автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Нейросетевые алгоритмы распознавания результатов акустической спирометрии

ОГЛАВЛЕНИЕ.

СПИСОК ИСПОЛЬЗУЕМЫХ В РАБОТЕ СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. СОСТОЯНИЕ ВОПРОСА И ЗАДАЧИ ИССЛЕДОВАНИЯ.

1.1 ОБЗОР МЕТОДОВ, ПРИМЕНЯЕМЫХ ДЛЯ АНАЛИЗА ФУНКЦИИ ДЫХАНИЯ.

1.1.1 ОПРЕДЕЛЕНИЕ ОТКЛОНЕНИЙ ФУНКЦИОНИРОВАНИЯ ДЫХАТЕЛЬНОЙ СИСТЕМЫ С ИСПОЛЬЗОВАНИЕМ ГРАФИКОВ ПОТОК-ОБЪЕМ.

1.2 СОВРЕМЕННЫЕ СПОСОБЫ И СРЕДСТВА СПИРОМЕТРИИ.

1.3 МЕТОД АКУСТИЧЕСКОЙ СПИРОМЕТРИИ.

1.4 АНАЛИТИЧЕСКИЕ МЕТОДЫ, ПРИМЕНИМЫЕ ДЛЯ РАСПОЗНАВАНИЯ РЕЗУЛЬТАТОВ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ.

1.5 КРИТЕРИИ КАЧЕСТВА МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ.

ВЫВОДЫ ПО ГЛАВЕ 1.

ГЛАВА 2. ОБЗОР СОВРЕМЕННЫХ НЕЙРОСЕТЕВЫХ МЕТОДОВ РАСПОЗНАВАНИЯ МНОГОМЕРНЫХ ДАННЫХ.

2.1 СРАВНИТЕЛЬНЫЙ АНАЛИЗ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА РЕЗУЛЬТАТОВ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ.

2.2 ЭВРИСТИЧЕСКИЕ АЛГОРИТМЫ ПОИСКА СТРУКТУРЫ СЛОИСТОЙ НЕЙРОННОЙ СЕТИ.

2.2.1 ОБЗОР МОДЕЛЕЙ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ.ДЛЯ ПОСТРОЕНИЯ НЕЙРОННОЙ СЕТИ, РАСПОЗНАЮЩЕЙ СПЕКТРЫ.СПИРОМЕТРИИ.

2.2.2 СТРАТЕГИИ ОТБОРА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ РАСПОЗНАВАНИЯ РЕЗУЛЬТАТОВ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ

2.2.3 ОБЗОР МЕТОДОВ ПРЕДСТАВЛЕНИЙ СЛОИСТЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ СПИРОМЕТРИЧЕСКИХ СПЕКТРОВ.

ВЫВОДЫ ПО ГЛАВЕ 2.

ГЛАВА 3. ПОСТРОЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА РЕЗУЛЬТАТОВ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ.

3.1 РАЗРАБОТКА НЕЙРОННОЙ СЕТИ КОХОНЕНА ДЛЯ АНАЛИЗА РЕЗУЛЬТАТОВ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ.

3.2 ОПИСАНИЕ ЭЛЕМЕНТОВ НЕЙРОННЫХ СЕТЕЙ РАДИАЛЬНОГО БАЗИСА ДЛЯ ПОСТРОЕНИЯ ВЕРОЯТНОСТНОЙ СЕТИ, РАСПОЗНАЮЩЕЙ СПИРОМЕТРИЧЕСКИЕ ДАННЫЕ.

3.3. РАЗРАБОТКА СЛОИСТОЙ НЕЙРОННОЙ СЕТИ С УЧИТЕЛЕМ БЕЗ ОБРАТНЫХ СВЯЗЕЙ ДЛЯ РАСПОЗНАВАНИЯ РЕЗУЛЬТАТОВ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ

3.4 РАЗРАБОТКА ОПЕРАЦИЙ СИНТЕЗА НЕЙРОННЫХ СЕТЕЙ С УЧИТЕЛЕМ БЕЗ ОБРАТНЫХ СВЯЗЕЙ ДЛЯ РАСПОЗНАВАНИЯ РЕЗУЛЬТАТОВ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ.

3.4.1 ПРЕДСТАВЛЕНИЕ СТРУКТУРЫ НЕЙРОННОЙ СЕТИ ДЛЯ АНАЛИЗА СПИРОМЕТРИЧЕСКИХ СПЕКТРОВ.

3.4.2 РАЗРАБОТКА ОПЕРАЦИЙ МУТАЦИИ ДЛЯ СИНТЕЗА НЕЙРОСЕТЕВОЙ МОДЕЛИ, РАСПОЗНАЮЩЕЙ РЕЗУЛЬТАТЫ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ.

3.4.3 РАЗРАБОТКА ОПЕРАЦИИ КРОССОВЕРА ДЛЯ КОЛЛЕКТИВА СЕТЕЙ С ПОВТОРНЫМ ОБУЧЕНИЕМ ДЛЯ СИНТЕЗА НЕЙРОСЕТЕВОЙ МОДЕЛИ, РАСПОЗНАЮЩЕЙ РЕЗУЛЬТАТЫ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ.

3.4.4 РАЗРАБОТКА ОПЕРАЦИЙ КРОССОВЕРА С ДОБАВЛЕНИЕМ НАДСТРАИВАЕМОЙ НЕЙРОСЕТЕВОЙ СТРУКТУРЫ ДЛЯ СИНТЕЗА НЕЙРОСЕТЕВОЙ МОДЕЛИ РАСПОЗНАВАНИЯ РЕЗУЛЬТАТОВ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ.

3.4.5 ЭВОЛЮЦИОННЫЙ АЛГОРИТМ СИНТЕЗА МНОГОСЛОЙНОЙ НЕЙРОННОЙ СЕТИ, РАСПОЗНАЮЩЕЙ СПИРОМЕТРИЧЕСКИЕ СПЕКТРЫ.

ВЫВОДЫ ПО ГЛАВЕ 3.

ГЛАВА 4. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

ДЛЯ АНАЛИЗА РЕЗУЛЬТАТОВ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ.

4.1 ПРИМЕНЕНИЕ САМООРГАНИЗУЮЩИХСЯ НЕЙРОННЫХ СЕТЕЙ КОХОНЕНА ДЛЯ КЛАСТЕРИЗАЦИИ СПИРОМЕТРИЧЕСКИХ ДАННЫХ.

4.1.2 ПРИМЕНЕНИЕ КОЛЛЕКТИВА САМООРГАНИЗУЮЩИХСЯ НЕЙРОННЫХ СЕТЕЙ КОХОНЕНА ДЛЯ КЛАССИФИКАЦИИ

4.3 ПРИМЕНЕНИЕ МНОГОСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ

СПИРОМЕТРИЧЕСКИХ ДАННЫХ.

4.2 ПРИМЕНЕНИЕ ВЕРОЯТНОСТНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ РЕЗУЛЬТАТОВ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ

РЕЗУЛЬТАТОВ АКУСТИЧЕСКОЙ СПИРОМЕТРИИ

4.4 АНАЛИЗ РЕЗУЛЬТАТОВ

ВЫВОДЫ ПО ГЛАВЕ

Актуальность работы. Увеличение добычи угля сопровождается интенсивным пылевыделением в выработки. Угольная промышленность занимает первое место по числу ежегодно вновь выявляемых профессиональных заболеваний в России. В структуре профессиональной патологии доля заболеваний, обусловленных вредным воздействием пыли, занимает одно из первых мест. Это вызвано тем, что горнорабочие ежедневно подвергаются воздействию вредных и опасных факторов производства, в том числе пыли. В связи с этим применение средств мониторинга и экспресс-оценки состояния органов дыхания горнорабочих является неотъемлемой частью комплекса мероприятий по предупреждению заболеваний пылевой этиологии.

Таким образом, становится очевидной важность выбора критериев контроля уровня воздействия пылевого фактора на дыхательную систему, которые должны включать не только определение концентраций пыли в воздухе рабочих зон, но и оперативную и достоверную оценку состояния органов дыхания - т.е. оценку пылевых нагрузок, имеющих решающее значение в развитии пылевой патологии легких.

В связи с изложенным можно говорить, что исследования, направленные на распознавание признаков профзаболеваний пылевой этиологии, основанные на анализе дыхания при помощи информативных средств спирометрии для снижения вероятности возникновения заболевания, являются актуальными.

Цель работы состоит в создании экспресс-метода распознавания признаков нарушений в системе внешнего дыхания человека, работающего в запыленной среде, с конечной целью снизить вероятность возникновения профессионального заболевания.

Идея работы заключается в применении нейросетевых алгоритмов для анализа спектров дыхания, полученных с помощью акустического спироанализатора.

Научные положения, разработанные лично соискателем, и их новизна:

• Математическая формализация спектральных портретов дыхательных . процессов, представляющая собой нейросетевой вариант проекции многомерных спирометрических данных в пространство более низкой размерности, позволяет выявить выраженную кластерную структурированность спектрограмм. При этом два их подмножества можно отнести к здоровым, одно к пораженным органам дыхания.

• Прямоточная слоистая нейросетевая модель, позволяющая отличать спектрограммы с вероятностью 73% для обследованных здоровых и 72% для больных, состоит из пяти слоев, имеет 9 нейронов в первом слое, 6 во втором, 2 в третьем, 3 в четвертом, 1 в пятом.

• Анализ результатов математического моделирования нейронной сети позволяет выявить выраженный минимум в области 10-150 Гц в 52% случаев нарушения функции дыхания.

• Участки спектра форсированного выдоха, позволяющие распознавать нарушения функции дыхания программно-аналитическим методом, достигают 74% протяженности всего спектра. При этом вероятность верного распознавания признаков нарушений составляет 72.5%.

Обоснованность и достоверность научных положений, выводов и рекомендаций подтверждаются:

• удовлетворительной сходимостью результатов расчетов и натурных исследований (вероятность распознавания нарушений функции дыхания достигает 92 %);

• объемом экспериментальных исследований (более 90 спирометрических кривых);

• корректным использованием в проведенных исследованиях методов теории распознавания образов, теории многофакторной оптимизации, теории нейронных сетей и др., а также положительными результатами экспериментального моделирования разработанного пакета прикладных программ и положительными результатами промышленных испытаний.

Научное значение работы состоит в установлении зависимости между спектральными портретами дыхания (спектрами акустической спирометрии) и признаками поражения дыхательной системы, а также в разработке методики распознавания данных акустической спирометрии для выявления признаков профзаболеваний пылевой этиологии.

Практическое значение работы заключается в разработке аналитических методов выявления нарушений функции дыхания средствами спироанализа, основанных на акустическом принципе, что позволяет повысить эффективность их применения и снизить риск поражения органов дыхания шахтеров; в создании программного комплекса (пакета прикладных программ) распознавания результатов акустической спирометрии на базе разработанных нейросетевых моделей.

Реализация работы. Исследования диагностических возможностей метода и прибора проведены на базе Центра профпатологии в г. Шахты Ростовской области, при содействии главврача центра д.м.н. Пиктушанской И.Н., а также заведующих отделениями функциональной диагностики Кутового В.И. и выездной комиссии Фисенко В.И. Результаты исследований используются в учебном процессе Московского государственного горного университета в курсе «Интеллектуальные информационные системы» для подготовки бакалавров и специалистов по направлению 230200 «Информационные системы» специальности 230201 «Информационные системы и технологии».

Апробация работы. Основные положения и результаты работы докладывались на II международной научно-практической конференции "Исследование, разработка и применение высоких технологий в промышленности" (2006 г.), научных симпозиумах «Неделя горняка» (2003, 2004, 2005 гг.), научных семинарах кафедры «Электротехника и информационные системы» МГГУ (2004, 2005 гг.), на семинарах научной группы «Псигма» и в «Институте социальных инициатив» (2006 г.). Публикации. По теме диссертации опубликовано 6 научных работ. Структура и объем диссертации. Диссертация состоит из 4 глав, 6 приложений, 15 таблиц, 57 рисунков, список использованных источников из 118 наименований.

ВЫВОДЫ ПО ГЛАВЕ 4

1. Кластер-анализ показал, что здоровые люди имеют в целом более разнообразные спектры форсированного выдоха, чем больные. Было выявлено, что здоровые люди формируют два основных кластера, которые характеризуются разнообразием гармоник, в то время как больные формируют один кластер, характеризующийся небольшим разнообразием;

2. В разработанной нейросетевой модели Кохонена интеграл центра кластеризации больных меньше интегралов центров кластеризации здоровых обследованных;

3. Применение коллектива нейросетей Кохонена позволило повысить вероятность распознавания, однако в ряде случаев этот метод не способен отнести спектр ни к какому классу. Для таких случаев целесообразно применить одиночную сеть Кохонена, либо разработанную нейронную сеть слоистой структуры;

4. Благодаря использованию для распознавания спектров объемного потока дыхания и отлаженной нейронной технологии, реализованной в корректно спроектированном и обученном коллективе сетей с самоорганизацией, стало возможным обеспечить в реальных условиях распознавание признаков профзаболеваний с вероятностью до 92 %;

5. Разработан нейросетевой классификатор, позволяющий по результатам спектрального анализа выдоха распознавать наличие признаков профессиональных заболеваний органов дыхания. На основе разработанного в главе III эволюционного алгоритма синтеза нейронной сети были получены сети, вероятность нейросетевого диагностирования которых составила 99.5% для состава 2 и 73.5% для состава 1;

6. Исходя из свойств синтезированной нейронной сети, был вычислен набор составляющих частот спектра дыхания, несущий в себе информацию о наличии или отсутствии профессиональных заболеваний исследованных лиц.

В диссертационной работе представлено теоретическое и практическое решение актуальной научной задачи - разработки нового подхода к профилактике профессиональных заболеваний горнорабочих, заключающегося в использовании акустической спирометрии для спектрального анализа процесса дыхания и нейросетевых алгоритмов для обнаружения на ранних стадиях признаков патологий в получаемых спектрах.

Основные научные и практические результаты работы, полученные лично соискателем, заключаются в следующем:

• Разработана классификационная слоистая нейросетевая модель, обнаруживающая признаки профзаболевания дыхательной системы горнорабочих по результатам акустической спирометрии;

• Разработаны нейросетевые операции кроссинговера слоистых искусственных нейронных сетей без обратных связей для синтеза нейронной сети, распознающей спектры акустической спирометрии;

• На основе разработанных нейросетевых операций предложен алгоритм синтеза слоистой нейронной сети с учителем, распознающей спектры акустической спирометрии;

• Определен набор частот в спектральной характеристике выдоха, содержащий информацию о поражении органов дыхания;

• В целях кластеризации спирометрических медицинских данных в рамках исследовательской работы на базе Центра профессиональной патологии в г. Шахты Ростовской области была разработана нейросетевая модель Кохонена. В результате было произведено разбиение спектров на кластеры и получено графическое представление центров кластеров. Удалось классифицировать и найти типовые усредненные характеристики кластеров для их дальнейшего исследования;

• Получена информация о форме и расположении кластеров спектральных паттернов больных и здоровых горнорабочих, которая позволяет выявлять признаки нарушений в дыхании с вероятностью до 92%;

• Разработан пакет прикладных программ диагностики профзаболеваний органов дыхания по результатам акустической спирометрии, позволяющий учитывать динамику риска проф. заболеваемости.

Выработанная методика позволяет с помощью акустического спироанализатора, теста ФЖЕЛ (форсированная жизненная емкость легких) и нейронных сетей выявлять признаки нарушения функционирования дыхательной системы. Внедрение комплекса нейросетевых технологий позволит управлять риском развития профессиональных заболеваний пылевой этиологии у работников предприятий горнодобывающей промышленности и будет способствовать раннему выявлению и своевременному лечению профессиональных заболеваний.

1. Айсанов З.Р., Кокосов А.Н., Овчаренко С.И., Хмелькова Н.Г., Цой А.Н., Чучалин А.Г., Шмелев Е.И. Хронические обструктивные болезни легких. Федеральная программа. М.: Consilium Medicum Том 2/N 1/2000

2. Алгоритмы и программы восстановления зависимостей / Под редакцией В.Н. Вапника. М.: Наука, Главная редакция физико-математической литературы, 1984. -816с.

3. Васильев В.И. Распознающие системы: Справочник. К.: Наукова думка, 1983. -230 с.

4. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. -Харьков: ОСНОВА, 1997. 107 с.

5. Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974;

6. Галушкин А.И., Судариков В.В., Шабанов Е.В. Нейроматематика: методы решения задач на нейрокомпьютерах. // Математическое моделирование, № 8. М.:Наука, 1971;

7. Галушкин А.И., Фомин Ю.И. Нейронные сети, как линейные последовательностные машины. М.: МАИ, 1991

8. Геппе Н.А., Малышев B.C., Лисицын М.Н., Селиверстова Н.А., Поденова Т.А. Бронхофонография в комплексной диагностике бронхиальной астмы у детей // Пульмонология. 2001, Т. 11, № 2

9. Гилев С.Е. Обучение нейронных сетей: Методы, алгоритмы, тестовые испытания, примеры приложения //Дисс. канд. физ.-мат.наук. Красноярск: КГТУ, 1997.- 187 с.

10. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация: Пер. с англ. М.: Мир, 1985.- 509 с.

11. Горбань А.Н. Обучение нейронных сетей. М.: изд. СССР-США СП "ParaGraph", 1990.-160 с.

12. Горбань А.Н., Россиев Д.А. Нейронные сети на персональных компьютерах. Н.: Наука, 1996.-276 с.

13. Горбань А.Н., Дунин-Барковский B.JI., Кирдин А.Н., Миркес Е.М., Новоходько А.Ю., Россиев Д.А., Терехов С.А., Сенашова М.Ю., Царегородцев В.Г. Нейроинформатика. Новосибирск: Наука, 1998

14. Горбань А.Н., Миркес Е.М., Сиротинипа Н.Ю. Нейроинформатика. Красноярск, 2003

15. Горелик А.Л., Скрипкин В.А. Методы распознавания. Изд.2. М.: Высшая школа, 1984.-219 с.

16. П.Гришин О.В., Грошев Д.Е., Кузминский A.IO. и др. Особенности спиротахоанализатора ЭЛЬФ ЛАСПЕК-01 // Мед. техника. 1997. № 6. С. 42-43.

17. Дегтярев Ю.И. Методы оптимизации. Учебное пособие. М.: Советское радио, 1980

18. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер. с англ. (Вайнштейн Г.Г., Васьковский A.M.), Мир, 1978 г. 510 с.

19. Думбай В.Н., .Бугаев К.Е «Физиологические основы валеологии труда и спорта» Учебное пособие для студентов высших учебных заведений под редакцией Г.А.Кураева Ростов-на-Дону 2002

20. Дюк В.А. Компьютерная психодиагностика. СПб.: Братство, 1994. - 365 с.

21. Зайченко Ю.П. Модели и методы распознавания образов на основе статистической теории принятия решений http://www.i2.com.ua/.

22. Ивахненко А.Г. Персептрон система распознавания образов. - Киев: Наукова Думка, 1975

23. Каллан Р. Основные концепции нейронных сетей. М.: Издательский дом "Вильяме", 2001

24. Калманова Е.Н. Исследование респираторной функции у больных легочными заболеваниями // http://www.medlinks.ru/ 2003

25. Кольцов Н.А. Научная организация труда. М.: Высш. шк., 1983

26. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. -М.: Горячая линия Телеком, 2001

27. Кузин Л.Т. Основы кибернетики: Основы кибернетических моделей. Т.2. М.: Энергия, 1979.-584 с.

28. Лопата В.А. О выборе рациональных размеров сужающих устройств тахоспирометрических преобразователей//Мед. техника. 1991. № 1.С. 14-16.

29. Лопата В.А., Сахно Ю.Ф. Многоуровневая система спирометрической аппаратуры // "Функциональная диагностика" №2, декабрь 2003. С. 31-33.

30. Лопата В.А., Островский О.И., Эльози X. Оценка функциональных характеристик флоуспирометрических преобразователей расхода воздуха. Междунар. конф. по биомедицинскому приборостроению БИО-МЕДПРИБОР-98: Тез. докл. М., 1998. С. 210-211.

31. Малышев B.C., Ардашникова С.Н., Каганов С.Ю. и др. Способ регистрации дыхательных шумов. Пат. РФ № 5062396. Бюл. изобрет. 1995; № 18

32. Малышев B.C., Дементьева Г.М., Рюмина И.И. и др. Компьютерный диагностический комплекс «Pattern». В кн: Тезисы докл. Международной науч.-техн. конф. «Физика и радиоэлектроника в медицине и биотехнологии» Владимир, 1996. 36-37 с.

33. Манов Н.А., Чукреев Ю.Я, Успенский М.И.и др. / Новые информационные технологии в задачах оперативного управления электроэнергетическими системами Екатеринбург: УрО РАН, 2002. С. 6 - 42.

34. Марчук Г. И., Бербенцова Э. П. // Хронический бронхит. Иммунология, оценка тяжести, клиника, лечение. М.: Ред. журнала Успехи физиологических паук. -1995.479 с.

35. Медведев В., Потемкин В. "Нейронные сети. MATLAB 6". М.: Диалог-МИФИ. 2002.

36. Методы нейроинформатики. Сборник научных трудов под редакцией доктора физико-математических наук А.Н.Горбаня. Красноярск, КГТУ, 1998

37. Мирный Б.И. Спирометрия: турбинный датчик против пневмотахометра. 1999 http://www.eurotech.ru Сайт компании доступ 10.11.05

38. Моррис У. Наука об управлении. Байесовский подход. М.: Мир, 1971.282 с.

39. Никитенко Е. А. Прогноз динамики риска заболеваемости шахтеров пневмокониозом в зависимости от темпов проходки горных выработок. // Дисс. канд. тех.наук. Москва: МГГУ, 2005.- С. 9.

40. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика 2004

41. Пасько Е. Н. Хронический обструктивный бронхит. Харьковский национальный университет им. В.Н. Каразина // Медицинский информационный портал http://www.medicusamicus.com

42. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989.-367 с.

43. Поляк Б.Т. Введение в оптимизацию. М. Наука, 1983. - 384 с.

44. Руководство по клинической физиологии дыхания / Под ред. J1. Л. Шика и Н. Н. Канаева. Л.: Медицина, 1980. - 375 е.: ил.

45. Симахин В.А., Кашинцев А.В. Кластеризация медицинских данных с помощью нейросетей. // Курганский государственный университет, г. Курган http://vAvw.kurgan-city.ru/confl /simahin 1 .html

46. Тархов Д.А. Нейронные сети. Модели и алгоритмы. Кн. 18. М.: Радиотехника, 2005.-256с.

47. Темников Ф.Е., Афонии В.А., Дмитриев В.И. Теоретические основы информационной техники. М.: Энергия, 1979. - 511с.

48. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. М.: Мир, 1978.-410 с.

49. Уинстон П. Искусственный интеллект: Пер. с англ. -М.: Мир, 1980. 520 с.

50. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.

51. Фу К. Структурные методы в распознавании образов: Пер.с англ. М.: Мир, 1977. - 320 с.

52. Хомич А.В., Жуков JI.A. Оптимизация на основе эволюции с отбором по величине приращения приспособленности // Моделирование неравновесных систем: Материалы VII Всероссийского семинара, 8-10 октября 2004 г. / ИВМ СО РАН, Красноярск, 2004. С. 180-183

53. Хомич А.В., Жуков JI.A. Оптимизация топологии рекуррентных и многослойных нейронных сетей с применением генетических алгоритмов. // Нейроинформатика -2004: Сборник научных трудов. ч.2. - М.: МИФИ, 2004.-С.68-74.

54. Хомич А.В., Степанян И.В., Карпишук А.В. Диагностика хронического пылевого бронхита по данным акустической спирометрии с применением блочных нейронных сетей // Информационные процессы Том 5, №5, 2005 С. 405-413

55. Хронические обструктивные болезни легких. Федеральная программа.// Рус. мед. журн. Том 9, №1,2001.

56. Хронические обструктивные болезни легких. Федеральная программа. Клиническая картина. Диагностика. Дифференциальный диагноз // Медицинский информационный портал http://www.medicusamicus.com

57. Хронический обструктивный бронхит. Диагностика ХОБ http://www.medlinks.ru многопрофильный медицинский сервер

58. Царегородцев В.Г. Производство полуэмпирических Знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей // Библиотека NEiRONET RESEARCH GROUP http://neuronet.alo.ru Институт вычислительного моделирования СО РАН

59. Царегородцев В.Г. Упрощение нейронных сетей цели, идеи и методы // Нейрокомпьютеры. - 2002. -№ 4. - С. 5-13.

60. Цыганков В.Д. Нейрокомпьютер и мозг. М.: Синтег, 2001

61. Цыпкин Я.З. Основы информационной теории идентификации. М.: Наука, 1984. -520 с.

62. Шкундин С.З. Физико-техническое обоснование акустического контроля скоростей газовоздушных потоков в системах обеспечения безопасности шахт. // Дисс. докт. техн. наук Москва: МГИ, 1990.-312 с.

63. Шкундин С.З. Лашин В.Б. Фазовый способ акустической анемометрии. Метрология. 1990. №7 с.39-43.

64. Altenberg Lee. The Schema Theorem and Price's Theorem. In L. Darell Whitley and Michael D. Vose, editors, Foundations of Genetic Algorithms 3, Estes Colorado, USA, Morgan Kaufman, 1995. pp. 23-49

65. Balakrishan K., Honavar V. Evolutionary Design of Neural Architectures A Preliminary Taxonomy and Guide to Literature. Iowa State University, CS TR #95-01, 1995.

66. Barnes P., Godfrey S. Chronic Obstructive Pulmonary Disease. L., 1997.

67. Bishop, C. Neural Networks for Pattern Recognition. Oxford: University Press, 1995

68. BTS guidelines for the management of chronic obstructive pulmonary disease // Thorax. 1997. V. 5. Suppl. SI.

69. Cabanac M., White MD. Core temperature thresholds for hyperpnea during passive hyperthermia in humans. // Eur J AppI Physiol Occup Physiol. 1995;71(1 ):71-6.

70. Dalmay F., Antonini M. Т., Marquet P., Menier R, Acoustic proprieties of normal chest. Eur. Respir. J. 1995; 8: 1761-1769.

71. Dertouzos M, Threshold logic. A synthesis Appro ach. MIT Press, 1965. Русский перевод: М.Дертоузос. Пороговая логика. - М.:Мир, 1967;

72. Fahlman Scott Е. and Lebiere Christian. The Cascade-Correlation Learning Architecture. August 29, 1991 CMU-CS-90-100, School of Computer Science Carnegie Mellon University Pittsburgh, PA 15213

73. Garyard P., Orehek J., Grimaud C., Charpin C. Bronchoconstrictor effects of deep inspiration in patients with asthma //Amer Rev Respir Dis., 1975; 111: 433-9.

74. Global initiative for chronic obstructive lung disears, www.goldcopd.com.

75. Godfrey et al. Brit: J:Dis Chest 64.15,1970

76. Gomez F., Miikkulainen R. Incremental evolution of complex general behavior. // Adaptive Behavior. -1997. №5. - P. 317-342.

77. Grossberg S. The Adaptive Brain, T.1,2, Advances in psychology, 1987;

78. Gruau F. Genetic synthesis of Boolean neural networks with a cell rewriting developmental process. // Combination of Genetic Algorithms and Neural Networks, IEEE Computer Society Press, 1992.

79. Harp S.A., Samad Т., Guha A. Towards the genetic synthesis of neural networks. // Third international conference on genetic algorithms. San Mateo, CA: Morgan Kaufmann, 1989.-P. 360-369.

80. Holland John, Genetic Algorithms, Scientific American, July 1992, Vol. 267, No 1

81. Jacob C., Rehder J. Evolution of neural networks architectures by a hierarchical grammar based genetic system. //International Joint Conference on Neural Networks and Genetic Algorithms. Innsbruck, 1993. - P. 72-79.

82. Karthik Balakrishnan, Vasant Honavar Properties of genetic representations of neural architectures. 1995

83. Koehn P. Genetic Encoding Strategies for Neural Networks. University of Tennessee -Universitat Erlangen-Numberg, Erlangen, 1996.

84. Kohonen, T. Self-Organization and Associative Memory. 2nd ed. Berlin: Springer-Verlag.1987

85. Kohonen T. Self-Organization maps. 2nd ed. Berlin: Springer-Verlag.l997

86. Koza J. R., Rice J. P. Genetic generation of both the weight and architecture for a neural network. // International Joint Conference on Neural Networks. 1991. - Vol, 2, P. 397404.

87. Lampinen J., Kostiainen T. Self-organizing map in data analysis notes on overfitting and overinterpretation / Proc. European Symposium on Artificial Neural Networks (ESANN'2000), Bruges, Belgium, 2000. - pp.239-244.

88. J. Lampinen, J. Laaksonen, and E. Oja. Pattern recognition. In С. T. Leondes, editor, Image Processing and Pattern Recognition, volume 5 of Neural Network Systems Techniques and Applications, pages 1-59. Academic Press, 1998.

89. Law D., Miikkulainen R. Grounding Robotic Control with Genetic Neural Networks. Technical Report AI94-223. The University of Texas at Austin, 1994.

90. Minsky M., Papert S. Perceptrons. An introduction to computational geometry, MIT Press, 1969. Русский перевод: Минский M., Пайперт С. Персептроны. М., Мир, 1971;

91. Moody, J., Utans, J. Architecture Selection Strategies for Neural Networks: Application to Corporate Bond Rating Prediction, in: Neural Networks in the Capital Markets, Apostolos-Paul Refenes Ed. John Wiley & Sons, 1993,277-300;

92. Moriarty D. E., Miikkulainen R. Efficient reinforcement learning through symbiotic evolution. // Machine Learning. -1996. -№ 22. P. 11-32.

93. Nillson N.J. Leaning Machines. McGraw-Nill Book Company, 1965; Русский перевод: Нильсон H. Обучающиеся машины. М.: Мир, 1967;

94. Patterson, D. Artificial Neural Networks. Singapore: Prentice Hall, 1996

95. Puchkov L.A., Shkundin S.Z., oth. : The method of measurement of airgas flow velocity. Author's certificate #16822590,1991

96. Radcliffe N.J. Genetic Neural Networks on MIMD computers. Doctoral dissertation. University of Edinburgh, Edinburgh, England, 1990

97. Rechenberg I. Evolutionsstrategie: Optimierung technischer Systeme nach Prinzipien der Biologischen Information, Freiburg: Fromman, 1973.

98. Rosenblatt F. Principles of neurodynamics. Spartan Books, Washington, 1962. Русский перевод: Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1964.;

99. Schreur H.J. Vanderschoot J., Zwinderman A.H. et al. Abnormal lung sounds in patients whith astma during episodes with normal lung function. Chest 1994; 106: 91-99

100. Schwefel H. P. Numerical optimization of computer models. Chichester: Wiley, 1981.

101. Shapiro S.D. The pathogenesis of emphysema the elastase-antielastase hypothesis 30 years later // Proceedings of Assoc Amer Phys., 1995; 107: 346-52.

102. Siafakas N.M., Vermeire P., Pride N.B. et al. Optimal assessment and management of chronic obstructive pulmonary disease (COPD). A consensus statement of the European Respiratory Soiety (ERS) // Eur Respir J, 1995; 8: 1398-1420.

103. Stanley К. O., Miikkulainen R. Evolving Neural Network through Augmenting Topologies. Technical Report TR-AI-01-290. The University of Texas at Austin, 2001.

104. Stanley К., Miikkulainen R. Evolving Neural Topologies through Augmenting Topologies, Evolutionary Computation 10(2): 99-127, The MIT Press, 2002.

105. Tsoy. Y. R. The influence of population size and search time limit on genetic algorithm // Proceedings of 7-th Korean-Russian International Symposium on Science & Technology (KORUS 2003). University of Ulsan, Korea, 2003. P. 181-187.

106. Waitman L.R. Clarkson K.P. Barwise J.A. King P.H. Representation and classifcation of breath sounds recorded in an intensive care setting using neural networks // J Clin Monit 2000, 16. 95-105

107. Wasserman P.D. Advanced Methods in Neural Computing. New York: Van Nostrand Reinhold, 1993

108. Whitley D. Genetic Algorithms and Neural Networks, Genetic Algorithms in Engineering and Computer Science, pp: 203-216, 1995.

109. Yao X. Evolving articial neural networks. Proceedings of the IEEE, 87(9): 1423.1447,1999

110. Zhang B. and Muhlenbein H. Evolving optimal neural networks using genetic algorithms with Occam's razor. Complex Systems, 7:199.220, 1993.

111. Zumray Dokur, Tamer Olmez Classification of respiratory sounds by using an artificial neural network // International Journal of Pattern Recognition and Artificial Intelligence Vol. 17, No. 4 (2003) 567-580 . World Scientic Publishing Company