Содержание к диссертации
Введение
Глава 1. Состояние вопроса и задачи исследования 10
1.1 Обзор методов, применяемых для анализа функции дыхания 12
1.1.1 Определение отклонений функционирования дыхательной системы с использованием графиков поток- объем 19
1.2 Современные способы и средства спирометрии 26
1.3 Метод акустической спирометрии 35
1.4 Аналитические методы, применимые для распознавания результатов акустической спирометрии 42
1.5 Критерии качества методов распознавания образов 49
Выводы по главе 1 52
Глава 2. Обзор современных неиросетевых методов распознавания многомерных данных 53
2.1 Сравнительный анализ нейронных сетей для анализа результатов акустической спирометрии 53
2.2 Эвристические алгоритмы поиска структуры слоистой нейронной сети 71
2.2.1 Обзор моделей генетических алгоритмов.для построения нейронной сети,.распознающей спектры.спирометрии 75
2.2.2 Стратегии отбора неиросетевых моделей для распознавания результатов акустической спирометрии .77
2.2.3 Обзор методов представлений слоистых нейронных сетей для распознавания спирометрических спектров 80
Выводы по главе 2 84
Глава 3. Построение нейронных сетей для анализа результатов акустической спирометрии 85
3.1 Разработка нейронной сети кохонена для анализа результатов акустической спирометрии 85
3.2 Описание элементов нейронных сетей радиального базиса для построения вероятностной сети, распознающей спирометрические данные 93
3.3. Разработка слоистой нейронной сети с учителем без обратных связей для распознавания результатов акустической спирометрии 97
3.4 Разработка операций синтеза нейронных сетей с учителем без обратных связей для распознавания результатов акустической спирометрии 108
3.4.1 Представление структуры нейронной сети для анализа спирометрических спектров 108
3.4.2 Разработка операций мутации для синтеза нейросетевой модели, распознающей результаты акустической спирометрии 111
3.4.3 Разработка операции кроссовера для коллектива сетей с повторным обучением для синтеза нейросетевой модели, распознающей результаты акустической спирометрии 113
3.4.4 Разработка операций кроссовера с добавлением надстраиваемой нейросетевой структуры для синтеза нейросетевой модели распознавания результатов акустической спирометрии 115
3.4.5 Эволюционный алгоритм синтеза многослойной нейронной сети, распознающей спирометрические спектры 118
Выводы по главе 3 122
Глава 4. Практическое применение искусственных нейронных сетей для анализа результатов акустической спирометрии 123
4.1 Применение самоорганизующихся нейронных сетей кохонена для кластеризации спирометрических данных 124
4.1.2 Применение коллектива самоорганизующихся нейронных сетей кохонена для классификации спирометрических данных 133
4.2 Применение вероятностных нейронных сетей для распознавания результатов акустической спирометрии 136
4.3 Применение многослойных нейронных сетей для распознавания результатов акустической спирометрии 138
4.4 Анализ результатов 146
Выводы по главе 4 153
Заключение 155
Список цитируемой литературы
- Определение отклонений функционирования дыхательной системы с использованием графиков поток- объем
- Эвристические алгоритмы поиска структуры слоистой нейронной сети
- Разработка слоистой нейронной сети с учителем без обратных связей для распознавания результатов акустической спирометрии
- Применение вероятностных нейронных сетей для распознавания результатов акустической спирометрии
Введение к работе
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» МТУ (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.
Определение отклонений функционирования дыхательной системы с использованием графиков поток- объем
У обследуемых с преграждением воздухоносных путей максимальная скорость потока при выдохе ниже, а уменьшение скорости потока при завершении выдоха следует за отличительной "ныряющей" (или вогнутой) частью кривой графика (рис.1).
Одним из наиболее важных факторов для спирометрической диагностики является определение хронического ограничения воздушного потока, т.е. бронхиальной обструкции. Основным критерием, определяющим хроническое ограничение воздушного потока, или хроническую обструкцию, является падение показателя ОФВ 1 до уровня, составляющего менее 80% от должных величин. Обладая высокой степенью воспроизводимости при правильном выполнении дыхательного маневра, данный параметр позволяет документально зарегистрировать наличие обструкции у обследуемого. Бронхиальная обструкция считается хронической, если она регистрируется при проведении повторных спирометрических исследований как минимум 3 раза в течение одного года [108] [109]. Однако, для ранней диагностики ХОБЛ более эффективно исследование кривой поток-объем [80]. Стадии течения ХОБЛ и их признаки показаны в таблице 2.
К другим методам, применяемым для анализа функции дыхания можно отнести пробу Вотчала—Тиффно — функциональная проба для оценки трахеобронхиальной проходимости путем измерения объема воздуха, выдыхаемого после максимального вдоха в первую секунду форсированного выдоха. Далее вычисляют процентное отношение этого объема к жизненной емкости легких (норма 70-80%). Пробу проводят при обструктивных заболеваниях бронхов и легких.
Существуют также методы безмасочной регистрации параметров дыхания. Одним из примеров такого подхода является опыт эксплуатации разработанного на кафедре физиологии Тверского университета безмасочного пневмографа (Миняев В. И. с соавт., 1993.) Принцип действия этого устройства заключается в регистрации экскурсий периметра грудной клетки и живота. Преобразованные сигналы поступают в компьютер. Система калибруется по стандартному спирографу. Специально разработанная программа позволяет получать сведения о более чем 20 временных, объемных и производных параметрах дыхательной функции, а так же оценивать удельный вклад в дыхательный объем и объем вентиляции грудного и абдоминального компонентов.
Среди прочих проб можно отметить границы нормы и градации отклонения показателей внешнего дыхания [46] (значения показателей в процентах к должным величинам). Значения приведены в таблице 3.
Среди прочих методик существует BTPS (Body Temperature and Pressure Saturated) - методика коррекции измеряемых объемов и потоков с помощью учета остывания выдыхаемого воздуха и изменения его влажности. Поправочный коэффициент рассчитывается исходя из предположения, что выдыхаемый пациентом воздух при входе в спирограф охлаждается мгновенно [76]. ГРАНИЦЫ
В США и Великобритании в понятие "хронические обструктивные болезни легких" включают также муковисцидоз, облитерирующий бронхиолит и бронхоэктатическую болезнь. Общепринятого определения ХОБЛ не существует. Одним из основных факторов риска, помимо табачного дыма является загрязнение вдыхаемого воздуха промышленной пылью, автомобильными газами и другими вредными веществами.
Функциональные методы исследования легких позволяют с помощью современных аппаратов (спирометров) получать информацию о функциональном состоянии органов дыхания. Они необходимы для оценки состояния обследуемого, его резервных возможностей .
Согласно [30], при решении задач скрининга значительных контингентов обследуемых для диагностики нарушений бронхиальной проходимости и проведения профилактических обследований состояния функции дыхания в полевых и производственных условиях методами измерения ЖЕЛ и параметров форсированного выдоха существенными факторами диагностического процесса являются: время, затрачиваемое на обследование пациента; портативность и автономность используемого спирометра; возможность автоматизированного получения предварительного диагностического заключения по результатам обследования.
Эвристические алгоритмы поиска структуры слоистой нейронной сети
Одной из основных стратегий отбора является стратегия пропорционального отбора. При этом варианте отбора подсчитывается приспособленность каждой особи ft. После этого вычисляется средняя приспособленность в популяции fcp как среднее арифметическое значений приспособленности всех особей. Затем для каждой особи вычисляется отношение fi/fcp. Если это отношение больше единицы, то особь считается хорошо приспособленной. Например, если дробь равна 2.36, то эта особь имеет двойной шанс на скрещивание и будет иметь вероятность 0.36 третьего скрещивания. Если же приспособленность равна 0.54, то особь примет участие в единственном скрещивании с вероятностью 0.54.
Другой стратегией является турнирный отбор, который может быть описан следующим образом: из популяции, содержащей N строк, выбирается случайным образом t строк и лучшая строка запоминается. Т.е. между выбранными строками проводится турнир. Эта операция повторяется N раз. Запомненные строки используются для скрещивания (также случайным образом). Размер группы строк, отбираемых для турнира часто равен двум. В этом случае говорят о двоичном/парном турнире (binary tournament). Вообще же t называется численностью турнира. Чем больше турнир, тем более жесткий вариант селекции, т.е. тем меньше шансов у особей. Отметим, что такой вариант селекции ближе к реальности, т.к. успешность той или иной особи во многом определяется ее окружением, насколько оно лучше или хуже ее.
Отбор усечением использует отсортированную по возрастанию популяцию. Число особей для скрещивания при таком отборе выбирается в соответствии с порогом Т [0; 1], определяющим, какая доля особей, начиная с самой приспособленной, будет принимать участие в отборе. Среди особей, попавших под порог случайным образом п раз выбирается наиболее удачная и запоминается. Из запомненных особей выбираются особи для их скрещивания между собой. Отметим, что в связи с тем, что в этой стратегии используется отсортированная популяция, время ее работы может быть большим для популяций большого размера и завит также от алгоритма сортировки.
При рулеточном отборе сначала определяются приспособленности особей в популяции. Затем создается некое подобие круговой диаграммы -"рулетки", сектора которой раздаются особям. Чем больше приспособленность особи, тем больше соответствующий ей сектор. После этого п раз запускается рулетка и особь из сектора, где остановится рулетка, выбирается для селекции. Отметим, что рулеточный отбор эквивалентен пропорциональному, но позволяет регулировать число особей, допускаемых к скрещиванию.
Следует отметить, что выбор стратегии практически не влияет на эффективность поиска. Однако, для разработки нейросети, распознающей спектры акустической спирометрии, будем использовать пропорциональный отбор, как один из наиболее эффективных [56]. После скрещивания особей необходимо решить проблему о том, какие из новых особей войдут в следующее поколение, а какие - нет. Известно два способа [112]:
1. Новые особи занимают места своих родителей. Затем наступает следующий этап, в котором потомки оцениваются, отбираются, дают потомство и уступают место своим потомкам.
2. Создается промежуточная популяция, которая включает в себя родителей и их потомков. Члены этой популяции оцениваются, а затем из них выбираются п самых лучших, которые затем войдут в следующее поколение.
Многие исследователи склоняются ко второму варианту, т.к. он снижает риск выбора менее приспособленной особи в случае, если следующая популяция оказалась хуже предыдущей. К тому же этот подход позволяет расширить пространство поиска. Однако в этом варианте может быть значительно больше проблем с преждевременной сходимостью, чем в первом. К тому же он требует значительных вычислительных затрат. Таким образом, оба варианта имеют существенные недостатки. Выходом из такой ситуации может быть применение принципа "элитизма", суть которого заключается в том, что в новое поколение включаются лучшие родительские особи, число которых может быть от 1 и больше.
Если популяция приближается к глобальному оптимуму, то резкие изменения особей, большинство из которых обладают высокой приспособленностью, нежелательны, т.к. могут увести эволюцию из области оптимума. Однако это, как правило, не наблюдается в начале эволюции. Поэтому если эволюционный поиск находится в самом начале, то необходимо активно исследовать пространство поиска, чтобы выделить в нем потенциальные области, при попадании в которые, популяция будет иметь высокую приспособленность. Таким образом, при элитизме генетическая информация в популяции обновляется медленно, т.к. часть геномов особей остается неизменной при смене поколений. Следовательно, использование принципа элитизма позволяет не потерять хорошее промежуточное решение, но, в то же время, из-за этого алгоритм может "застрять" в локальном экстремуме.
Для работы генетическому алгоритму необходимо представление информации о параметрах нейронной сети, выполняющей классификацию спирограмм (фенотип), в виде строки (генотип). Далее рассмотрены некоторые варианты представления нейронных сетей в генотипе.
Разработка слоистой нейронной сети с учителем без обратных связей для распознавания результатов акустической спирометрии
Формальное описание слоистой нейронной, распознающей результаты акустической спирометрии, выглядит следующим образом: /( )= " Is h \ Ь стой 1 Скш 2 слой N (ЗО) где w - это векторы весов, 0 - смещение. В качестве функции активизации нелинейного преобразователя нейронов обычно используют одну из следующих функций [48], [68]: (l + ln(l + jcc) ln(l + jcc) 1. f\x) = sign{x) /л u /л , —х _ сигнатура, X 2. I х I + С - сигмоидальная рациональная; 3. /W = th 4./( ) = \ + е ґ-ї \с - тагненсеальная: .хс - логистическая сигмоидальная; где с - свободный параметр (крутизна функций), х - значение на входе нейрона.
Все функции монотонны, симметричны относительно знака. Так же их характеризует простота нахождения производной и легкость дифференцирования на всей оси абсцисс. Эти функции обладают свойствами усиливать слабые сигналы. Их значения принадлежат интервалу (-1,1). В целях ускорения нейросетевых вычислений во время генетического поиска структуры нейронной сети, распознающей спирометрические спектры, необходимо применить наиболее простую активационную функцию с выраженными параметрами сигмоиды. Такой функцией является сигмоидальная рациональная. В ряде работ (см. например [56], [68]) наилучшие результаты показала также сигмоидальная рациональная функция, которая дает наиболее стабильные результаты по качеству прогноза и скорости обучения. Эта функция рекомендуется в [11] и других работах Горбаня и его учеников. В работах зарубежных исследователей чаще применяется тагненсеальная функция. Далее был проведен сравнительный анализ основных алгоритмов обучения многослойных нейронных сетей. 1. алгоритм градиентного спуска 2. алгоритм градиентного спуска с возмущением 3. алгоритм Rprop (пороговый алгоритм обратного распространения ошибки) 4. алгоритм поиска в случайном направлении; 5. методы сопряженных градиентов с одномерной оптимизацией; 6. тренировка сети с использованием Ньютоновского метода 7. одношаговый алгоритм метода секущих плоскостей 8. алгоритм Левенберга - Марквардта
Если rk = -AE(wk) - антиградиент функционала ошибки, вычисленный в очередной точке, то поскольку он является направлением, по которому ошибка убывает быстрей всего, можно взять а = rk, а шаг rk определить из условия минимума функции (wk + rkrk). Этот метод называемый методом градиентного спуска [48] не подходит для обучения нейронных сетей, распознающих спектры акустической спирометрии, поскольку гиперповерхность, являющаяся графиком E(w) имеет очень сложный, сильно изрезанный вид, изобилующий длинными оврагами, в которых Zs(w) медленно убывает в каком-либо направлении и быстро растет в других направлениях. Идея, позволяющая усовершенствовать этот подход - метод тяжелого шарика [44]: dk=rk+ppk-b d0 = r0 = -AE(wQ), (ЗІ) где величина (3 задается пользователем. Движение по поверхности E(w) напоминает движение шарика: чем больше величина р, тем тяжелее шарик. Однако этот алгоритм можно усовершенствовать, если взять Р меняющимся шаг от шага. Методами такого рода являются методы сопряженных градиентов. Методы сопряженных градиентов сходятся существенно быстрее метода тяжелого шарика [48]. Приведем несколько самых известных формул этого рода: п (Гк Гк) рк = - метод Флетчера-Ривса. рк= г - метод Хестенса-Штифеля. Vk Гк-\ Рк-\) (Гк-Гк-\ П) рк= ( ч - метод Полака-Рибьера.
Методы сопряженных градиентов являются методами первого порядка и в отличие от методов второго порядка, не требуют трудоемких вычислений вторых частных производных. Отметим, что метод Флетчера-Ривса сходится, если начальная точка достаточно близка к требуемому минимуму, тогда как метод Полака-Райбера может в редких случаях бесконечно циклиться. При нейроэволюционном поиске нейронной сети, распознающей результаты акустической спирометрии, вследствие большого количества особой в популяции, велика вероятность случайного удачного расположения начальной точки в одной или нескольких особях, поэтому метод Флетчера-Ривса в задаче построения нейросети, распознающей спирометрические спектры является более эффективным, чем метод Полака-Рибьера. Для того чтобы забыть последнее направление поиска и стартовать алгоритм заново в направлении скорейшего спуска, необходим рестарт алгоритмической процедуры. Формула Флетчера-Ривса: "O+D r0+i) +А +А (32) где: т 40 ГС0 (33) Из формулы (32) следует, что новое направление получается в результате сложения антиградиента в точке поворота и предыдущего направления движения, умноженного на коэффициент, вычисленный по формуле (33).
Применение вероятностных нейронных сетей для распознавания результатов акустической спирометрии
Для синтеза нейросетевых структур применялся эволюционный алгоритм, разработанный в предыдущей главе. Эксперименты показали, что все разработанные операции кроссовера одинаково хорошо эффективны для поиска нейросетевой структуры, распознающей результаты акустической спирометрии. Однако, операции, реализованные на принципе надстройки нейросети, позволяют значительно ускорить нейроэволюционный поиск (см. табл. 8) по сравнению со случаем, когда используется только операция кроссовера для коллектива с повторным обучением. Такое ускорение поиска при искусственной эволюции происходит за счет уменьшения числа вычислений.
В ходе эволюционной оптимизации было перебрано более 104 вариантов нейронных сетей различной топологии. Начальная популяция состояла из ста особей. Ошибка сети на одном примере определялась после того, как она обучалась на всех остальных примерах. Каждая сеть оценивалась по сумме ошибок на всех примерах.
Для синтеза нейросети, обученной на составе 2 применялась операция кроссовера для коллектива сетей с повторным обучением. Верность классификации при кросс-тестировании составила 99%. Из всех спирометрических спектров всего лишь один был ошибочно отнесен к классу "признаки профессиональных заболеваний обнаружены". Структура этой нейронной сети показана на рис. 55.
На рис. 56 показана структура сети, которая была синтезирована на основе операций кроссовера, основанных на надстройке нейросетей. Для разработки этой сети применялись все три операции кроссовера, описанные в предыдущей главе. Для обучения этой нейросети применялся состав 1. При реализации операции кроссовера с надстраиваемой нейросетевой структурой использовалась сеть с одним скрытым слоем. Количество нейронов в скрытом слое выбиралось случайно из диапазона от 2 до 5. Запускался переборный процесс, генерирующий различные варианты структуры сети. С помощью метода сопряженных градиентов настраивались веса синапсов при выбранной структуре. При каждой генерации варианта сети спектры дыхания распределялись по-новому между тестовой и обучающей выборкой. В результате отбиралась сеть с минимальной ошибкой обобщения. Под ошибкой обобщения понимается точность распознавания нейронной сетью признаков заболеваний в спектрах, которые не учувствовали в обучении нейросети. Полученная сеть состоит из трех подсетей. Выходной слой содержит один нейрон.
В ходе экспериментальной проверки эффективности разработанных методов использовалось кросс-тестирование (скользящий контроль) обобщающих способностей нейронных сетей. Опишем подробнее методику оценки оптимальности структуры нейронной сети.
Пусть, N — число примеров значений входов с известным значением выхода; XI,...XN - примеры входов. Тогда алгоритм кросс-тестирования запишется так:
Ошибка сети для каждого примера может быть вычислена по формуле: E =\f-Y ), где Y - эталонное значение для примера, Y - значение, полученное от нейронной сети. Обобщающая способность сети оценивается по ошибке Е = Е . Чем она меньше, тем выше обобщающие способности нейронной сети.
Для полученных сетей (рис. 55, 56) положительный выход интерпретируется как отнесение спектра к классу "больные". Функция нелинейного преобразования скрытых нейронов определена как F(x)=x/(x+C). Выходной нейрон реализует неоднородный адаптивный сумматор. В сети на рис. 55 коэффициент С был подобран в ходе эволюционного поиска для каждого нейрона. Однако, в ходе исследований было установлено, что если коэффициент С не участвует в эволюции (C=const=0.5), то это не повлияет на качество полученной сети, поскольку веса синапсов всегда подстраиваются под входные сигналы. При этом наблюдается ускорение нейроэволюционного поиска за счет уменьшения вычислений. Поэтому в сети на рис. 56 коэффициент С=0.5 для каждой нелинейной функции активации.
Так как полученные в ходе эволюционного поиска нейронные сети используют не все элементы векторов, кодирующих спектры, то можно предположить, что те составляющие спектра, которые используются для распознавания спирометрических данных, содержат в себе признаки наличия или отсутствия профессиональных заболеваний. Зная нумерацию нейронов и учитывая, что по данным акустического спирометра можно построить спектры в диапазоне от 0 до 150 Гц, можно легко вычислить эти частоты. На рисунке 57 они выделены вертикальными линиями.
Эффективность разработанного метода синтеза нейросетевой структуры, распознающей результаты акустической спирометрии, можно объяснить тем, что чем меньше число настроечных параметров сети, тем ближе результаты ее обучения к глобально оптимальному решению. Таким образом, сначала обучаются относительно небольшие сети, а затем, стартуя из хорошего начального решения, обучается объединенная сеть.
Анализ результатов работы нейросетевой модели показал, что необходима высокая производительность компьютера, обрабатывающего большой объем статистических данных и производящего сложный расчет для формирования нейросетевой структуры при распознавании признаков профзаболеваний пылевой этиологии, а эволюционный поиск и градиентный алгоритм с одномерной оптимизацией имеют большую вычислительную сложность. В тоже время, важность надежности медицинских приложений компенсирует значительное повышение вычислительных затрат. Решить проблему высоких вычислительных затрат можно путем наращивания вычислительных мощностей и распараллеливанием вычислений.
Результаты применения разработанных нейросетевых алгоритмов для различных видов профессиональных заболеваний органов дыхания приведены в таблицах 9 и 10. Рассмотрим эффективность применения разработанных нейросетей при распознавании признаков наиболее распространенных заболеваний. Наиболее распространенным профзаболеванием в имеющейся выборке является ХОБ 1-2 степени - этот диагноз имеют десять из сорока четырех лиц с пораженными органами дыхательной системы. Из анализа таблиц 9 и 10 можно сделать вывод о том, что лучше всего это заболевание диагностируется коллективом сетей Кохонена - в девяти из десяти случаев диагноз нейросетевой моделью был поставлен верно. При применении многослойной сети для выявления этой патологии эффективность распознавания этого профессионального заболевания ниже - только шестеро спектров из десяти было распознано верно. И наконец, сеть Кохонена распознает это заболевание только у половины обследованных с этим диагнозом - т.е у пяти человек из десяти. Следующим по распространенности диагнозом в данной выборке является пылевой бронхит 1-2 степени.
