Содержание к диссертации
Введение
1 Методы и алгоритмы принятия решений в медицинских системах интеллектуальной поддержки принятия решений 12
1.1 Факторы риска и автоматизированные системы прогнозирования инсультов 12
1.2 Модели и методы оценки состояния организма и его систем по электрическим характеристикам биологически активных точек 23
1.3 Автоматизирование системы принятия решений на основе электрических характеристик биологически активных точек 30
1.4 Методы биоимпедансного анализа биоматериалов 34
1.5 Цель и задачи исследования 41
2 Структурные и архитектурные решения для мультиагентных интеллектуальных систем прогнозирования инсультов 44
2.1 Построение базовой модели мультиагентной интеллектуальной системы для прогноза риска инсультов 44
2.2 Выбор базовых структур анализаторов данных интеллектуальных агентов нижнего иерархического уровня 51
2.2.1 Нейронные сети для построения базовых структур автономных агентов для прогнозирования инсультов 52
2.2.2 Нечеткие логические модули для построения базовых структур автономных агентов 53
2.2.3 Интеллектуальные агенты, работающие на основе биоимпедансных исследований 57
2.2.4 Интеллектуальные агенты, работающие на основе исследования модифицируемых и конституциональных факторов риска 59
2.3 Формирование интеллектуального агента верхнего иерархического уровня 68
2.4 Выводы второго раздела 74
3 Метод и алгоритмы формирования пространства информативных признаков для интеллектуальных агентов, работающих на основе биоимпедансных исследований 77
3.1 Формирование пространства информативных признаков на основе амплитудно-частотных характеристик биоимпеданса в аномальных зонах проводимости 77
3.1.1 Обоснование метода измерения биоимпеданса 77
3.1.2 Анализ методов расчета параметров комплексного сопротивления биоматериалов 78
3.2 Метод измерения биоимпеданса 85
3.3 Описание функциональной и аппаратной части программно-аппаратного комплекса для анализа биоимпеданса 90
3.4 Выводы третьего раздела 97
4 Экспериментальные исследования методов, моделей, алгоритмов и программного обеспечения для интеллектуальной поддержки принятия решений врача-невролога 98
4.1 Формирователь моделей принятия решений 98
4.2 Модульная структура программной части программно-аппаратного комплекса анализа биоимпеданса 102
4.3 Модули измерения биоимпеданса 108
4.3.1 Модули измерения биоимпеданса на одном значении частоты при заданном напряжении и при заданной силе тока 108
4.3.2 Модули измерения биоимпеданса на диапазоне частот при заданном напряжении и заданном токе 115
4.3.3 Модули статистики параметров биоимпеданса на диапазоне частот при заданном напряжении 119
4.4 Исследование диагностической эффективности интеллектуальной системы оценки риска инсультов 126
4.5 Выводы четвертого раздела 130
Заключение 131
Список сокращений и условных обозначений 133
Список литературы 135
- Модели и методы оценки состояния организма и его систем по электрическим характеристикам биологически активных точек
- Интеллектуальные агенты, работающие на основе исследования модифицируемых и конституциональных факторов риска
- Описание функциональной и аппаратной части программно-аппаратного комплекса для анализа биоимпеданса
- Модули статистики параметров биоимпеданса на диапазоне частот при заданном напряжении
Введение к работе
Актуальность работы. Среди огромного разнообразия задач, возникающих перед практическими врачами, достаточно остро стоит вопрос о прогнозировании и диагностике острого нарушения мозгового кровообращения (ОНМК). В России инсульт ежегодно развивается у 460-560 тысяч человек, примерно 200 тысяч из них погибают. В стране проживает более 1 миллиона человек, перенесших инсульт, причем более 80% из них являются инвалидами, а даже среди выживших больных у 50% наступают повторный инсульт в последующие 5 лет жизни. Именно мозговой инсульт является основной причиной инвалидизации населения в России и составляет 35-40% среди всех причин инвалидности.
Велики и экономические потери – по оценкам Американской ассоциации сердца прямые и непрямые затраты на лечение инсульта в США составляют более 50 млрд. долларов в год. Подсчитанные ежегодные прямые и непрямые расходы, связанные с нарушением мозгового кровообращения, варьируют от 40 до 100 млрд. долларов США/евро по обе стороны Атлантики. Таким образом, ОНМК являются важнейшей медико-социальной проблемой.
Степень разработанности темы исследования. Значительно снизить
летальность и обеспечить успешность лечебно-оздоровительных
мероприятий можно используя различные методы прогнозирования и
ранней диагностики ОНМК, которые не нашли еще достаточно широкого
практического применения. Существенного улучшения положения дел в
исследуемой области можно добиться, используя современные достижения в
области вычислительной техники и новых информационных технологий.
Работами Мисюка Н.С., Трошина В.Д., Фоминой Т.А., Бочкова В.Б.,
Лупьяна А.Я. и др. была убедительно доказана возможность успешного использования методов машинного обучения для решения задач прогнозирования, ранней и дифференциальной диагностики инсультов.
В большинстве известных систем прогностические и диагностические алгоритмы, применяемые для оценки состояния мозгового кровообращения, используют детерминистские решающие правила с большой величиной зоны отказа от принятия решений. Система информативных признаков содержит большое число субъективных данных, а объективные данные не всегда можно достоверно и оперативно получить. Все это снижает потенциально достижимую точность принятия решений в жизненно-опасных ситуациях, а логика «машинных» заключений часто не совпадает с врачебной логикой.
Поэтому научно-техническая задача повышения достоверности
прогноза и диагностических заключений при острой сосудистой патологии
головного мозга посредством использования системы информативных
признаков, которые могут быть оперативно получены доступными средствами, являются своевременной и актуальной.
С математической точки зрения, сложность решения задач прогнозирования заболеваний определяется тем, что используемые
информативные признаки носят неполный, нечеткий и разнотипный
характер с нечеткой структурой классов, что требует специальных подходов
к синтезу соответствующих решающих правил. Раздельное использование
таких мощных инструментариев, как нейронные сети и нечеткая логика не
позволяет должным образом объединить экспертные знания и
экспериментальные данные для решения рассматриваемой задачи, поэтому
для повышения качества прогнозирования возникает необходимость
разработки методов объединения технологий нечеткой логики и нейронных сетей в гибридную системы (Томакова Р.А., Ясницкий Л.Н., Ярушкина Н.Г.) на основе современной теории автономных интеллектуальных агентов (Рассел С.).
Цель работы. Повышение качества прогнозирования острых нарушений мозгового кровообращения посредством разработки методов, моделей, алгоритмов и программного обеспечения для многоагентных систем интеллектуальной поддержки принятия решений врача-невролога.
Для достижения поставленной цели решены следующие задачи:
- разработана базовая модель интеллектуальной системы поддержки
принятия решений по прогнозированию инсультов;
- разработаны теоретико-множественная модель структурирования
обучающей выборки для реализации технологии бустинг-классификаторов
по прогнозированию инсультов и структура интеллектуальных агентов на ее
основе;
- разработан метод формирования пространства информативных
признаков, предназначенный для интеллектуальных агентов классификации
инсультов по результатам анализа биоимпеданса в экспериментах in vivo;
- разработан программно-аппаратный комплекс для анализа
биоимпеданса в экспериментах in vivo, предназначенный для
интеллектуальной поддержки прогнозирования инсультов;
- разработана структурная схема формирователя моделей принятия
решений прогнозирования острой недостаточности мозгового
кровообращения;
- проведена апробация предложенных методов, моделей и алгоритмов
интеллектуальной поддержки прогнозирования инсультов в клинических
условиях.
Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:
- базовая модель интеллектуальной системы прогнозирования
инсультов, содержащая агенты нижнего и верхнего уровня, отличающаяся
тем, что агенты нижнего уровня разделены на три группы, первая из которых
осуществляет анализ данных, полученных на основе биоимпедансных
исследований, вторая - на основе анализа модифицируемых и
конституционных предикторов, а третья группа агентов предназначена для
диагностики сопутствующих заболеваний и синдромов по предикторам,
используемых первыми двумя группами агентов, позволяющая управлять
процессом принятия решений посредством сочетания экспертных оценок, статистических данных и текущей информации;
теоретико-множественная модель структурирования обучающей выборки, основанная на анализе ее подмножеств, соответствующих трем терцилям, полученных после классификации ее образцов интеллектуальными агентами нижнего иерархического уровня, позволяющая формировать интеллектуальные агенты верхнего иерархического уровня;
метод вычисления комплексного сопротивления биоматериала, использующий в качестве устройства сбора данных аналоговый интерфейс L791 и два канала оцифровки сигнала, позволяющий осуществлять анализ спектральных характеристик биоимпеданса в экспериментах in vivo и формировать пространство информативных признаков, основанное на биоимпедансных исследованиях в аномальных зонах электропроводности;
структурная схема формирователя моделей принятия решений прогнозирования острой недостаточности мозгового кровообращения, отличающая базой включенных в нее интеллектуальных агентов нижнего и верхнего уровня, позволяющая синтезировать множество моделей принятия решений, предназначенных для определения риска инсультов при разных факторах риска и информативных аномальных зонах электропроводности, варьировать релевантностью факторов риска, а также селектировать процесс обучения по конкретному фактору риска.
Теоретическая и практическая значимость работы состоит в том,
что изложена технология синтеза автономных интеллектуальных агентов для
поддержки принятия решений по прогнозированию исследуемого класса
заболеваний, позволяющие используя гетерогенное пространство
информативных признаков, включающее биоимпедансные характеристики в зонах аномальной электропроводности биоматериала, определять скрытые системные связи между информативными признаками и сформировать решающие модули прогнозирования острых нарушений мозгового кровообращения. Разработанные метод, модели и алгоритмы составили основу построения интеллектуальной системы поддержки принятия решений, статистические и клинические испытания которой показали целесообразность ее использования в практике прогнозирования и профилактики острых нарушений мозгового кровообращения.
Работа выполнена в рамках федеральной целевой программы
«Исследования и разработки по приоритетным направлениям развития
научно-технологического комплекса России на 2014 - 2020 годы»
(«Проведение прикладных научных исследований в области
биоинформационных технологий», уникальный идентификатор прикладных научных исследований (проекта) RFMEFI57614X0071) и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».
Результаты работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке магистров по направлению
12.04.04 «Биотехнические системы и технологии» и прошли испытания в отделении медицинской реабилитации ОБУЗ «Курская городская больница №1 им. Н.С. Короткова» г. Курска.
Методы исследований. Для решения поставленных задач
использовались методы: теории биотехнических систем медицинского назначения, математической статистики, теории управления, теории линейных электрических цепей, математического моделирования, теории нейронных сетей, теории нечетких множеств. В качестве блока преобразования использовалась универсальная плата PCI L791 с прямым доступом к памяти компьютера (DMA Bus Master) производства ЗАО «L-Card». Программное средство было разработано в среде C++ Builder 6 с использованием библиотек L-Card (Lisbari и LCome).
Положения, выносимые на защиту. 1. Базовая модель
интеллектуальной системы прогнозирования инсультов, содержащая агенты
нижнего и верхнего уровня, которые разделены на три группы, первая из
которых осуществляет анализ данных, полученных на основе
биоимпедансных исследований, вторая - на основе анализа
модифицируемых и конституционных предикторов, а третья группа агентов
предназначена для диагностики сопутствующих заболеваний и синдромов по
предикторам, используемым первыми двумя группами агентов, обеспечивает
увеличение диагностической эффективности до 10% по сравнению с
известными методами; 2. Теоретико-множественная модель
структурирования обучающей выборки, основанная на анализе ее
подмножеств, полученных после классификации ее образцов
интеллектуальными агентами нижнего иерархического уровня, позволяет
формировать интеллектуальные агенты верхнего иерархического уровня,
обеспечивающие высокие диагностические показатели; 3. Метод
формирования пространства информативных признаков, основанный на
многочастотных биоимпедансных исследованиях в экспериментах in vivo в
аномальных зонах электропроводности, позволяет учитывать скрытые
системные связи между компонентами признакового пространства и риском
инсультов; 4. Структурная схема формирователя моделей прогнозирования
острой недостаточности мозгового кровообращения позволяет
синтезировать множество моделей принятия решений, предназначенных для определения риска инсультов при разных факторах риска и различных зонах аномальной электропроводности, варьировать релевантностью факторов риска, а также селектировать процесс обучения по конкретному фактору риска.
Степень достоверности и апробация работы. Результаты
исследования показали их воспроизводимость в различных условиях,
непротиворечивость нечетким алгоритмам принятия решений и методам
нейросетевого моделирования, а так же аналогичным результатам,
полученным другими исследователями. Результаты экспериментальных
исследований решающих правил по прогнозированию инсультов
согласуются с ранее опубликованными экспериментальными данными по теме диссертации.
Основные теоретические положения и научные результаты
диссертационной работы докладывались, обсуждались и получили
положительную оценку на 12 Международных, Всероссийских
конференциях, конгрессах и семинарах: «Современные тенденции развития
науки и технологий» (Белгород – 2015); «Современное научное знание:
теория, методология, практика» (Смоленск – 2015); «Физика и
радиоэлектроника в медицине и экологии» - ФРЭМЭ’2016» - (Владимир –
Суздаль – 2016); «Искусственный интеллект в решении актуальных
социальных и экономических проблем ХХI века» (Пермь – 2016);
«Интеллектуальные информационные системы» (Воронеж – 2016);
«Кардиостим – 2016» (Санкт-Петербург – 2016); «Лазерно-информационные
технологии в медицине, биологии, геоэкологии и транспорте – 2016»,
(Новороссийск – 2016, 2017); «Медико-экологические информационные
технологии» (Курск – 2016); «Актуальные проблемы энергоснабжения в
технических системах» (Тамбов – 2016); «Нейроинформатика, ее
приложения и анализ данных: (Красноярск – 2016); «Электроснабжение и эффективность в технических системах» (Тамбов – 2017); на семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск – 2014-2017).
Публикации. Основные результаты диссертационного исследования отражены в 18 научных работах, из них 4 статьи в ведущих рецензируемых научных журналах.
Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и списка литературы, включающего 97 отечественных и 29 зарубежных наименований. Работа изложена на 150 страницах машинописного текста, содержит 52 рисунка и 14 таблиц.
Модели и методы оценки состояния организма и его систем по электрическим характеристикам биологически активных точек
Исследованию импеданса биологически активных точек для решения задач прогнозирования и медицинской диагностики включая также (донозологические) стадии заболеваний, посвящено значительное количество работ отечественных и зарубежных ученых.
Существенные результаты, показавшие роль биологически активных точек в медицинской диагностики, были получены советской научной школой, возглавляемой Ф. П. Портновым [70]. В своих многочисленных исследованиях он показал, что хороших результатов для целого ряда заболеваний удается достичь при измерении электрического сопротивления БАТ на переменном токе силой 2-5 мкА при частоте 1кГц. В работах Ф.П. Портнова информативные признаки и их градации определялись как активная составляющая сопротивления БАТ в килоомах. Эти же результаты были подтверждены рядом других исследователей, включая исследования, проводимые на кафедре БМИ ЮЗГУ [33-37] и совместные исследования ученых ЮЗГУ, Иордании и Германии [108].
Известны так же работы, в которых в качестве математического аппарата прогнозирования и диагностики на основе информации, снимаемой с БАТ, исследовались методы дискриминантного анализа, нейросетевого моделирования, метода группового учета аргументов и др. [36, 82-86].
Однако хорошие результаты, достигаемые на отдельных задачах и при схожих условиях, часто при переходе к другим задачам и условиям не дают значимых показателей по качеству прогнозирования и диагностики [35-37], особенно если в основе используемых математических моделей лежит информация, получаемая только с БАТ [34].
Анализ наличия классификации ошибок при использовании БАТ как информативных признаков в задачах прогнозирования и медицинской диагностики, проведенный на кафедре БМИ ЮЗГУ, показал, что значительные погрешности в принимаемых решениях связаны не только с метрологическим обеспечением измерительных процедур, но и со спецификой информации предоставленной на БАТ [50].
В работах [34, 108, 109] эти специфические особенности определены следующим образом. На каждую биологически активную точку кроме исследуемой патологии выводятся информация характеризующая множество диапазонов, симптомов и синдромов (ситуаций) поэтому обеспечить точный прогноз или диагноз искомого заболевания по энергетической реакции только одной БАТ практически невозможно.
Ситуация осложняется тем, что энергетическое состояние БАТ зависит от энергетического состояния меридиана к которому эта точка принадлежит, от состояния сопряженно работающих меридиан, от времени суток и ряда других существенных факторов.
Кроме того, с точки зрения построения прогностических и классификационных моделей, в признаковом пространстве, формируемом по энергетическим характеристикам БАТ, исследуемые классы состояний не имеют четких границ с зонами пересечения с неопределяемой учителем структурой данных.
С учетом этих и других особенностей информации, снимаемой с БАТ, в работах [37, 38, 39] предлагается специфический механизм формирования пространства информативных признаков и синтеза нечетких гибридных прогностических и диагностических моделей. Предлагаемый в работах [38, 39] алгоритм поиска информативных БАТ основывается на том, что значительное число анализируемых точек не имеют полностью совпадающих списков ситуаций. Это позволяет находить такие комбинации БАТ, одновременный анализ энергетического состояния которых позволяет подтвердить исследуемый диагноз и опровергнуть другие ситуации «выводимые» на БАТ, но отсутствующие у обследуемого. Такие системы точек в работах [34, 38, 39] называются диагностически значимые точки (ДЗТ).
Исследования по прогнозированию, ранней и дифференциальной диагностике заболеваний сердечно-сосудистой системы, желудочно-кишечного тракта, нервной системы, костно-мышечной системы, системы дыхания и др. приведенные на кафедре БМИ ЮЗГУ показали, что использование ДЗТ в сочетании с другими информативными признаками позволяет получать решающие правила, обеспечивающие высокое качество классификации [34, 37, 38, 39].
В работах [38, 39, 70] было показано, что с точки зрения аппаратурных затрат, технологичности и достоверности получаемых результатов наиболее подходящими параметрами являются величины их электрических сопротивлений, измеряемых на переменном токе частотой 1 кГц при силе тока не более 10 мкА. В этих же работе было показано, что хорошей информативностью обладают интервальные оценки сопротивлений RJjk с указанием верхней и нижней границ сопротивлений для интервала с номером к для точки j и относительные отклонения текущих значений сопротивлений БАТ Rj от их номинальных значений RJном, которые рассчитываются по формуле
В работах было показано [34, 38, 39], что если зафиксировать режимы измерения, размеры и места наложения электродов, а также обеспечить равные условия измерения номинальных и рабочих (диагностических) значений электрических сопротивлений биологически активных точек, то при изменении функционального состояния или состояния здоровья обследуемых на наборе ДЗТ наблюдаются достоверно значимые (Р 0,1) отклонения измеряемых характеристик от их номинальных значений.
Причем ранняя (донозологическая) стадия заболеваний характеризуется уменьшением сопротивлений ДЗТ на 20-30%, легкой и средней степени тяжести соответствует уменьшение сопротивления на 30-60%. Для острой фазы характерно уменьшение сопротивлений ДЗТ более чем на 60% от начальных значений. Тяжелые формы заболеваний, связанные с затяжными процессами, характеризуются более чем 50%-ным увеличением электрического сопротивления БАТ от их начальных значений.
Кроме того было установлено, что качество диагностики в большинстве случаев возрастает, если вместе с ДЗТ используются дополнительные высокоинформативные точки, «связанные» с исследуемыми заболеваниями. Обычно эти дополнительные точки называют опытные эксперты, или они могут быть определены в ходе статистических исследований на информативность, например по Кульбаку [34, 38, 39]. В работах [36, 39] было показано, что при использовании энергетических характеристик БАТ из множества вариантов применения нечеткой логики принятия решений целесообразно использовать два направления технологии мягких вычислений. Направление основанное на использовании теории нечетких множеств, представляемых функциями принадлежности А(х) к нечетким множествам А, механизм построения которых описан в работах Л. Заде [40, 126], и направление, использующееся коэффициенты уверенности в гипотезах (прогнозах диагнозах, и др.) l, механизм получения и расчета которых предложен Е. Шортлифом [46], в котором, в отличие от традиционной нечеткой логики принятия решений по Л. Заде, базирующейся на понятиях и законах нечетких множеств, предлагается использовать понятие функций принадлежности juw к исследуемым классам состояний l, которые представляют собой «непрерывные» области многомерного пространства признаков xt. Построение нечетких решающих правил «работающих» в многомерном пространстве признаков Х=(хи ..., xjt ..., хп) осуществляется с использованием агрегирующих операций, состав которых выбирается в зависимости от структуры используемых данных. Для исследования структуры многомерных данных с формированием рекомендаций по выбору формы и параметров функций принадлежностей и способов их агрегации используются методы разведочного анализа [35, 39].
Интеллектуальные агенты, работающие на основе исследования модифицируемых и конституциональных факторов риска
Для проведения профилактических программ важно идентифицировать факторы риска и источники нарушения мозгового кровообращения. Факторы риска могут быть немодифицируемыми, как:
возраст;
пол;
расовая/этническая принадлежность;
наследственность. Тем не менее, существует также множество модифицируемых факторов риска, которые можно контролировать для снижения риска развития инсульта.
Структура факторов риска, адаптированная для работы в интеллектуальной системе прогнозирования, построенной на основе интеллектуальных агентов, представлена в таблице 2.2 [94].
Артериальная гипертензия является наиболее важным модифицируемым фактором риска развития инсульта, распространенность ее увеличивается соответственно возрасту.
Риск развития инсульта в популяции людей, страдающих артериальной гипертензией, составляет до 60%. Ввиду того, что артериальная гипертензия – часто встречающаяся патология, ее влияние на заболеваемость инсультом может быть в значительной степени снижено небольшими изменениями при контроле артериального давления в большой популяции.
Риск развития инсульта (ишемического и геморрагического) напрямую связан со степенью артериальной гипертензии (рисунок 2.8). Увеличение систолического артериального давления на 10 мм рт. ст. приводит к увеличению риска развития инсульта в 1,9 раза у мужчин и 1,7 раза у женщин.
Проиллюстрируем синтез нечеткой модели принятия решения на примере диагностики атеросклероза.
Функции принадлежности по выделенным информативным признакам синтезировались высококвалифицированными экспертами. Экспертная группа выбиралась в соответствии с рекомендациями работы [60] и составила 8 человек (два доктора медицинских наук, 4 кандидата медицинских наук по профилю выполненной работы и 2 практикующих врача со стажем не менее 15 лет).
В большинстве литературных источников [71, 83] в качестве наиболее релевантных маркеров атеросклероза считаются параметры липидного профиля, к которым относятся ОХС, ЛНП-ХС, ТГ и ЛВП-ХС. Сравнение средних уровней анализируемых показателей в двух группах (больные ИБС с ангиографически документированным коронарным атеросклерозом и популяционная выборка мужчин), представлены в таблице 2.3.
Экспертный анализ таблиц, аналогичных табл. 2.3, а также весовых коэффициентов, которые присваиваются этому фактору риска в различных шкалах сердечно-сосудистого риска, позволил построить функцию принадлежности по классу 1 – атеросклероз, которая приведена на рисунке 2.9.
Оценка семейного анамнеза (наследственной отягощенности) проводилась на основе опроса больного с помощью стандартного опросника ВОЗ Семейный анамнез. Семейный анамнез считали отягощенным при наличии двух или более пораженных родственников. Функция принадлежности, построенная на основе экспертных оценок для класса 2, приведена на рисунок 2.10.
Исследования показателей артериального давления и величины индекса массы тела у обследованных больных с верифицированным коронарным атеросклерозом и в популяционной выборке обнаружило, что в первой группе отмечается достоверно более высокий уровень систолического АД и повышенное значение индекса массы тела (отношение массы тела в кг к квадрату роста в м2) при отсутствии значимых различий по уровню диастолического АД смотри таблицу 2.4.
Анализ таблицы 2.4 показал, что целесообразно для построения функций принадлежности использовать не показатель артериального давления, а показатель степени гипертонической болезни. На съезде кардиологов 2003 года принята следующая классификация гипертонии по степеням:
1. Легкая степень. Артериальное давление находится в пределах 140— 159/90—99 мм рт. ст.;
2. Вторая степень, или умеренная. Артериальное давление в диапазоне 160—179/100—109 мм рт. ст.;
3. Тяжелая, третьей степени гипертония. Артериальное кровяное давление выше 180/110 мм рт. ст.
Функция принадлежности по этому носителю для риска атеросклероза показана на рисунке 2.11, а по носителю «избыточность массы тела» для класса 1 показана на рисунке 2.12.
Мужчины заболевают ССЗ чаще, чем женщины. Причины этого до сих пор не известны. Поэтому необходима коррекция факторов риска на пол обследуемого с учетом возраста обследуемого.
Изучение влияния возраста как фактора риска на развитие атеросклероза в ССЗ обнаружило, что в возрасте 40-49 лет - только 1% мужчин и 4% женщин не имели атеросклеротических изменений.
Общая площадь отдельных видов поражений увеличивается с возрастом. Темпы прироста площади атеросклеротических поражений у мужчин неодинаковыми в разные периоды жизни. Общая площадь атеросклероза:
- за второе-четвертое десятилетие увеличивается на 14%;
- 5-е десятилетие –в НЛВА на 14%;
- 6-7-е десятилетия – во всех ВА по 10%;
- после 70 лет - замедление темпов прироста.
У женщин – площадь атеросклероза в ВА увеличивается с возрастом медленнее и более равномерно, вплоть до 9-го десятилетия.
Вышесказанное позволило построить функции принадлежности по исследуемым классам по базовой переменной «Возраст», приведенные на рисунке 2.13.
Описание функциональной и аппаратной части программно-аппаратного комплекса для анализа биоимпеданса
Программно-аппаратный комплекс для анализа биоимпеданса (ПАКАБИ) выполняет следующие задачи:
1. Расчет компонентов биоимпеданса.
2. Построение графиков Коула.
3. Задание время исследования путем задания количества периодов или отсчетов.
4. Задание количества измерений.
5. Измерения на диапазоне значений напряжения, тока и частоты.
6. Производить расчет случайных ошибок.
7. Вычисление погрешности измерений путем отклонения от теоретических значений (для фантома).
Разработанный ПАКАБИ состоит из:
устройства сбора данных, подключенного к персональному компьютеру (ПК);
устройства связи с объектом (УСО);
соответствующего программного обеспечения ПАКАБИ включает в себя аппаратную часть и программную, структурная схема представлена на рисунке 3.9.
В структуру ПАКАБИ входят ПЭВМ, модуль L – Card L791, УСО авторской разработки и щуп.
Схема электрическая принципиальная УСО представлена на рисунке 3.10, а его внешний вид – на рисунке 3.11.
В качестве блока преобразования используется универсальная плата L-Card PCI с прямым доступом к памяти компьютера (DMA Bus Master), что экономит процессорное время компьютера и создат возможности для работы в реальном времени. На рисунке 3.13 показан внешний вид платы, а на рисунке 3.14 – функциональная схема. Беспроцессорная структура платы значительно упрощает е программирование. Данный продукт обеспечивает высокоскоростной непрерывный сбор данных на частотах до 400кГц.
В устройстве используется:
АЦП с 16 дифференциальными или 32 каналами с «общей землей»;
Групповая гальваноразвязка всех внешних входов и выходов от компьютера, реализованная на современной элементной базе, позволяет непрерывно передавать данные через гальваноразвязку без потерь на максимальной частоте работы АЦП и ЦАП.
Каждый из аналоговых каналов подключается к АЦП через усилитель с управляемым коэффициентом передачи, позволяющий задавать один из восьми диапазонов измерения напряжения;
2-х канальный ЦАП с частотой дискретизации 125 кГц.
Плата L-791 обеспечивает непрерывный сбор данных на частотах дискретизации АЦП от 0.005 Гц до 400.0 кГц. Конструкция АЦП позволяет принимать сигналы в диапазоне ±10 В.
ЦАП позволяет для воздействия на биообъект выставлять постоянное напряжение в диапазоне до ±5 В. В УСО это напряжение может быть усилено до ±16,5 В.
Для временного хранения и передачи данных в плате используются:
- Буфер FIFO АЦП размером 1Кбайт.
- Буфер FIFO ЦАП размером 512 байт.
Благодаря режиму BusMaster данный автоматически могут быть записаны в область памяти PC 512 Кбайт по мере заполнения FIFO АЦП.
Пользовательский интерфейс позволяет обращаться к обоим буферам FIFO как к массиву ячеек.
Благодаря режиму BusMaster данный автоматически могут быть извлечены из области памяти PC 512 Кбайт по мере опустошения FIFO ЦАП.
Поскольку модуль L791 имеет ограничения по величине входящего и исходящего сигнала, было разработано УСО, которое усиливает эти сигналы. Выходной сигнал усиливается в 3,3 раза, входной сигнал с биообъекта усиливается в 33 раза. Устройство питается от батарей «Крона» 18 В.
В качестве среды разработки программного обеспечения для автоматизированной системы используется Microsoft Visual Studio C++ 2010. Для оценки метрологических характеристик ПАКАБИ был построен фантом, представляющий собой пассивный RC-двухполюсник, моделирующий биоимпеданс. Импеданс пассивного двухполюсника вычислялся теоретически и сравнивался с экспериментальными значениями, полученными посредством ПАКАБИ. Соответствующие экспериментальные и расчетные кривые представлены на рисунке 3.15.
На частотах с 1 до 12 кГц с шагом 1кГц провели 10 измерений на фантоме и сравнили с расчетной моделью (пунктир). Далее посчитали ошибку измерения в процентах и вывели на график. На нем видно, что ошибка модуля импеданса и его реальной составляющей не превышает 5%. При измерении мнимой составляющей ошибка достигает 10% (рисунок 3.15).
Измерение параметров биоимпеданса в экспериментах in vivo осуществлялось при напряжении 1 В (сплошная линия) и 0,5 В (пунктир) на тыльной (рисунок 3.16) и внутренней (рисунок 3.17) сторонах ладони. Измерение проводилось на диапазоне частот: 1 – 12 кГц.
Модули статистики параметров биоимпеданса на диапазоне частот при заданном напряжении
Алгоритм работы модуля статистики параметров биоимпеданса на диапазоне частот при заданном напряжении представлен на рисунке 4.13. В данном модуле считываются следующие входные параметры: амплитуда, начальная и конечная частота, шаг частот, длительность сигнала (в отсчетах), количество замеров. В режиме статистики вычисление происходит в двух циклах сначала по диапазону частот, далее по количеству замеров.
В циклах происходит стандартная настройка параметров ЦАП и АЦП. Формируется массив для передачи на ЦАП и размер файла прием для АЦП. Происходит передача данных на ЦАП и их прием на АЦП. После чего полученные сигналы с ЦАП и АЦП сохраняются в файл на ПК. Происходит расчет параметров биоимпеданса, случайного отклонения на каждом замере. На верхнем графике отображаются параметры средние параметры биоимпеданса на каждой частоте, на нижнем – случайные отклонения на каждой частоте.
Алгоритм модуля анализа случайных ошибок представлен на рисунке 4.14.
В данном модуле считываются следующие входные параметры: амплитуда, частота, длительность сигнала (в отсчетах), количество замеров. В цикле по количеству замеров происходит стандартная настройка параметров ЦАП и АЦП. Формируется массив для передачи на ЦАП и размер файла прием для АЦП. Происходит передача данных на ЦАП и их прием на АЦП. После чего полученные сигналы с ЦАП и АЦП сохраняются в файл на ПК. Происходит расчет параметров биоимпеданса, случайного отклонения на каждом измерении.
В модуле анализа случайных ошибок считываются следующие входные параметры: амплитуда, частота, длительность сигнала (в отсчетах), количество измерений. В цикле по количеству измерений происходит стандартная настройка параметров ЦАП и АЦП. Формируется массив для передачи на ЦАП и размер файла прием для АЦП. Происходит передача данных на ЦАП и их прием на АЦП. После чего полученные сигналы с ЦАП и АЦП сохраняются в файл на ПК. Происходит расчет параметров биоимпеданса, случайного отклонения на каждом измерении. На графике отображаются параметры биоимпеданса в каждом измерении.
Алгоритм работы модуля статистики разности фаз на определенной частоте и напряжении представлен на рисунке 4.15.
В данном модуле считываются следующие входные параметры: амплитуда, частота, длительность сигнала (в отсчетах), количество замеров и время между ними. В цикле по количеству замеров происходит стандартная настройка параметров ЦАП и АЦП. Формируется массив для передачи на ЦАП и размер файла прием для АЦП. Происходит передача данных на ЦАП и их прием на АЦП. После чего полученные сигналы с ЦАП и АЦП сохраняются в файл на ПК. Происходит расчет разности фаз на каждом замере и отображение на графике. На графике отображаются параметры биоимпеданса на каждом замере.