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.