Scientific journal
International Journal of Applied and fundamental research
ISSN 1996-3955
ИФ РИНЦ = 0,593

Актуальность работы

Б процессе проводимого биоуправляемого игрового тренинга постоянно сохраняется не­обходимость оценить объективное состояние ведущих физиологических систем организ­ма пациента в режиме on line [1]. Особенно это актуально для испытуемых, включенных в контур компьютерной биологической обрат­ной связи. Б режиме биоуправления в соот­ветствии с целевой функцией реализуется по­стоянное сопоставление текущего состояния с разработанными заранее моделями.

Структура таких систем, включающая программное обеспечение, призвана обе­спечивать достаточную скорость анализа и обработки, как текущей электрофизиоло­гической информации, так и поступающей периодически. Таким образом, биотехни­ческая система игрового тренинга должна включать модуль диагностики. Этот модуль может оценивать исходное состояние ис­пытуемого, динамику мониторируемых по­казателей, отражающих степень активности автономной нервной системы и показатели эффективности после завершения тренинга [3,5,9].

Работа выполнена при поддержке проекта РНПВШ.2.2.3.3/4307 и в соответствии с пла­нами проблемной комиссии по хронобио­логии и хрономедицине РАМН и научным направлением медицинского факультета БелГУ «Разработка универсальных мето­дологических приемов хронодиагностики и биоуправления на основе биоциклических моделей и алгоритмов с использованием па­раметров биологической обратной связи».

Цель и задачи исследования

Оптимизация диагностических исследо­ваний по оценке успешности и эффективно­сти проводимого биоуправляемого игрового тренинга.

Для достижения поставленной цели необ­ходимо решить следующие задачи:

-   разработать общую структуру модуля диагностики на основе однослойных искус­ственных нейросетей;

-   разработать алгоритм классификации степени активности автономной нервной системы на основе парадигмы обучения нейронных сетей с учителем.

Методы исследования

Включают использование системного анализа с декомпозицией целей и функций разрабатываемой системы, моделированием рассматриваемых функциональных состоя­ний и степени активности автономной нерв­ной системы.

Основное содержание работы

Известно, что регулирование пара­метров, избранных для мониторинга при биоуправлении, в обычных условиях реализуется за счет сочетанной деятель­ности нескольких координирующих и пу­сковых иерархических систем. На основе информационного анализа нами ранее было разработано модельное представле­ние об иерархии регуляции частоты сер­дечных сокращений, включающей шесть режимов управления: 1) детерминиро­ванный, 2) квазидетерминированный, 3) гармонический, 4) квазигармонический, 5) квазистохастический, 6) стохастиче­ский. Математические модели, предложен­ные нами, позволяют, во-первых, выделить и прогнозировать динамику того или ино­го параметра, относящегося к механизмам регуляции ЧСС в условиях перманентного воздействия извне, а во-вторых, опреде­лить характер смены динамических режи­мов, а следовательно и функциональных состояний им соответствующих [2,4].

В задачах диагностики в режиме on-line целесообразно использовать быстрые ин­теллектуальные системы. К ним, прежде всего, относятся искусственные нейрон­ные сети (ИНС). Введение в современные компьютерные системы алгоритмов ней­ронных сетей, в свое время было пред­ложено Д. Хопфилдом (1986). Основные преимущества нейрокомпьютинга состо­ят, прежде всего, в высокой адаптивности алгоритмов распознавания, позволяющей осуществить дискриминацию бинарных (и более сложных) образов в реальном мас­штабе времени с высокой разрешающей способностью. В частности использова­ние искусственной нейронной сети позво­ляет разложить входной паттерн сигналов на основе ранее запомненных образов.

Конкретный вид выполняемого сетью преобразования данных обусловливается особенностями ее архитектуры, а именно топологией межнейронных связей, спосо­бами обучения сети, наличием или отсут­ствием конкуренции между нейронами, направлением и способами управления и синхронизации передачи информации между нейронами. Можно выделить три основные топологии ИНС - полно­связные, многослойные и слабосвязные. Многослойные нейронные сети делятся на монотонные сети, сети с обратными связями и без них.

Метод поставленной выше задачи клас­сификации уровней иерархии управляю­щих систем на основе диагностики степени активности вегетативной нервной системы может базироваться на моделировании од­нослойной сети прямого распространения с шестью нелинейными нейронами [7].

Перед использованием нейронной сети в режиме функционирования ее обучают ре­шению конкретной задачи. Парадигмы обуче­ния нейронных сетей разделяют на обучение с учителем и без него. Обучение с учителем предполагает, что для каждого входного век­тора из обучающей выборки эксперт опреде­ляет целевой выходной вектор [8].

Задача обучения нейронной сети с учите -лем приводит к общему виду задачи адап­тивной фильтрации, постановка которой приведена ниже.

Пусть внешнее поведение некоторой ди­намической системы описывается множе­ством данных Т, где T:{x(i)=[x1(i)x2..xm(i)] T,d(i)i=1,2,...,n,...}

Требуется построить модель выходного сигнала неизвестной динамической систе­мы с некоторыми входами и одним выходом на основе одного нейрона [6].

Б контексте рассматриваемой задачи: x(i) - вектор, состоящий из входных сигна­лов для нейронной сети, d(i) - идеальный отклик выходного нейрона сети. Оптималь­ные выходные значения для i-го изобра­жения из обучающей выборки все, кроме одного равны нулю. Быход, близкий к еди­нице должен выдавать нейрон, отвечающий за класс, к которому эксперт отнес i-е АРО.

Алгоритм использования сигнала ошибки для коррекции синаптических весов нейро­на определяется функцией стоимости, ис­пользуемой конкретным методом адаптив­ной фильтрации. Этот вопрос тесно связан с задачей оптимизации, поэтому возможно применение методов оптимизации не толь­ко к линейным адаптивным фильтрам, но и к нейронным сетям.

Среди методов безусловной оптимизации можно выделить алгоритмы последователь­ного спуска, такие как метод наискорейшего спуска, метод Гаусса-Ньютона, метод наи­меньших квадратов для обучения нейронных сетей, фильтр Бинера, алгоритм минимиза­ции среднеквадратической ошибки сети.

ИНС для решения задачи классификации степени активности автономной нервной системы может быть обучена по «хеббов-скому» правилу - подавление длительной связи. [7]

Основной постулат хеббовского обуче­ния звучит так: «Если оба нейрона активны в одно и то же время, то сила связи между ними возрастает. Если из двух нейронов только один активен, то сила связи уменьша­ется. Если оба нейрона неактивны, то сила связи не изменяется» [6].

В начале процесса обучения ИНС случай­ным образом заполняется матрица весовых коэффициентов. По выбранному случай­ным образом элементу обучающей выборки вычисляется активность нейронов входного слоя, ассоциативных клеток и нейронов вы­ходного слоя.

Для i-го нейрона выходного слоя вычис­ляется вектор ошибки:

e= -d.

Весовые коэффициенты модифицируют­ся с учетом ошибок, по классам следующим образом.

Усиливается связь между черными точка­ми и ассоциативной клеткой, соответствую­щей номеру правильного класса: если S=1 и d=1, то W =W+ce, где c - константа, влияющая на скорость и качество обучения.

Ослабляется связь между черными точ­ками и ассоциативными клетками, отвеча­ющими за неправильный класс: если S==1 и dk=0, то Wik=Wu+c-ek, где кфг.

Ослабляется связь между белыми точ­ками и ассоциативной клеткой, отвечаю­щей за правильный класс: если S=0 и d=1, то W =W-ce .

Обучающие сеансы повторяют до тех пор, пока суммарная ошибка сети не станет меньше некоторого порогового значения или не закончится обучающая сессия. Луч­ший результат обучения сохраняется в файл. При загрузке весовых коэффициентов из файла можно использовать сеть в режи­ме функционирования off-line. При необхо­димости сеть можно доучить или переучить на новой коллекции тестовых примеров.

Выводы

1. Чувствительность алгоритма распозна­вания составляет 100%.

2.  Полученные результаты распознавания оказались качественно лучше, чем при ис­пользовании формальных алгоритмов клас­сификации на основе выделенных инфор­мативных признаков.

3.  Проводимые исследования показыва­ют, что искусственные нейросети представ­ляют собой гибкий инструментарий реше­ния диагностических задач, который точно можно настроить под мнение авторитетного эксперта.

Список литературы

1.   Макконен К.Ф. Модели и алгоритмы биоуправления в информационной систе­ме игрового автомобильного тренинга / К.Ф. Макконен, Ф.А. Пятакович // Систем­ный анализ и управление в биомедицин­ских системах: журнал практической и тео­ретической биологии и медицины. - М., 2008. - Т.7. № 1. - С. 177-181.

2.   Макконен К.Ф. Разработка иерархи­ческой системы классификации режимов управления нейродинамической активно­стью мозга и ритмом сердца, основанной на информационном анализе для диагно­стического модуля сетевой интегрирован­ной системы БОС-терапии // Прикладные задачи моделирования и оптимизации: меж-вуз. сб. науч. тр. Воронеж: ВГТУ, 2008. - С. 75-79.

3.  Макконен К.Ф. Игровой модуль с реализацией стратегии, направленной на избегание неудачи /К.Ф. Макконен, Ф.А. Пятакович, А.С. Новоченко // Фундаментальные исследования. 2007. - №1. - С. 70-72.

4.  Ф.А. Пятакович, Т.И. Якунченко. Иерархия режимов управления ритмом сердца на основе анализа энтропийной функции // Проблемы ритмов в естествознании. Материалы второго международного симпо­зиума. 1-3 марта. - Москва. - 2004. - с.341- 344.

5. Пятаковича Ф.А., Макконен К.Ф., Новоченко А.С. Патент №№2349156 Биоуправляемый игровой тренажер и способ коррекции
функционального состояния человека. Заявка N2007117796, приоритет 14 мая 2007 г. Зарегистрированный в государственном
реестре Российской Федерации 20 марта 2009 г.

6.  Хайкин С. Нейронные сети: полный курс / C. Хайкин. - 2-е изд. - М.: Изда­тельский дом «Вильямс», 2006. - 1104 с.

7.  Хливненко Л.В. Прогнозирование ис­ходов мерцательной аритмии с помощью искусственной нейронной сети // Информа­тика: проблемы, методология, технологии: материалы 7-ой межд. науч.-метод. конф., 8-9 февр. 2007 г. - Воронеж, 2007. - с. 467-471.

8. Poggio T. and F. Girosi. «Networks for approximation and learning», Proceedings of the IEEE, 1990, vol. 78, p. 1481-1497.

9.    F.A. Pyatakovich, T.I. Yakunchenko. Biotechnical system of car game training based on use of a multiparametrical feedback and subsensitivity light signals of control. // European journal of natural history. № 6. - 2009. - С. 38-40.