно-информационные технологии в медицине, биологии и геоэкологии (Новороссийск 2010); IX Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии (Владимир-Суздаль 2010); II Международной научно-технической конференции «Информационно-измерительные, диагностические и управляющие системы» (Курск 2011); III Международной научно-практической конференция «Актуальные проблемы экологии и охраны труда» (Курск 2011); III Международной молодежной научной конференции «Молодежь и XXI век» (Курск 2011), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2008,2009,2010,2011).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 14 печатных работ, в том числе три работы в журналах, рекомендованных ВАК РФ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1], [6-7], [10] и [12] автором предложены и исследованы способы многочастотного моделирования биоимпеданса для неинвазивных исследований, в [2-3], [5] и [11] автором предложены нейросетевые модели для классификации биоматериалов по результатам анализа многочастотного импеданса; в [4] и [8] соискатель предложил устройство для многочастотной биоимпедансометрии, в [9] соискатель провел экспериментальные исследования по диагностики инфекционных заболеваний по результатам многочастных импедансных исследований биоматериалов.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 131 источник. Работа изложена на 137 страницах машинописного текста, содержит 53 рисунка и 24 таблицы.

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 показано, что процесс получения информации с биообъекта достаточно сложен и неоднозначен. Электрические измерения на таких объектах обычно имеют плохие показатели стабильности и воспроизводимости. Это в определенной степени является результатом нестационарности параметров биологического объекта, достаточно быстрых изменений их в ответ на внешние воздействия физическими, химическими и психическими факторами. Поэтому принято считать, что электрические параметры биоматериала дают информацию только качественного характера, позволяющую предположительно сделать выводы об имеющихся в нем изменениях и отклонениях от тех значений, которые считают физиологической нормой для данного организма.

Все это позволяет сделать вывод, что для поиска системных связей между пассивными электрическими свойствами биоматериала и патологическими процессами, связанными с инфекционными или онкологическими заболеваниями целесообразно использовать многочастотные импедансные методы и гибридные информационные технологии.

В заключении первой главы формулируются цель и задачи исследования.

Вторая глава посвящена вопросам моделирования многочастотного импеданса биоматериалов.

Разработан метод формирования моделей базовой и динамической составляющих биоимпеданса, предназначенный для нейросетевого анализа биоматериалов в экспериментах in vivo, включающий три способа моделирования импеданса биоматериала.

Согласно первому способу построения непараметрической модели исследуемый участок биоткани представляем в виде пассивного многоэлементного двухполюсника. Многоэлементный двухполюсник рис. 1, а включает два последовательно соединенных комплексных сопротивления, которые моделируют межэлектродное сопротивление (сопротивление электрод-кожа) и сопротивление биоткани: Z; - эквивалентный импеданс перехода электрод-кожа, Z- составляющая импеданса, определяемая состоянием тканей и ударным объёмом кровотока. В сопротивление Z¡ входят следующие элементы: С/ - эквивалентная ёмкость электрод-кожа, R¡ - эквивалентное активное сопротивление перехода электрод-кожа.

а) б)

Рисунок 1 - Эквивалентные схемы биообъекта в виде многоэлементного двухполюсника

Принимая во внимание вышесказанное, эквивалентная схема на рис. 1, а примет вид, показанный на рис. 1, б. Суммарное комплексное сопротивление эквивалентной схемы рис. 1, а представляем как

г(а>)^а(а,) + ]Ь(й}) (1)

и определяем параметры а(со) и Ь(а>) на множестве частот, что позволяет получить информативные признаки для многочастотного биоимпедансного анализа для непараметрической модели.

С этой целью структурируем параметры а и Ь комплексного сопротивления биоткани.

Исходя из того, что

Z = Zj + Z, (2)

и обозначая х = Re Z, у = ImZ, согласно эквивалентным схемам рис.1 получим

z(a) _Ri+ Ф) ~ сиС^у(со) + jjyjco) + (иС^х{со))

jcoClRl+1 ' W

С учетом (2) комплексное уравнение (3) представим в виде системы двух вещественных уравнений

ía(co) • <а • С, • Л] + b(co) = <w • Q • /?, • х(со) + у(со) [а(о) - Ь(со) ■ со • Q • Л, = Я, + х(со) - со ■ С, • ^ • у(<о)' В системе уравнений (4) неизвестными являются параметры С1(Л,,х(ю) и у(со), а параметры а(со) и Ь(со) определяются экспериментально.

Таким образом, чтобы идентифицировать модель рис. 1, б, достаточно выполнить эксперимент на двух частотах - соА и а>в - при условии, что RjC¡ и R2C2 не зависят от частоты.

Так как параметры C¡R¡ не несут информацию о составе крови, а параметр Z только частично связан с составом крови, то представим Z в виде: Z = Z=+Z_ (5)

где Z= - базовая часть биоимпеданса тканей,

Z_ - составляющая биоимпеданса тканей, полностью определяемая импедансом крови и изменяющаяся в зависимости от ударного объема с частотой сердечных сокращений (изменения Z_, вызванные изменением геометрии сосудов и тканей под действием сердечного выброса, в модели не учитываем).

Полагая, что при многочастотной биоимпедансометрии можем выделить динамическую составляющую импеданса во всем используемом частотном диапазоне тока зондирования и, учитывая (5), можем записать

Z(í) = x¡ + x2(t) + J(y1 + У2(0), (6)

где Z= = х1 +jyv

Z„=x2(t) + jy2(t).

Для определения параметров уравнения (6) интегрируем и y2{t) на апертуре Т и запишем систему уравнений с левыми частями, определяемыми в процессе измерений:

¡ReZ = x,+x2; ^

ImZ = _У] + у2.

Отличительной особенностью представленного способа синтеза пространства информативных признаков для идентификации биоматериалов в экспериментах in vivo состоит в том, что с целью снижения дисперсии графика Кола тетрада информативных признаков {*,,у1,х2,у2} формируется не на одной частоте, а на паре частот (оА,сов. В каждом частотном диапазоне, определяемом парой частот, строится своя частотная модель биоткани. Поэтому нет смысла вводить поправочный коэффициент в уравнение АЧХ для снижения дисперсии кривой Коула, а релевантность моделей, а, следовательно, и релевантность частот зондирующих токов, определяется в процессе обучения конкретно для своей патологии.

При построении параметрической модели многочастотного импеданса использовалась эквивалентная схема биоматериала в виде трехэлементного двухполюсника, представленного на рис. 1, г при условии, что Сг=0.

Действительную и мнимую составляющую полного электрического сопротивления этого двухполюсника определяем как

(8)

1 + СО Ц Щ

М2ЛМ)="%\2- (9)

1+ СО Ц К,

Из уравнений (8) и (9) следует, что модель 7б определяется тремя параметрами: и Я2. Можно утверждать, что эти параметры определяются как биохимическим свойством крови и биофизическими свойствами других параметров биоткани, так и факторами, определяемыми конструкцией электродной системы, величиной зондирующего тока, температурой окружающей среды и т.п. Конкретные значения этих параметров получаем исходя из теоретических и экспериментальных исследований.

Второй способ моделирования позволяет построить параметрическую модель биоимпеданса. В процессе моделирования на входе имеем экспериментально полученные импедансные кривые, а на выходе - параметры модели /?,,С1,Л2. Для построения модели действительной и мнимой составляющих 26 воспользуемся нелинейной регрессией общего вида.

Под нелинейной регрессией общего вида подразумевается нахождение . вектора К параметров произвольной функции

F(д:,К1гК2,...,Кя), (10)

которые обеспечивают минимальную среднеквадратическую погрешность приближения облака исходных точек.

Функция приближения (10) задана уравнениями (8) и (9) с учетом того, что * = со,п=Ъ, Кх = 7?!, Кг = Кг, КЪ=СХ.

Подставляя в (10) последовательно (8) и (9) получим Рх(Х,Кх,Кг,Къ) = Яе(26(]а))). (11)

Рг(х,КиК2,К,)-1т(2б(]ш)). (12)

Для аппроксимации исходных данных функциями (8) и (9) потребуем, чтобы существовали производные этих функций по всем параметрам.

На рис. 2 представлены соответствующие модели, построенные по десяти экспериментальным точкам в пакегге МаиЖСаё.

Начальное значение параметров определяется либо на основании предварительных исследований, либо произвольно, учитывая предыдущий опыт работы с аналогичными объектами. Как в том, так и в другом случае необходимо знать максимальные вариации этих параметров, которые не приводят к потере адекватности модели. С этой целью экспериментальным путем были определены оптимальные границы вариации начальных значений параметров модели.

Для выделения информативных признаков из динамической составляющей биоимпеданса согласно третьему способу формирования модели многочастотного импеданса, кривая Х(1), соответствующая графику изменения динамической составляющей биоимпеданса, рассматривается как отражение временного ряда, который содержит аддитивный набор компонентов, определяемых множеством факторов, в различной степени коррелирующих со свойствами анализируемого биоматериала.

ой

а) б)

Рисунок 2 - Графики реальной (а) и мнимой (б) составляющих импеданса, полученных экспериментальным путем (11Е(ш1) и 1М(со1)) и в результате моделирования (С(со1))

Динамическая составляющая биоимпеданса представляется как рекурсивная модель временного ряда. Учитывая, что ее структура хорошо изучена, для формирования пространства информативных признаков используем рекурсивное разложение по системе эмпирических базисных функций. За основу рекурсивного разложения взята линейная регрессия общего вида:

F(f, к,, к2... к„)= k,F,(t) + k2F2(t) + ... + knFn(i), (13)

где Ft... Fn- произвольные функции времени, kj ... к„ - вычисляемые константы.

Согласно уравнению (15) функция регрессии является линейной комбинацией функций /*"/(/), /•;(/),... /<"„(/), причем сами эти функции могут быть нелинейными, что резко расширяет возможности такой аппроксимации.

Рекурсивное разложение получается из линейной регрессии общего вида путем последовательного применения нелинейной функции общего вида к остаткам, вычисляемым как

^(0=^-/(0-^(0. _ (14)

где /•", (I) - нелинейная аппроксимация (регрессия) функции Р,

Каждой функции соответствует свое множество информативных признаков, образующих соответствующее подпространство. Исключение составляет остаток Р„(1), который является случайным процессом. Этот случайный процесс также может быть использован для формирования п-го подпространства информативных признаков посредством построения авторегрессионной модели:

¿6ЛС "<?)=«,(<?), <7 = 1,2-Х , (15)

м

где {¿/,6* коэффициенты авторегрессионной модели, Ях - корреляционная матрица остатка Р„(1), Ь - порядок авторегрессионной модели.

Глава 3 посвящена вопросам разработки нейросетевых технологий для классификации биоматериалов по результатам анализа многочастотного биоимпеданса.

Структурная схема модуля принятия решения на основе многочастотного анализа биоматериала представлена на рис. 3.

Рисунок 3 - Структурная схема модуля принятия решений

Отличительной особенностью биоимпедансных исследований, представленных этой структурой, является то, что базовая и динамические составляющие биоимпеданса определяются в автономных режимах. Это позволяет наращивать структурную сложность модуля принятия решения путем расширения частотного диапазона анализа базовой и динамической составляющих импеданса независимо друг от друга. При этом расширение диапазона анализа идет как в «ширь», так и в «глубь», то есть в процессе анализа и формирования обучающей выборки может расширяться как частотный диапазон анализа, так и увеличивать число анализируемых частот внутри выбранного частотного поддиапазона. Путем оценки надежности решения осуществляется ранжирование каждой модели в блоке агрегации принятия решений.

Каждая модель является структурно независимой функциональной единицей, формирует свое подпространство информативных признаков, на основе которого принимается автономное решение. Каждое из полученных решений может рассматриваться как заключение эксперта, компетентность которого устанавливается в процессе обучения интеллектуальной системы в целом.

Для интегрирования частных решений в общее решение используется нечеткая логика принятия решений.

Алгоритм, отражающий этот подход к принятию решений, предусматривает две параллельных ветви, в первой из которых реализуется нейросете-вой решающий модуль, построенный на основе параметрической и непараметрической моделей многочастотного импеданса, а во второй - рекурсивная модель динамической составляющей биоимпеданса. При этом в каждой ветви реализованы различные методы обработки данных, а сами данные получены принципиально разными способами. Объединение полученных решений реализуется посредством нечеткого моделирования, основанного на генетических алгоритмах.

Каждая параллельная ветвь соответствует определенной модели импеданса биоматериала. В этом отношении это открытая система принятия решений, в которую могут, как добавляться модели, так и исключаться.

Получение множества моделей обеспечивается многочастотным зондированием биоматериала, параметрическим и непараметрическим моделированием, а также аппаратными методами, позволяющими выделить динамическую составляющую импеданса на фоне базовой составляющей на различных частотах зондирующего тока.

Для реализации рекурсивной модели динамической составляющей многочастотного импеданса была разработана гибридная нейронная сеть, построенная на основе нейронных сетей прямого распространения и ради-ально-базисных нейронных сетей (РБНС). Если каждой двухальтернативной выборке Ц=сош, к=\аг) поставить в соответствие п нейрон-

ных сетей прямого распространения, то настроив соответствующие сигмои-

ды нейронных сетей, получим на выходах нейронных сетей возможные комбинации, которые описывает бинарная матрица рис. 4.

Число элементов матрицы рис.4 определяется числом рекурсий п, которыми представляется элемент выборки Например, если используют и рекурсий, то размерность матрицы 2".

Н(№)

1--

№ -^рекурсии ! 1 2 п

1 11 1 1 . . 1

2 1° 0 0 . . 1

0 1 . . 1

0 0 0 . . 1

0 0 0 . . 1

2" ¡0 0 0 . . 0

123

2" №

а) б)

Рисунок 4 - Бинарная матрица (а), описывающая возможные комбинации на выходах нейронных сетей прямого распространения, и гистограммы распределения комбинаций на входе РБНС (б)

Имея на выходе нейронной сети одну из строк матрицы рис.4, а необходимо определить оператор Чкоторый преобразует двоичный вектор в двоичный скаляр, то есть

= (16) где У = НЕТ = £!({/; (1к, , а)})}), (17)

ЫЕТ - операция нейросетевого моделировании, £2- оператор, формирующий векторы информативных признаков X j из отсчетов множества

Для синтеза оператора У используем радиально-базисные нейронные сети (РБНС). Координаты локальных центров РБНС определяют моды столбцов матриц рис.4, а, полученных при фиксированном т1 рис.4, б. Структурная схема предлагаемой гибридной нейронной сети представлена на рис. 5.

Выходной сигнал РБНС вычисляется как взвешенная сумма элементов РБНС:

(18)

где \\>1 - весовой коэффициент выходной связи второго элемента, в, - выходной сигнал /-го элемента скрытого слоя РБНС, определяемый согласно выражению

<9,=ехр{-

1=1

-}

2о/ ', (19)

где ст, - ширина радиальной функции / - го элемента второго слоя РБНС /, сд - элемент /-го кластера из строк матрицы рис.4.

Рисунок 5 - Структурная схема гибридной нейронной сети

Алгоритм настройки гибридной нейронной сети включает трехконтур-ную схему настройки нейронных сетей прямого распространения, которые настраиваются по обучающим выборкам, полученным в результате рекурсивного разложения временных рядов, описывающих динамическую составляющую биоимпеданса на множестве частот зондирующего тока, а также блок формирования обучающих выборок для РБНС, который трансформирует временной ряд, полученный на фиксированной частоте, в бинарный вектор, число компонентов которого определяется числом параллельно включенных нейронных сетей прямого распределения.

В четвертой главе приводятся экспериментальные исследования по классификации биоматериалов на основе многочастотного импедансного анализа. С этой целью разработано устройство для измерения комплексного электрического сопротивления биотканей и биожидкостей в широком частотном диапазоне. Структурная схема устройства представлена на рис. 6.

Устройство включает последовательно соединенные измерительные электроды 4, компенсатор 5, блок детекторов 6, блок выделения пульсовой волны 7, блок АЦП 8, микроконтроллер 9, второй и третий выходы которого подключены ко второму и третьему входам компенсатора 5, парафазный генератор 1, выходы которого подключены, соответственно, к четвертому и пятому входам компенсатора 5 и второму и третьему входу детектора 6, стабилизатор тока 2 и токовые электроды 3, а так же последовательно соединенные ПЭВМ 11 и блок связи с ПЭВМ 10, подключенный к пятому выходу микроконтроллера 9. С целью выделения динамической составляющей биоимпеданса в компенсатор 5 введены два цифроаналоговых преобразователя (ЦАП), на опорные входы которых подаются квадратурные составляющие с выходов парофазного генератора, а на цифровые сигнальные входы - управляющие коды с соответствующих выходов микроконтроллера 9, суммирую-

щий усилитель, входы которого соединены с соответствующими выходами цифро-аналоговых преобразователей, и блок вычитания, входы которого соединены, соответственно, с выходом суммирующего усилителя и выходами измерительных электродов 4, а парофазный генератор выполнен в виде двух генераторов с программируемой амплитудой, частотой и фазой, синхронизируемых и управляемых микроконтроллером 9.

Устройство работает в двух режимах. В режиме 1 осуществляется компенсация базовой составляющей по переменному току. С этой целью на входы опорного напряжения ЦАП (входят в состав компенсатора 5) подаются соответствующие квадратурные составляющие от парафазного генератора 1. Управление амплитудами квадратурных составляющих осуществляет микроконтроллер 9 на основе анализа величины базовых составляющих, поступающих с выходов блока выделения пульсовой волны 7 на АЦП 8. Микроконтроллер 9 управляет напряжениями на ЦАПах компенсатора 5 таким образом, чтобы минимизировать напряжение на выходах квадратурного детектора 6._

Парафазный генертор 1

Л

Компесатор

Л

Стабилизатор тока 2

Токовые электроды 3

Квадратурный детектор 6

Блок выделения пульсовой волны 7

# #

Измерительные электроды 4

Микроконтроллер 9

л

Л

А

Блок АЦП 8

ИК-канал 10

Рисунок 6 - Структурная схема устройства для многочастотной биоим-педансометрии

Режим 2 начинается после минимизации выходов базовой составляющей. При этом выходное напряжение ЦАПов фиксировано, а микропроцессор 9 анализирует напряжение на первом и втором входах АЦП 8.

Считанные с первого и второго входов АЦП 8 в режиме 2 данные поступают в микроконтроллер 9, который через инфракрасный канал 10 передает их в ПЭВМ 11, в которой реализуются разработанные технологии обработки данных.

Сравнение известных методов классификации биоматериалов и предлагаемых интеллектуальных технологий осуществлено на основе результатов обследования 329 человек, из них 30 составили группу сравнения и 299 обследовались по поводу вирусного гепатита. Группу сравнения (контрольная группа) составили пациенты, у которых при клиническом и лабораторном обследовании не было выявлено признаков каких-либо заболеваний.

В качестве альтернативы предложенным технологиям анализа биоматериалов использовались технологии дискриминатного анализа и нейросете-вого моделирования в пространстве информативных признаков, полученных на основе биохимических показателей сыворотки крови.

Оценка эффективности предложенных технических решений определялось качеством работы интеллектуальной системы. В интеллектуальных системах медицинского назначения качество традиционно оценивается диагностической чувствительностью, специфичностью, эффективностью и прогностической значимостью. На рис.7 представлена диаграмма этих показателей, полученных по результатам диагностики инфекционных заболеваний различными методами.

о

Дискриминантный анализ биохимических исследований

Нейросетевой анализ а биохимических исследований

Интеллектуальная система на основе ® многочастотной модели биоимпеданса

Рисунок 7 - Диаграмма показателей качества работы для трех моделей диагностирующих систем

Анализ результатов, полученных с использованием разработанной решающей системы, показывает, что точность прогнозирования значительно выше, чем при применении методов, основанных на обучении нейронных сетей и дискриминантном анализе на основе данных биохимических исследований. Это позволяет сделать вывод о том, что использование полученной системы для диагностики инфекционных заболеваний является целесообразным.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате проведенных исследований разработаны метод и средства неинвазивной классификации биоматериалов на основе многочастотной биоимпедансометрии и нейросетевого моделирования.

В диссертационной работе получены следующие основные результаты.

1. Показано, что для реализации интеллектуальных систем классификации биоматериалов целесообразно использовать многочастотный биоим-педансный анализ и решающие правила, реализованные посредством гибридных нейронных сетей.

2. Разработан метод формирования моделей базовой и динамической составляющих биоимпеданса, предназначенный для нейросетевого анализа биоматериалов в экспериментах in vivo, основанный на трехкомпонентной модели импеданса биоматериала, включающий:

- способ формирования непараметрической модели базовой и динамической составляющих импеданса биоткани, заключающийся в выборе континуума пар частот, определении импеданса на этих частотах, моделировании импеданса многоэлементным пассивным RC-двухполюсником с последующим решением системы двух нелинейных уравнений для каждой пары частот из заданного континуума, позволяющий получить тетраду информативных признаков для каждой пары частот из заданного континуума и компенсировать диссипативные свойства графика Коула;

- способ формирования параметрической модели импеданса биоткани, заключающийся в моделировании биоматериала трехэлементным пассивным RC-двухполюсником, параметры которого определяются на основе регрессионной модели общего вида, позволяющей учитывать диссипативные свойства графика Коула за счет выбора соответствующего множества частотных поддиапазонов, внутри которых строятся параметрические модели импеданса биоматериала, и получить триады информативных признаков для нейросетевого классификатора биоматериала;

- способ формирования рекурсивной модели динамической составляющей импеданса биоматериала, заключающийся в измерении динамической составляющей биоматериала на каждой из т выбранных частот зондирующего тока на временном интервале Т и последующем формировании рекурсивной модели полученного временного ряда, и последовательной аппроксимации полученного временного ряда заданным множеством известных функций с вычисляемыми параметрами, позволяющий получить нейро-сетевую модель для классификации биоматериапа по каждому из подпространств, определяемых для каждой из множества аппроксимирующих функций, с последующей агрегацией решений на основе формирования обучающих выборок с m кластерами, формируемыми для каждой из частот зондирующего тока.

3. Разработаны структурно-архитектурные решения для интеллектуальной системы обработки данных многочастотного анализа биоимпеданса, включающие:

- алгоритм принятия решений по классификации биоматериалов, основанный на последовательно-параллельном анализе параметрической, непараметрической и рекурсивной моделях многочастотного импеданса биоматериала, позволяющий реализовать классификацию биоматериалов в экспериментах in vivo;

- структуру гибридной нейронной сети, содержащую параллельно включенные нейронные сети прямого распространения, настроенные на классификацию рекурсивных составляющих временных рядов, и последовательно включенную РБНС, предназначенную для агрегации частных решений нейронных сетей, позволяющую классифицировать биоматериалы по динамической составляющей многочастотного импеданса;

- структуру модуля принятия решений по данным многочастотного анализа биоимпеданса, включающую три автономных модели биоимпеданса с соответствующими нейросетевыми анализаторами, блок агрегации решений, основанный на нечеткой логике принятия решений, блок оценки надежности решений и устройство многочастотной биоимпедансометрии, позволяющую классифицировать биоматериалы в экспериментах in vivo в реальном времени.

4. Разработано устройство для многочастотной биоимпедансометрии с блоком управления, выполненным на микроконтроллере, включающее блок компенсатора, содержащий два цифроаналоговых преобразователя, суммирующий усилитель и блок вычитания, позволяющее контролировать базовые и динамические составляющие импеданса биоматериалов на заданном множестве частот в реальном времени в экспериментах in vivo (заявка на патент №2009143290, Российская Федерация, МПК7 А61В 5/05. Заявл. 23.11.2009).

5. Проведена апробация предложенных методов и средств классификации биоматериалов на примере диагностики инфекционных заболеваний, которая показала, что предлагаемые технологии диагностики превосходят по диагностической эффективности технологии, использующие известные методы: дискриминантный анализ и нейросетевое моделирование, на 8...20%. Это позволило сделать вывод о том, что использование системы интеллектуальной поддержки классификации биоматериалов, включающей разработанные методы и средства многочастотного анализа биоматериалов, является целесообразным для диагностики инфекционных заболеваний.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК РФ

1. Кассим, Кабус Дерхим А. Многочастотная биоимпедансометрия с многоэлектродной матрицей [Текст] / Кабус Дерхим А. Кассим, О.И. Бело-

зеров, В.А. Алексенко // Биомедицинская радиоэлектроника, 2010, №2. С.11-14.

2. Алексенко, В.А. Гибридные информационные технологии по экспресс-диагностике инфекционных заболеваний на основе многочастотного анализа пассивных свойств биотканей [Текст] / В.А. Алексенко, К.Д. Али Кассим, С.А. Филист // Известия ЮФУ. Технические науки. Тематический выпуск. Таганрог. Изд-во ТТИ ЮФУ, 2010, №8(109). С. 12-16.

3. Кузьмин, A.A. Классификация квазипериодических сигналов в медицинских диагностических системах на основе авторегрессионного моделирования [Текст] / A.A. Кузьмин, А.П. Белобров, К.Д. Али Кассим и др. // Биотехносфера, 2010, №3(9). С. 19-26.

Статьи и материалы конференций

4. Кассим, Кабус Дерхим А. Неинвазивное исследование скорости кровотока в сосудах головного мозга. [Текст] / Кабус Дерхим А. Кассим, С.А. Филист // XI Международная научно-техническая конференция "Медико-экологические информационные технологии-2008"/ Курск, гос. техн. ун-т. Курск. 2008. С. 78-81.

5. Кассим, Кабус Дерхим А. Интеллектуальная система поддержки принятия решений при управлении взаимодействием антропогенных факторов с биологическими объектами [Текст] / Кабус Дерхим А. Кассим, В.М. Бродский // XII Международная научно-техническая конференция "Медико-экологические информационные технологии-2009"/ Курск, гос. техн. ун-т. Курск. 2009. С. 262-265.

6. Мохаммед Авад Али А. Синтез моделей биообъекта для неинва-зивных исследований его биофизических свойств [Текст] / Абдо Мохаммед Авад Али, Дерхим Али Кабус Кассим // Биотехнические, медицинские и экологические системы и комплексы (БИОМЕДСИСТЕМЫ -2009): Материалы конференции. Рязань: РГРТУ, 2009. С.407-412.

7. Белобров, А.П. Способ синтеза признакового пространства для диагностики онкологических и вирусных заболеваний методом многочастотной импедансометрии [Текст] / А.П. Белобров, Дерхим Али Кабус Кассим, A.A. Бурмака // Инновационные технологии управления здоровьем и долголетием человека. Материалы конференции: статьи и тезисы. Санкт-Петербург. 2010. С.38-43.

8. Кассим, Кабус Дерхим А. Носимый медицинский прибор для диагностики вирусных инфекций [Текст] / Кабус Дерхим А. Кассим, С.А. Филист, Авад Али Абдо Мохаммед // XIII Международная научно-техническая конференция «Медико-экологические информационные технологии-2010»/ Курск, гос. техн. ун-т. Курск. 2010. С. 120-123.

9. Кассим, Кабус Дерхим А. Опыты in vitro по исследованию биоимпеданса крови инфицированных и неинфицированных людей [Текст] / Кабус Дерхим А. Кассим, С.А. Филист, A.A. Шпаков //Лазерно-информационные технологии в медицине, биологии и геоэкологии. Труды XVII Международгой конференции, г. Новороссийск. 2010. С.74-75.

10. Кассим, Кабус Дерхим А. Способ синтеза пространства информативных признаков для идентификации биожидкостей в экспериментах in vivo [Текст] / Дерхим Али Кабус Кассим, A.A. Шпаков // Всероссийская научно-техническая конференция студентов, молодкх ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (БИОМЕДСИСТЕМЫ -2010): Материалы конференции. Часть 1. Рязань: РГРТУ, 2010. С.246-252.

11. Зо Зо Тун, Классификация состояний пациентов с использованием искусственных нейронных сетей». IX Международная научно-техническая конференция «Физика и радиоэлектроника в медицине и экологии [Текст] / Зо Зо Тун, С. А. Филист, Дерхим Али Кабус. // ФРЭМЭ' 2010 / Владимир-Суздаль 2010. С. 304-307.

12. Кассим, Кабус Дерхим А. Формирование пространства информативных признаков по базовой составляющей импеданса биоткани [Текст] / Кабус Дерхим А. Кассим, М.А. Ефремов// II Международная научно-техническая конференция «Информационно-измерительные, диагностические и управляющие системы»/ Юго-Западный гос. ун-т. Курск. 2011. С. 247250.

13. Кассим, Кабус Дерхим А. Модели базовой составляющей биоимпеданса для идентификации функциональногосостояния живой системы [Текст] / Кабус Дерхим А. Кассим // III Международная научно-практическая конференция «Актуальные проблемы экологии и охраны труда»/ Юго-Западный гос. ун-т. Курск. 2011. С. 60-64.

14. Кассим, Кабус Дерхим А. Рекурсивные разложения динамической составляющей биоимпеданса в биотехнических системах контроля общих инфекций / Кабус Дерхим А. Кассим // Материалы III Международной молодежной научной конференции «Молодежь и XXI век»/ Юго-Западный гос. ун-т. Курск. 2011. С. 60-64.

Подписано в печать 20.05.2011 г. Формат 60x84 1/16. Бумага офсетная. Печ. л. 1,0.

Тираж 100 экз. Заказ № Юго-Западный государственный университет 305040, г. Курск, ул. 50 лег Октября, 94 Отпечатано в ЮЗГУ

Оглавление автор диссертации — кандидата технических наук Кассим Кабус Дерхим Али

СПИСОК СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. МЕТОДЫ И СРЕДСТВА ИССЛЕДОВАНИЯ ПАССИВНЫХ ЭЛЕКТРИЧЕСКИХ СВОЙСТВ БИОМАТЕРИАЛОВ.

1.1. Неинвазивные методы многочастотного зондирования.

1.2. Инвазивные методы многочастотного зондирования.

1.3. Методы разделения получаемой информации на полезную и помехи.

1.4. Методы синтеза пространства информативных признаков.

1.5. Параметрические и не параметрические модели ПЭС биоматериалов.

1.6. Сравнительная характеристика методов и моделей, используемых при анализе и классификации ПЭС биоматериалов.

1.7. Нейросетевое моделирование ПЭС биоматериалов.

1.8. Цели и задачи исследования.

ГЛАВА 2. РАЗРАБОТКА И ИССЛЕДОВАНИЕ СПОСОБОВ МОДЕЛИРОВАНИЯ МНОГОЧАСТОТНОГО ИМПЕДАНСА БИОМАТЕРИАЛОВ.

2.1. Непараметрическая модель биоимпеданса на основе многочастотных исследований.

2.2. Параметрическая модель базовой составляющей биоимпеданса для идентификации функционального состояния живой системы.

2.3. Модель на основе . рекурсивного разложения динамической составляющей биоимпеданса в биотехнических системах контроля общих инфекций.

2.4. Выводы второй главы.

ГЛАВА 3. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ПО КЛАССИФИКАЦИИ БИОМАТЕРИАЛОВ В ЭКСПЕРИМЕНТАХ IN VIVO

НА ОСНОВЕ МНОГОЧАСТОТНЫХ БИОИМПЕДАНСНЫХ ИССЛЕДОВАНИЙ.

3.1. Разработка структурно - функциональной организации нейронных сетей для классификации биоматериалов по результатам анализа динамической составляющей биоимпеданса.

3.2. Разработка алгоритма настройки гибридной нейронной сети.

3.3. Формирование структуры и модели принятия решений.

3.4. Выводы третьей главы.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ НЕИНВ АЗИВНОГО АНАЛИЗА БИОМАТЕРИАЛОВ НА ОСНОВЕ МНОГОЧАСТОТНОЙ БИОИМПЕДАНСОМЕТРИИ.

4.1. Разработка устройства для многочастотной биоимпедансометрии.

4.2. Исследование информационных технологий диагностики инфекционных заболеваний на основе биохимическоих показателей анализа крови.

4.2.1. Диагностика инфекционных заболеваний по показателям биохимических исследований с помощью пакета дискриминантного анализа.

4.2.2. Диагностика инфекционных заболеваний на основе биохимических исследований с использованием многослойной нейронной сети.

4.3. Диагностика инфекционных заболеваний на основе информационных технологий многочастотной биоимпедансометрии.

4.4. Выводы четвертой главы.

Введение 2011 год, диссертация по приборостроению, метрологии и информационно-измерительным приборам и системам, Кассим Кабус Дерхим Али

Актуальность работы. В настоящее время растет показатель смертности и инвалидизации от инфекционных и онкологических заболеваний. Современные методы ранней и донозологической диагностики этих заболеваний основаны на лабораторных исследованиях биоматериалов. Это достаточно длительный процесс, который требует инвазивного вмешательства в жизнедеятельность организма, что не безопасно и может привести к распространению инфекций. Повышение оперативности анализа и его безопасность обеспечивают неинвазивные методы анализа, которые осуществляются либо оптическими методами черезкожно, либо путем исследования электрических свойств биопроб.

На рынке медицинских услуг имеются приборы, осуществляющие неинвазивный анализ биоматериала, работа которых основана на фотометрических методах. В то же время известно, что электрические методы, в частности многочастотный импедансный анализ, позволяют более надежно селектировать компоненты составляющих биоматериалов, в частности, биожидкостей. Однако приборы такого класса на рынке медицинской техники отсутствуют, что связано со сложностью селекции параметров электрических сигналов, модулируемых биохимическими свойствами биоматериала, и сложностью построения интеллектуальных систем поддержки диагностических решений на основе многочастотного импедансного анализа.

Преодолеть эти трудности можно на основе использования современных интеллектуальных технологий, базирующихся на нейросетевом моделировании, в рамках которых агрегируются решающие правила, полученные по различным моделям многочастотного импеданса, что позволяет повысить качество диагностики выбранного класса заболеваний (в интеллектуальных системах медицинского назначения качество диагностики традиционно оценивается диагностической чувствительностью, специфичностью, эффективностью и прогностической значимостью).

Таким образом, научно-технической задачей исследования является повышение качества диагностики инфекционных заболеваний в интеллектуальных системах медицинского назначения.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 20092013 годы (государственный контракт № П424 от 12 мая 2010 г.) по проблеме «Гибридные информационные технологии для ранней диагностики инфекционных и онкологических заболеваний на основе многочастотной импедансометрии биоматериалов» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Цель работы. Разработка метода, моделей и технических средств для интеллектуальной поддержки классификации биоматериалов на основе i многочастотного мониторинга биоимпеданса и нейросетевого моделирования.

Для достижения поставленной цели необходимо решить следующие задачи:

- проанализировать существующие методы неинвазивного анализа биоматериалов, выявить их достоинства и недостатки;

- разработать метод формирования моделей базовой и динамической составляющих импеданса для нейросетевых решающих модулей анализа биоматериалов в экспериментах in vivo; разработать структурно-архитектурные решения для интеллектуальной системы обработки данных многочастотного анализа биоимпеданса, предназначенные для поддержки принятия решений по классификации биоматериалов в экспериментах in vivo в реальном времени; разработать устройство для многочастотного измерения биоимпеданса; провести апробацию предложенных методов и средств классификации биоматериалов на репрезентативных контрольных выборках.

Объект исследования. Биоматериалы в экспериментах in vivo.

Предмет исследования. Измерительно-диагностическая система для неинвазивного анализа биоматериалов на основе многочастотной импедансометрии и нейросетевого моделирования.

Методы исследований. Для решения поставленных задач использовались методы теории линейных электрических цепей, методы математического моделирования, методы принятия решений, методы адаптивной идентификации линейных систем, численные методы, методы статистики многомерных данных, нейросетевые методы. При разработке нейросетевого модуля принятия решений в качестве инструментария использовался Matlab 8.0 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: способ формирования непараметрической модели базовой и динамической составляющих импеданса биоматериала, заключающийся в выборе континуума пар частот, определении импеданса на этих частотах, моделировании импеданса многоэлементным пассивным RC-двухполюсником с последующим решением системы двух нелинейных уравнений для каждой пары частот из заданного континуума, позволяющий получить тетраду информативных признаков для каждой пары частот из заданного континуума; способ формирования параметрической модели импеданса биоматериала, заключающийся в моделировании биоматериала трехэлементным пассивным RC-двухполюсником, параметры которого определяются на основе регрессионной модели общего вида, позволяющей учитывать диссипативные свойства графика Коула и получить триады информативных признаков для нейросетевого классификатора биоматериала; способ формирования рекурсивной модели динамической составляющей импеданса биоматериала, заключающейся в измерении динамической составляющей биоматериала на каждой из т выбранных частот зондирующего тока на временном интервале Т и последующем формировании рекурсивной модели полученного временного ряда путем его аппроксимации заданным множеством известных функций с вычисляемыми параметрами, позволяющий получить нейросетевую модель для классификации биоматериала по каждому из подпространств, определяемых для каждой из множества аппроксимирующих функций, с последующей агрегацией решений на основе формирования обучающих выборок с т кластерами, формируемыми для каждой из частот зондирующего тока; структура гибридной нейронной сети, предназначенная для , классификации временных рядов, описывающих случайные процессы с управляемыми параметрами, отличающаяся параллельным включением нейронных сетей прямого распространения, настроенных на классификацию рекурсивных составляющих временных рядов, и последовательно включенной радиально-базисной нейронной сети, число локальных центров которой равно числу фиксированных значений управляемого параметра, в качестве которого используется частота зондирующего тока, позволяющая классифицировать биоматериалы по динамической составляющей миогочастотного импеданса; устройство для многочастотного измерения биоимпеданса, выполненное на базе микроконтроллера, отличающееся тем, что в него введен компенсатор, включающий два цифроаналоговых преобразователя, суммирующий усилитель и блок вычитания, позволяющее контролировать базовые и динамические составляющие импеданса биоматериалов на заданном множестве частот в реальном времени в экспериментах in vivo.

Практическая значимость и результаты внедрения. Разработанные метод, способы и алгоритмы составили основу системы поддержки принятия решений по прогнозированию инфекционных заболеваний.

Применение предложенного в диссертации метода и средств анализа биоматериалов позволяет использовать неинвазивные методы в программах скрининговой диагностики инфекционных заболеваний.

Результаты работ внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200401 -«Биотехнические и медицинские аппараты и системы» и прошли апробацию в отделении терапии МУЗ «Октябрьская ЦРБ» (Курская область, Прямицино, ул. Октябрьская, 185).

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: XI, XII, XIII Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2008, 2009, 2010); на Международных молодежных конференциях «Биотехнические, медицинские и экологические системы и комплексы» (Рязань 2009, 2010); на конференции «Инновационные технологии управления здоровьем и долголетием человека» (Санкт-Петербург. 2010); XVII Международной конференции Лазерно-информационные технологии в медицине, биологии и геоэкологии (Новороссийск 2010); IX Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии (Владимир-Суздаль 2010); II Международной научно-технической конференции «Информационно-измерительные, диагностические и управляющие системы» (Курск 2011); III Международной научно-практической конференция «Актуальные проблемы экологии и охраны труда» (Курск 2011); III Международной молодежной научной конференции

Молодежь и XXI век» (Курск 2011), на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2008, 2009, 2010, 2011).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 14 печатных работ, в том числе три работы в журналах, рекомендованных ВАК РФ.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1], [6-7], [10] и [12] автором предложены и исследованы способы многочастотного моделирования биоимпеданса для неинвазивных исследований, в [2-3], [5] и [11] автором предложены нейросетевые модели для классификации биоматериалов по результатам анализа многочастотного импеданса; в [4] и [8] соискатель предложил устройство для многочастотной биоимпедансометрии, в [9] соискатель провел экспериментальные исследования по диагностики инфекционных заболеваний по результатам многочастных импедансных исследований биоматериалов.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 131 источник. Работа изложена на 137 страницах машинописного текста, содержит 53 рисунка и 24 таблицы.

Заключение диссертация на тему "Метод, модели и технические средства для неинвазивного анализа биоматериалов на основе многочастотной импедансометрии и нейросетевого моделирования"

4.4. Выводы четвертой главы

1. Разработан многочастотный измеритель биоимпеданса содержащий последовательно соединенные измерительные электроды, компенсатор, блок детекторов, блок выделения пульсовой волны, блок АЦП, микроконтроллер, второй и третий выходы которого подключены ко второму и третьему входам компенсатора, парафазный генератор, выходы которого подключены, соответственно, к четвертому и пятому входам компенсатора и второму и третьему входу детектора, стабилизатор тока и токовые электроды, а так же последовательно соединенные ПЭВМ и блок связи с ПЭВМ, подключенный к пятому выходу микроконтроллера, отличающийся тем, что компенсатор содержит два цифро-аналоговых преобразователя, на опорные входы которых подаются квадратурные составляющие с выходов парофазного генератора, а на цифровые сигнальные входы - управляющие коды с соответствующих выходов микроконтроллера, суммирующий усилитель, входы которого соединены с соответствующими выходами цифро-аналоговых преобразователей, и блок вычитания, входы которого соединены, соответственно с выходом суммирующего усилителя и выходами измерительных электродов, а парофазный генератор выполнен в виде двух генераторов с программируемой амплитудой, частотой и фазой, синхронизируемых и управляемых от микроконтроллера, позволяющий контролировать базовые и динамические составляющие импеданса биоматериалов на заданном множестве частот в реальном времени в экспериментах in vivo.

2. Выполнены экспериментальные исследования по диагностике инфекционных заболеваний на основе дискриминантного анализа результатов биохимических исследований и рассчитаны показатели эффективности диагностики. При диагностике с использованием дискриминантного анализа результатов биохимических исследований диагностическая эффективность составила 68%.

3. Выполнены экспериментальные исследования по диагностике инфекционных заболеваний на основе нейро-сетевого анализа результатов биохимических исследований и рассчитаны показатели эффективности диагностики. При использовании для анализа результатов биохимических исследований многослойных нейронных сетей прямого распространения 82%.

4. На основе обучения разработанных решающих модулей, проведенного по результатам многочастотного исследования импеданса у 329 человек, включающих 299 человек, обследовавшихся по поводу вирусного гепатита, диагностическая эффективность прогнозирования инфекционных заболеваний составила 91 %, что значительно выше показателей рассмотренных выше методов. Это позволило сделать вывод о том, что использование системы интеллектуальной поддержки классификации биоматериалов, включающей разработанные методы и средства многочастотного анализа биоматериалов, является целесообразным для диагностики инфекционных заболеваний.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований разработаны метод и средства неинвазивной классификации биоматериалов на основе многочастотной биоимпедансометрии и нейросетевого моделирования.

В диссертационной работе получены следующие основные результаты.

1. Показано, что для реализации интеллектуальных систем классификации биоматериалов целесообразно использовать многочастотный биоимпедансный анализ и решающие правила, реализованные посредством гибридных нейронных сетей.

2. Разработан метод формирования моделей базовой и динамической составляющих биоимпеданса, предназначенный для нейросетевого анализа биоматериалов в экспериментах in vivo, основанный на трехкомпонентной модели импеданса биоматериала, включающий: способ формирования непараметрической модели базовой и динамической составляющих импеданса биоткани, заключающийся в выборе континуума пар частот, определении импеданса на этих частотах, моделировании импеданса многоэлементным пассивным RC-двухполюсником с последующим решением системы двух нелинейных уравнений для каждой пары частот из заданного континуума, позволяющий получить тетраду информативных признаков для каждой пары частот из заданного континуума и компенсировать диссипативные свойства графика Коула; способ формирования параметрической модели импеданса биоткани, заключающийся в моделировании биоматериала трехэлементным пассивным RC-двухполюсником, параметры которого определяются на основе регрессионной модели общего вида, позволяющей учитывать диссипативные свойства графика Коула за счет выбора соответствующего множества частотных поддиапазонов, внутри которых строятся параметрические модели импеданса биоматериала, и получить триады информативных признаков для нейросетевого классификатора биоматериала; способ формирования рекурсивной модели динамической составляющей импеданса биоматериала, заключающийся в измерении динамической составляющей биоматериала на каждой из т выбранных частот зондирующего тока на временном интервале Т и последующем формировании рекурсивной модели полученного временного ряда, и последовательной аппроксимации полученного временного ряда заданным множеством известных функций с вычисляемыми параметрами, позволяющий получить нейросетевую модель для классификации биоматериала по каждому из подпространств, определяемых для каждой из множества аппроксимирующих функций, с последующей агрегацией решений на основе формирования обучающих выборок с m кластерами, формируемыми для каждой из частот зондирующего тока.

3. Разработаны структурно-архитектурные решения для интеллектуальной системы обработки данных многочастотного анализа биоимпеданса, включающие: алгоритм принятия решений по классификации биоматериалов, основанный на последовательно-параллельном анализе параметрической, непараметрической и рекурсивной моделях многочастотного импеданса биоматериала, позволяющий реализовать классификацию биоматериалов в экспериментах in vivo; структуру гибридной нейронной сети, содержащую параллельно включенные нейронные сети прямого распространения, настроенные на классификацию рекурсивных составляющих временных рядов, и последовательно включенную РБНС, предназначенную для агрегации частных решений нейронных сетей, позволяющую классифицировать биоматериалы по динамической составляющей многочастотного импеданса; структуру модуля принятия решений по данным многочастотного анализа биоимпеданса, включающую три автономных модели биоимпеданса с соответствующими нейросетевыми анализаторами, блок агрегации решений, основанный на нечеткой логике принятия решений, блок оценки надежности решений и устройство многочастотной биоимпедансометрии, позволяющую классифицировать биоматериалы в экспериментах in vivo в реальном времени.

4. Разработано устройство для многочастотной биоимпедансометрии с блоком управления, выполненным на микроконтроллере, включающее блок компенсатора, содержащий два цифроаналоговых преобразователя, суммирующий усилитель и блок вычитания, позволяющее контролировать базовые и динамические составляющие импеданса биоматериалов на заданном множестве частот в реальном времени в экспериментах in vivo (заявка на патент №2009143290, Российская Федерация, МПК7 А61В 5/05. Заявл. 23.11.2009).

5. Проведена апробация предложенных методов и средств классификации биоматериалов на примере диагностики инфекционных заболеваний, которая показала, что предлагаемые технологии диагностики превосходят по диагностической эффективности технологии, использующие известные методы: дискриминантный анализ и нейросетевое моделирование, на 8.20%. Это позволило сделать вывод о том, что использование системы интеллектуальной поддержки классификации биоматериалов, включающей разработанные методы и средства многочастотного анализа биоматериалов, является целесообразным для диагностики инфекционных заболеваний.

Библиография Кассим Кабус Дерхим Али, диссертация по теме Приборы, системы и изделия медицинского назначения

1. Аверьянов А.Н. Система: философская категория и реальность. М.: Мысль, 1976. - 328с.

2. Анищенко, B.C. Знакомство с нелинейной динамикой B.C. Анищенко. Саратов, 2000.-179 с.

3. Анохин, П.К. Системные механизмы высшей нервной деятельности П.К. Анохин. М.: Мир, 1979. 105 с.

4. Архангельский, А.Я. Программирование в С++ Builder А.Я. Архангельский. М.: ЗАО «Издательство БИНОМ». 2002. 1152 с ил.

5. Беленький, В.З. Стационарные динамические модели управления экономическими системами В.З. Беленький. Автореф. дис. на соиск. учен, степ. д. ф.-м.н. РАН, ЦЭМИ, М., 1992. 79 с.

6. Белик Д.В. Импедансная электрохирургия. — Новосибирск: Наука, 2000.-274 с.

7. Белкин А.Р., Левин М.Ш. Принятие решений: комбинаторные модели аппроксимации информации. М.: Наука, 2000. - 272 с.

8. Белозеров О.И. Многочастотная импедансометрия с многоэлектродной матрицей/О.И. Белозеров, Дерхим Али Кабус Кассим, В.А. Алексеенко// Биоимпедансная радиоэлектроника, 2010 г., №2. С.11-14.

9. Белонин, М.Д., Факторный анализ в геологии М.Д. Белонин, В.А. Голубева, Г.Т. Скублов. М., Недра. 1982. 146 с.

10. Ю.Бендат, Дж. Измерение и анализ случайных процессов Дж. Бендат, А. Пирсол. М.: Мир, 1974. 463 с.

11. П.Блинов, O.E. Статистические имитационные модели прогнозирования O.E. Блинов. М ГАУ, 1991. 78 с.

12. Брамеллер, А. Слабозаполненые матрицы/ А. Брамеллер, Р. Аллан, Я. Хэмэм. М Энергия, 1979. 192 с.

13. Веденов, A.A. Моделирование элементов мышления A.A. Веденов. М., Наука, 1988.-158с.

14. М.Вичугов, В.Н. Модифицированный градиентный алгоритм обучения радиально-базисных нейронных сетей/ В.Н. Вичугов// Известия Томского политехнического университета. 2009. Т.315. №5. С. 149-152.

15. Галушкин, А.И., Оценка производительности нейрокомпьютеров

16. A.И. Галушкин, А.И. Крысанов Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. 1998. Ш 4. 22-33.

17. Главные компоненты временных рядов: метод «Гусеница» Под ред. Д.Л.Данилова, А.А.Жиглявского, СПб: Пресском, 1997. 308 с.

18. Голуб, Дж. Матричные вычисления Дж. Голуб, Ч. Ван Лоун. М.: Мир, 1999.-336 с.

19. Гольденберг, Л.М. Цифровая обработка сигналов: Справочник Л.М. Гольденберг. М.: Радио и связь, 1985. 312 с.

20. Денисов A.A. Информационные основы управления. Л.: Энергоатомиздат, 1983.-72с

21. Дженкинс, Г. Спектральный анализ и его приложения Г. Дженкинс, Д. Ватте. М.: Мир, 1972. -218с.

22. Дойников, А.Н. Моделирование нестационарных процессов с использованием алгоритмов их сингулярного разложения А.Н. Дойников,

23. B.C. Кедрин, М.К. Сальникова Научно-технические ведомости СНбГТУ 2006. №5. 143-147.

24. Дьяконов, В.П. MATLAB 6.0/6.1/6.5/6.5 + SP1 + Simulink 4/5. Обработка сигналов и изображений Текст. / В.П. Дьяконов.- М.: СОЛОН-Пресс, 2004. 592 с.

25. Дьяконова В.П. "Mathcad 2001. Специальный справочник." С.Пб.: "Питер", 2002. 832 с.

26. Емельянов C.B., Ларичев О.И. Многокритериальные методы принятия решений. М.: Знание, 1985. -32 с.

27. Иванов А.И., Иконников A.B., Сон В.А. К вопросу об оценке параметров нелинейного объекта по экспериментальным данным // Ленинград-1986, "Известия ЛЭТИ" вып. 376. С. 44-48

28. Игнатьев H.A. Выбор минимальной конфигурации нейронных сетей //Вычисл. технологии. 2001. Т.6,№1.С. 23-28.

29. Кедрин, B.C. Методика структурирования временных рядов макроэкономических показателей для их спектрального анализа и прогнозирования В С Кедрин Интеллектуальные и материальны ресурсы Сибири: Сб. научн. тр. Иркутск: Изд-во БГУЭП, 2006. 192-196.

30. Киреев A.B. Применение методов идентификации для контроля пассивных электрических свойств биообъекта // Инновационные технологии в экономике, информатике, медицине и образовании: Сб. статей IV Межрегиональной НПК, Пенза, 2007. -С. 105-107.

31. Комашинский, В.И. Нейронные сети и их применение в системах управления и связи В.И. Комашинский, Д.А. Смирнов. М.: Горячая линия Телеком, 2003.94 с.

32. Корн, Т. Справочник по математике для научных работников и инженеров Т. Корн. М.: Наука, 1973 831 с.

33. Крисилов, В.А. Применение нейронных сетей в задачах интеллектуального анализа информации В.А. Крисилов, Д.Н. Олешко, Трутнев A.B.// Труды Одесского политехнического университета. Вып. 2(8). 1999. С. 134.

34. Кулаков М. В. Технологические измерения и приборы для химических производств: Учебник для вузов по специальности «Автоматизация и комплексная механизация химико-технологическихпроцессов». 3-е изд., перераб. и доп. М.: Машиностроение. 1983. 424 с.i

35. Лернер, А.Я. Начала кибернетики А.Я. Лернер. М.: Наука. 1967. 420с.

36. Лопатин Б.А. Теоретические основы электрохимических методов анализа. М.: Высшая школа, 1986. - 296 с.

37. Лоусон, Ч. Численное решение задач наименьших квадратов Ч. Лоусон, Р. Хенсон. М.: Статистика, 1979. 447 с.

38. Льюнг Л. Идентификация систем. Теория для пользователя: пер. с англ. / Под ред. Я.З. Ципкина. М.: Наука 1991. - 432 с.

39. Малинецкий, Г.Г. Нелинейность. Новые проблемы, новые возможности Г.Г. Малинецкий, А.Б. Нотапов. М: ИЭ РАН, 1994. 32 с.

40. Малиновский, A.A. Значение общей теории систем в биологических науках A.A. Малиновский. Системные исследования. М. 1984. 135 с.

41. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика. 1988. - 176сi

42. Мандельброт, В. Теория информации и психолингвистика. Теория частот слов В. Мандельброт Энергохозяйство за рубежом. 1982. №4.-С.22~28

43. Мармарелис П., Мармарелис В. Анализ физиологических систем (метод белого шума). М.: Мир, 1981. 480 с

44. Мартиросов Э.Г. Технологии и методы определения состава тела человека / Э.Г. Мартиросов, Д.В.Николаев, С.Г.Руднев. — М.: Наука, 2006. — 248 с (в пер.).

45. Методы анализа и оптимизации сложных систем Под ред. акад. Лупичева Л.Н. М: ИФТН, 1993. 142 с.

46. Новицкий П.В. Основы информационной теории измерительных устройств, «Энергия», Ленингр. отд-ние, 1968.

47. Обработка информации нейронными сетями: сб. ст. Ред. проф. А. А. Веденов. М: ВИНИТИ, 1990. 132 с.52.0совский, С. Нейронные сети для обработки информации Оссовский. М.: Финансы и статистика, 2002. 344 с.

48. Патент РФ №1826864, 29.04.90, А 61 В 5/05

49. Патент РФ №57578, 21.06.06, А 61 В 5/05

50. Первозванский A.A. Курс теории автоматического управления: Учеб. Пособие. М.: Наука. Главная редакция физико-математической литературы, 1986. - 616 с.

51. Получение информации о параметрах и характеристиках организма и физические методы воздействия на него: Учебное пособие/ В.Г. Гусев. — М.: Машиностроение, 2004. 597с.

52. Программа создания, внедрения и эффективного использования автоматизированных систем и средств вычислительной техники в МВД СССР на период до 2000 года. М.: МВД СССР, 1987. -75с.

53. Райков А.Н. Аналитическим службам информационные технологии. - М.: Ваш выбор №4 1994. - С.28-29.

54. Реушкина Г.Д. Перераспределение жидких сред организма человека в покое и при ортостатическом воздействии в условиях длительной гипокинезии. Главный клинический госпиталь МВД России. 2006. М. Восьмая научно-практическая конференция. С. 195—198.

55. Роберт, Хехт-Нильсен. Нейрокомпьютинг: история, состояние, перспективы /Хехт-Нильсен Роберт. М: Открытые системы. 1998. 235 с.

56. Рутковская, Д., Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского Д. Рутковская, М. Пилиньский, Л. Рутковский. М.: Горячая линия Телеком, 2004. 452 с.

57. Романов В.Н. Системный анализ для инженеров. — СПб: СЗГЗТУ, 2006.- 186 с.

58. С.Л. , Марп-мл. Цифровой спектральный анализ и его приложения. -М.: Мир, 1990.-547 с

59. Советов, Б.Я., Моделирование систем Б.Я. Советов, А. Яковлев М.: Высш. шк. 1998.-319 с.

60. Суровцев, И.С. Нейронные сети И.С. Суровцев, В.И. Клюкин, Р.П. Пивоварова. Воронеж: ВГУ, 1994. 224 с.

61. Теоретические основы электротехники. Учебник для вузов. В трех т. Под общ. ред. К.М.Поливанова. Т.2. Жуховицкий Б.Я., Негневицкий И.Б. Линейные электрические цепи (продолжение). Нелинейные цепи. М.: Энергия, 1972. -200 с.

62. Торнуев Ю.В. и др. Электрический импеданс биотканей. — М.: Изд-воВЗПИ, 1990.- 155 с.

63. Тьюарсон, Р. Разряженные матрицы Р. Тьюарсон. М: Мир, 1977. 146с.

64. Уидроу Б., Стирнз С. Адаптивная обработка сигналов: Пер. с англ. -М.: Радио и связь, 1989. 440 с

65. Уоссермен, Ф. Нейрокомпьютерная техника: теория и практика Ф. Уоссермен. М.: Мир, 1992. 307 с.

66. Уэбб С. (ред.) Физика визуализации изображений в медицине. Т. 1, 2. М.: Мир, 1991 (пер. с англ.).

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

68. Хайтун, Д. Наукометрия. Состояние и перспективы Д. Хайтун. М.:Наука,1983.-121с.

69. Цветков A.A. Исследования биоимпедансного метода и разработка аппаратуры для измерения региональных объемов жидкости и крови у человека: дисс. .канд.тех.наук. -М:1985.

70. Четыркин, Е.М. Статистические методы прогнозирования Е.М. Четыркин. М.: Прогресс, 1970. 247 с.

71. Швагер, Д. Технический анализ. Полный курс Д. Швагер. М: Альпина, 2007. 805 с.

72. Шван Х.П., Фостер K.P. Воздействие высокочастотных полей на биологические системы: Электрические свойства и биофизические механизмы // ТИИЭР. 1980. Т. 68, № 1. С. 121-132.

73. Электро-химический импеданс / З.Б. Стойнов, Б.М. Графов, Б.Н. Савова-Стойнова, В.В. Елкин М.: Наука, 1991. - 336 с.

74. Bernard, W. 30 Years of Adaptive NeuralNetworks: Perceptron, Madaline, and Backpropagation W. Bernard, A. Michael Artificial Neural Networks: Concepts and Theory. IEEE Computer Society Press. 1992. P. 327-354.

75. Bottou, L. Large scale online learning L. Bottou, Y. LeCun Advances in Neural Information Processing Systems 16. MIT Press. 2004. P. 217-224.

76. Br J Biomed Sci. 2002; 59 (4) :223-7

77. Buchstaber, V.M. Time Series Analysis and Grassmannians V.M. Buchstaber. Amer. Math. Soc. TransL, 1994. 162 p.

78. Carithers RL Jr, Marquardt A, Gretch DR. Diagnostic testing for hepatitis C. Semin Liver Dis 2000; 20:159-171.

79. Charles C.J.Wo, C.Shoemaker. Noninvasive estimations of cardiac output and circulatory dynamics in critically ill patients, Critical Care Medicine, 1995

80. Cohen, A. Wavelets on the Interval and Fast Wavelet Transforms/ I. Daubechies, P. Vial Aplied and Computational Harmonic Analysis 1. 1993. P. 5481.

81. Colebrook, J.M. Continuous plankton records zooplankton and environment, northeast Atlantic and North Sea/ J.M. Colebrook Oceanol. Ada 1, 1978. P. 9-23.

82. Daubechies. I. Orthonormal Bases of Compactly Supported Wavelets/ I. Daubechies Comm. Pure. Apl. Math. 1998. Vol. 41, 3. P. 909-996.

83. Eisner J.B. Singular Spectrum Analysis. J.B. Eisner, A.A. Tsonis. A New Tool in Time Series Analysis. New York and London: Plenum Press, 1996. 164 p.

84. Ellis K.J. Human body composition: in vivo methods // Physiol. Rev. 2000.V. 80, .2. P. 649-680.

85. Finegan JA, Quarrington BJ, Hughes HE, Mervyn JM, Hood JE, Zacher JE, Boyden M. Child outcome following mid-trimester amniocentesis: development, behaviour, and physical status at age 4 years // Br J Obstet Gynaecol. 1990. V.97, №1. P.32^0.

86. Foster BJ, Leonard MB. Measuring nutritional status in children with chronic kidney disease // Am J Clin Nutr. 2004. V.80, №4. P.801-14.

87. Fuller N.J., Dewit O., Wells J.C. The potential of near infra-red interactance for predicting body composition of children // Eur. J. Clin. Nutr. 2001. V. 55,№ 11. P. 967-972.

88. Geddes L.A., Baker L.E. Principles of applied biomedical instrumentation. N.Y.: Wiley, 1975. 616p.

89. Geddes L.A., Baker L.E. The specific resistance of biological material a compendium of data for the biomedical engineer and physiologist // Med. Biol. Eng. 1967. V. 5.P. 271-293.

90. Golyandina, N. Analysis of Time Series Structure: SSA and Related Techniques N. Golyandina, V. Nekrutkin, A. Zhigljavsky. London: Chapman Hall/CRC, 2001.305 p.

91. Grimnes S. Bioimpedance and bioelectricity basics /S. Grimnes, O.G.Martinsen. Academic Press,2000, - 360pp.

92. Janssens V., Thys P., Clarys J.P., Kvis H., Chowdhury B., Zinzen E., Cabri J. Postmortem limitations of body composition analysis by computed tomography // Ergon. 1994. V. 37, № 1. P. 207-216.

93. Keppenne, C.L. Adaptive spectral analysis and prediction of the Southern Oscillation Index C.L. Keppenne, M. Ghil J. Geophys. Res. -1992. 97.-P. 49-54.

94. Kharintsev S.S., Nigmatullin R.R., Salakhov M.Kh. JQSRT. -2000. -V.54, N.5. -P. 164

95. Lagaris, I.E. Artificial Neural Networks for solving Ordinary and Partial Differential Equations I.E. Lagaris, A. Likas, D.I. Fotiadis IEEE Press. New York. 1993. 2. P. 29-32.

96. Lindley E, Devine Y, Hall L, Cullen M, Cuthbert S, Woodrow G, Lopot F. A ward-based procedure for assessment of fluid status in peritoneal dialysis patients using bioimpedance spectroscopy // Perit Dial Int. 2005. V.25, Suppl 3. P.S46-8.

97. Lukaski H. Methods for the assessment of human body composition: traditional and new//Am. J. Clin. Nutr. 1987. V. 46, .4. P. 537-556.

98. Martinez F.S. Towards Wearable Spectroscopy Bioimpedance Applications: PowerManagement for a Battery Driven Impedance Meter// University of Boras School of Engineering BORAS. 2009 P.74.

99. Minghai QU, Yujian Zhang, Jong G.Webster and Willas J.Tompkins. Motion artifact from spot and band electrodes during impedance cardiography. Transactions on biomedical engineering.Vol.33. N11,1986

100. Muller B., Neural Networks. An introduction Muller B., Reinhardt J. Berlin: Springer-Verlag, 1991.-266 p.

101. Neural Network Toolbox Users Guide H. Demuth, M. Beale, D. Farmer, R. Shaw. -Natick: Math Works Inc, 1997. 700 p.

102. Nicander I. Electrical impedance related to experimentally induced changes of human skin and oral mucosa. Stockholm: Repro Print AB, 1998.

103. Organ L.W., Bradham G.B., Gore D.T., Lozier S.L. Segmental bioelectrical impedance analysis: theory and application of a new technique // J. Appl.Physiol. 1994. V. 77. P. 98-112.

104. Ott M., Lembcke B., Fischer H., Jager R. et al. Early changes of body composition in human immunodeficiency virus-infected patients: tetrapolar body impedance analysis indicates significant malnutrition // Am. J. Clin. Nutr. 1993. V. 57, .l.P. 15-19.

105. Pawlotsky JM, Lonjon I, Hezode C, Raynard B, Darthuy F, Remire J, Soussy CJ, et al. What strategy should be used for diagnosis of hepatitis C virus infection in clinical laboratories? Hepatology 1998; 27:1700-1702.

106. Pawlotsky JM. Use and interpretation of virological tests for hepatitis C. Hepatology 2002; 36(suppl 1):S65-S73.

107. Riedmiller, M. A Direct adaptive method for faster backpropagation learning: The RPROP algorithm M. Riedmiller, H. Braun Proc. 1th Intl. Conf. Neural Information Processing. San Francisco. 1993. P. 34-42.

108. Sarhill N, Mahmoud FA, Christie R, Tahir A. Assessment of nutritional status and fluid deficits in advanced cancer // Am J Hosp Palliat Care. 2003. V.20, №6. P.465-73.

109. Sauer, T. Time Series Prediction Using Delay Coordinate Embedding, in: Time Series Prediction: Forecasting the Future and Understanding the Past T. Sauer, A.S.Weigend, N.A.Gershenfeld Addison-Wesley. -1993. Ill 23. P 236-273.

110. Saunders CE. The use of transthoracic electrical bioimpedance in assessing thoracic fluid status in emergency department patients // Am J Emerg Med. 1988. V.6, №4. P.337-40.

111. Schwenk A, Schlottmann S, Kremer G, Diehl V, Salzberger B, Ward L. Fever and sepsis during neutropenia are associated with expansion of extracellular and loss of intracellular water // Clin Nutr. 2000. V.19, №1. P.35^11.

112. Schwenk A., Beisenherz A., R.omer K., Kremer G. et al. Phase angle from bioelectrical impedance analysis remains an independent predictive marker in

113. HIV-infected patients in the era of highly active antiretroviral treatment //Am. J. Clin. Nutr. 2000. V. 72, .2. P. 496-501.

114. Smetnev,. A.S. Late venricular potentials comparative value of time domain analysis and spectro-temporal mapping A.S. Smetnev, B.B. Kulambaev, D.Y. Akasheva. XXIII international congress in electrocardiology. Book of abstracts, 1992.-104 p.

115. Svensen C, Ponzer S, Hahn RG. Volume kinetics of Ringer solution after surgery for hip fracture // Can J Anaesth. 1999. V.46, №2. P. 133-41.

116. Swanson, N.R. Foiecasting Economic Time Series Using Flexible versus Fixed Specification and Linear versus Nonlinear Econometric Models N.R. Swanson, H. White International Journal of Forecasting. 1997. Vol. 13. P 439-461.

117. United States Patent. System and method of impedance cardiography and heartbeat determination. Xiang Wang, Hun H.Sun,1994

118. Veale WN Jr, Morgan JH, Beatty JS, Sheppard SW, Dalton ML, Van de Water JM. Hemodynamic and pulmonary fluid status in the trauma patient: are we slipping? // Am Surg. 2005. V.71, №8. P.621-6.

119. Wilson, D.R. The need for small learning rates on large problems D.R. Wilson, T.R. Martinez Proc. Int. Joint Conf. Neural Networks (IJCNN2001), Washington, DC, USA. 2001. P.I 15-119.i

120. Zurada, J.M. Computational Intelligence: Imitating Life J.M. Zurada, R. J. Marks, C. J. Robinson (red) IEEE Press. New York. 1994. 2 6. P. 45-48.1. УТВЕРЖДАЮ:

121. Первый проректор проректор -. по учебной работе Юго-Западного государственногоуниверситета, д.т.н., профессор1. Кудряшов Е.А.cei%> 2011г.1. АКТо внедрении результатов диссертационной работы Кассима Кабуса Дерхима

122. Али «Метод, модели и технические средства для неинвазивного анализа биоматериалов на основе многочастотной импедансометрии и нейросетевогомоделирования»

123. Начальник учебно-методического1. Романченко A.C.1. Шаталова О.В.1. Кореневский H.A.-Л • -«Утверждаю»í Г;1авнь^^п2ЙШУЗ Октябрьская ЦРБ Уу" . Мишин Н.Е.2011г.1. АКТоб использовании предложения

124. Авторы внедрения: Кассима Кабуса Дерхима Али Источник предложения:

125. Объект внедрения (методика, способ, описание)

126. Практическое использование результатов научных исследований позволяет:- в ходе профилактических обследований для скрининговой диагностики инфекционных и онкологических заболеваний. '

127. Зав. отделения терапии МУЗЖтябрьская ЦРБ1. В.Н. Пыжову