Содержание к диссертации
Введение
1 Постановка задачи обработки стабилометрического сигнала 11
1.1 Системный анализ объекта исследования 11
1.2 Анализ основных методик обработки стабилометрической информации 13
1.3 Интерпретация стабилометрических данных 18
1.3.1 Основные принципы интерпретации стабилометрических данных 18
1.3.2 Сопутствующие вариации и повторяемость 19
1.4 Обзор основных способов обработки сигналов 20
1.5 Постановка задачи исследования 23
1.6 Выводы по разделу 1 25
2 Разработка математических моделей и алгоритмов обработки стабилометрических сигналов 27
2.1 Постановка задачи построения математических моделей 27
2.2 Построение математической модели колебаний тела человека 30
2.3 Создание математической модели системы «платформа-пациент» для поддержки принятия решений при диагностике заболеваний опорно-двигательного аппарата 38
2.4 Идентификация параметров обратной связи системы «платформа-пациент» на основе стабилометрической платформы 43
2.5 Математическое моделирование системы «платформа-пациент» 59
2.6 Выводы по разделу 2 64
3 Применение статистического анализа и нейронных сетей для обработки результатов стабилометрических измерений 66
3.1 Анализ стабилометрического сигнала как статистического объекта исследования. постановка задачи статистического анализа 67
3.2 Использование многомерного статистического анализа данных для поддержки принятия решений при диагностике заболеваний опорно-двигательного аппарата 70
3.2.1 Регрессионный анализ 74
3.2.2 Дискриминантный анализ с пошаговым исключением переменных76
3.3 Построение нейронной сети 3.4 построение интеллектуальной системы поддержки принятия решений при диагностике заболеваний опорно-двигательного аппарата 87
3.5 Выводы по разделу 3 91
4 Программная реализация математических моделей и алгоритмов обработки стабилометрического сигнала 92
4.1 Требования, предъявляемые к программному продукту 92
4.2 Архитектура разработанного программного обеспечения 93
4.3 Анализ результатов 103
4.4 Выводы по разделу 4 106
Библиограический список 110
- Интерпретация стабилометрических данных
- Создание математической модели системы «платформа-пациент» для поддержки принятия решений при диагностике заболеваний опорно-двигательного аппарата
- Использование многомерного статистического анализа данных для поддержки принятия решений при диагностике заболеваний опорно-двигательного аппарата
- Архитектура разработанного программного обеспечения
Интерпретация стабилометрических данных
Задаче обработки сигналов с применением различной техники посвящены работы многих исследователей, таких как, А.В. Оппенгейм, Р.В. Шафер, Дж. Ту, Р. Гонсалес, К. Фукунаги, Н.В. Кисилев, В.И. Васильева, Я.А. Фомин Г.М. Проскуряков, и др. Однако до сих пор отсутствует универсальная методика обработки сигналов медицинской техники, учитывающая их специфические особенности, в т.ч. не используются интеллектуальные технологии обработки данных в стабилометрии.
В связи с тем, что в процессе стабилометрического исследования пациент может намеренно изменить некоторые ее параметры, например, такие, как площадь статокинезиограммы или Х среднее. Однако намеренно изменить амплитуду собственных постуральных колебаний в зависимости от их частоты он не сможет. Это придает особый интерес данным спектрального анализа, которые позволяют сравнить величину постуральных колебаний на различных частотах. Таким образом, возникает необходимость использования быстрого преобразования Фурье, с использованием которого можно установить соотношение между амплитудой колебаний различных частот или диапазонов частот. В работах А.В. Оппенгейма и Р.В. Шафера изложены основные идеи алгоритмов быстрого преобразования Фурье, а также Гильберта, вейвлет-преобразования. Однако применение быстрого преобразования для обработки стабилометрических данных имеет ряд существенных недостатков.
Прежде всего, это ограниченность в информативности анализа нестационарных сигналов, а также практически полное отсутствие возможностей анализа их особенностей, т.к. в частотной области иногда происходит «размазывание» особенностей сигналов (разрывов, ступенек, пиков и т. п.) по всему частотному диапазону спектра.
Другим недостатком является появление эффекта Гиббса при скачках функций, усечениях сигналов и вырезке отрезков сигналов для детального анализа.
В настоящее время стремительно завоевывает популярность, в т.ч. в области медицинской техники и обработке медицинских данных, вейвлет преобразование. Главным его преимуществом по сравнению с преобразованием Фурье является приспособленность к анализу нестационарных сигналов [16]. Его коэффициенты содержат комбинированную информацию об анализирующем вейвлете и анализируемом сигнале (как и коэффициенты преобразования Фурье, которые содержат информацию о сигнале и о синусоидальной волне). В зависимости от того, какую информацию необходимо извлечь из сигнала, выбирается анализирующий вейвлет.
Каждый вейвлет имеет характерные особенности во временном и в частотном пространстве, поэтому иногда с применением различных вейвлетов можно полнее выявить и описать определенные свойства анализируемого сигнала.
Таким образом, для обработки стабилометрических данных вейвлет-преобразование, которое имеет постоянный масштаб в заданный момент времени для всех частот, имеет лучшее представление времени и худшее представление частоты на низких частотах сигнала, на высоких частотах сигнала — лучшее представление частоты с худшим представлением времени. Его применение позволит снизить влияние принципа неопределенности Гейзенберга на полученном частотно-временном представлении сигнала, а также обеспечит более детальное представление относительно времени с использованием низких частот, а высокие — относительно частоты. В работах Л.М. Гольденберга отмечается, что при практическом использовании вейвлетов необходимо уделять достаточное внимание проверке их работоспособности и эффективности для решения поставленной задачи по сравнению с традиционными методами обработки и анализа.
Последние годы характеризуются появлением ряда интересных работ, в которых указываются способы преодоления априорной неопределенности при решении задач приема и обработки информации. Эффективный способ решения задачи - использование адаптивных систем. При этом под адаптацией понимается обучение и самообучение, а также процесс оптимальной перестройки структуры приемного устройства в соответствии с критерием качества [49]. Выбор критерия оптимальности определяется назначением системы [86].
Разработке в этом направлении посвящены многочисленные отечественные и зарубежные публикации, например, монографии Я.3. Цыпкина, Р.Л. Стратоновича, B.В. Шахгильдяна и М.С. Лохвицкого, Аоки и др. Некоторые направления преодоления априорной неопределенности описываются в книгах известных американских ученых Б. Уидроу и C. Стирнза. Работы Б. Уидрок и С. Стирнза связаны с решением широкого круга задач, связанных с адаптацией: описаны основные свойства адаптации, указаны функциональные свойства и конкретные практические приложения адаптивных систем в задачах управления и адаптивной обработки сигналов. Однако, в работе не нашли отражения такие направления в решении задач приема сигналов при неполных априорных сведениях, как минимаксный подход, применение непараметрических методов, методы теории игр и т.д. Автор [71] отмечает, что основополагающим принципом является принцип отрицательной обратной связи – или так называемый принцип Ползунова-Уатта.
Создание математической модели системы «платформа-пациент» для поддержки принятия решений при диагностике заболеваний опорно-двигательного аппарата
Из анализа выражения (2.10) следует, что в первом приближении передаточная функция WОС(р) описывает работу ОС как квазилинейного звена. Нелинейности ОС в виде зон нечувствительности и зон запаздывания (е_гр) при достаточно больших возмущениях и управлениях практически не влияют на динамику замкнутых каналов ОС равновесия. Однако эти нелинейности в условиях слабых входных воздействий, изменяющихся около нуля детерминировано или случайно, могут привести к возникновению автоколебаний системы и бифуркациям (динамическому хаосу).
Из анализа структурных схем замкнутых каналов (рис. 2.7 и 2.8) ОС равновесия видно, что эти каналы имеют два входа, через которые они подвержены действию двух типов входных воздействий: - кинематических (возмущений - Ааь, ЛД, и программного управления - Аау, АРу); - динамических (возмущений - Мвуозм, Мвzозм и программного управления - Муупр, Мупр).
Состояние каналов ОС равновесия может оцениваться по электрическим сигналам и 1, и2, v1, v2 (виде нейро-импульсов с кодированием сигналов в форме широтно-импульсной модуляции) или по механическим сигналам в виде углов устойчивости (отклонения) и моментов (возмущения).
Анализ показывает, что каждый канал ОС равновесия является четырехконтурным, включающим следующие контуры [1]: - тактильной биосенсорики с управлением по сигналам экстерорецепторов кожи ног, спины, стоп; - чувствительности проприорецепторов мышц к усилиям и нагрузкам; - чувствительности биосенсоров вестибулярного аппарата к линейным ускорениям движения головы; - чувствительности биосенсоров вестибулярного аппарата к угловым ускорениям головы.
Причем первые два контура работают параллельно и совместно, они обладают меньшим порогом чувствительности, чем биосенсоры. Кроме этого, порог чувствительности контура ОС по сигналам биосенсоров, зависит от линейных ускорений w, оказывается значительно меньше порога чувствительности контура ОС по сигналам биосенсоров, зависящих от угловых ускорений є.
Для оценки соотношений между сигналами по углам устойчивости и угловым ускорениям в общем сигнале каждой рефлекторной дуги равновесия, сопоставим пороги чувствительностей механо-рецепторов, участвующих в формировании сигналов афферентного блока РДР-У и РДР-Z.
Площадь опоры для тела человека в состоянии вертикальной стойки может быть условно принята за площадь прямоугольника со средними размерами (для взрослого мужчины): S = hxb 20смx45см, (2.13) где h - длина стопы; Ъ - расстояние между стопами в поперечном направлении в состоянии стойки по внешним контурам. Для взрослого человека нормальной конституции телосложения справедливы следующие соотношения между антропометрическими параметрами:
Средние значения углов поворота головы вокруг поперечных осей (Y и Z), соответствующих порогам чувствительности биосенсоров по линейным и угловым ускорениям, при достижении которых включаются в работу позиционные и ускорительные контуры РДР, равны:
Анализ силовой характеристики ОС системы равновесия тела человека позволяет установить различное поведение каналов системы поддержки равновесия при разных масштабах углов отклонения от вертикальной стойки. Можно утверждать о двух биомеханических моделях равновесия тела человека:
Причем в пределах рабочих углов отклонения тела человека от ортоградной стойки проявляется нелинейная жесткость ОС: - при малых углах отклонения тела жесткость ОС мала при достаточно больших углах отклонения тела жесткость ОС увеличивается.
Такая переменная жесткость ОС повышает эффективность работы системы равновесия, создает лучшие условия для обеспечения качества поддержания вертикальной стойки в комфортных ситуациях.
На основе совместной работы ОС обеспечивается выполнение условия статического равновесия тела человека в пределах опорной поверхности. При этом в каждом канале ОС может быть использована биомеханическая модель равновесия тела в виде двухзвенного (п = 2) одностепенного (т = 1, ГСС) перевернутого физического маятника с верхней маятниковостью. Из-за наличия зоны со слабой жесткостью С 1 =180Н-м/рад, при которой ее можно в первом приближении принимать за «мертвую» с порогами чувствительности Аа1 = АД =0,6о, должны наблюдаться автоколебания тела человека в пределах углов Аа Аа2 и А/? АД, изменяющихся по случайным законам, определяемым действием случайных возмущений Ааъ, АД в каналах ОС равновесия [62, 64].
Создание математической модели системы «платформа-пациент» для поддержки принятия решений при диагностике заболеваний опорно-двигательного аппарата
Для повышения эффективности диагностики заболеваний автором диссертации разработана конструкция стабилометрической платформы, позволяющая вычислять новые параметры, на которую получен патент на полезную модель (Приложение Г, [65]).
Вывод уравнений движения стабилометрической платформы будем проводить на основе следующих предположений: - вал привода связан со стабилометрической платформой через систему упругих элементов и разрезное кольцо и имеет свободу вращения относительно вертикальной оси; - центр масс стабилометрической платформы совпадает с центром подвеса; - платформа может поворачиваться относительно вала вместе с одной парой сегментов разрезного кольца и относительно другой пары сегментов разрезного кольца; - сегменты разрезного кольца обладают пренебрежимо малыми массами и моментами инерции по сравнению с суммарной массой платформы и пациента; - внешними моментами для платформы являются: вращения от электродвигателя привода, от действия силы тяжести пациента, упругие моменты со стороны упругого подвеса платформы, сил трения в опорах вала; восстанавливающие от электрической пружины; - пациент представляется в виде тела, не обладающего центробежными моментами инерции с центром масс в точке М(XM, YM, ZM), т.е. перевернутым маятником с угловой жесткостью в точке подвеса. На рисунке 2.3 представлена кинематическая схема исследуемого варианта стабилометрической платформы. На рисунке 2.3.2 представлена ее блок-схема.
Стабилометрическая платформа состоит из платформы 8, связанной с промежуточным кольцом 7, которое через упругие элементы 4, 5 и кольцевые сектора 6 связано с приводом, состоящим из двигателя 1 со встроенным редуктором и пары конических шестерен 2 и 3. Причем в каждой паре упругих элементов осуществлен разворот второго упругого элемента относительно первого упругого элемента на 90. Поэтому платформа имеет возможность Рисунок 2.4 – Блок схема стабилометрической платформы совершать повороты относительно осей X, Y и Z. При нахождении пациента на опорной платформе проекция его общего центра масс совершает некоторые движения относительно центра подвеса платформы. Возникающие при этом моменты приводят к деформации упругих элементов и, соответственно, повороту платформы. Причем при повороте платформы относительно одной оси происходит деформации первых упругих элементов первой пары и вторых упругих элементов второй пары.
Углы поворотов платформы относительно горизонтальных осей фиксируются трансформаторными датчиками угла, в которые входят катушки возбуждения 11 и сигнальные катушки 12, включенными по дифференциальной схеме, выходы которых связаны со схемами сравнения. Сигналы со схем сравнения поступают на усилители обратной связи, сигналы которых подаются на вычислитель и датчики момента 13, возвращающие платформу в первоначальное положение, формируя электрическую пружину, а также создающие управляемое воздействие на платформу. С вычислителя сигнал подается на регистратор, который и выдает информацию о смещении проекции общего центра масс пациента. Использование цепей обратной связи и устройств силового воздействия позволяет минимизировать угловое отклонение платформы, соответственно, уменьшить жесткость упругих элементов и повысить точность регистрации движения общего центра масс человека. Для дополнительного исследования вестибулярного аппарата пациента используется привод вертикального вращения платформы, управляемый по сигналам датчика оборотов. Система управления 9 служит для обработки измерительных сигналов датчиков угла и формирования управляющих сигналов датчиков моментов. Измерение текущей скорости и ее стабилизация осуществляется датчиком оборотов, который включает кодовый диск 15, открытую оптопару14, 16 и блок управления двигателем 10.
Для описания движения стабилометрической платформы введем следующие системы координат (рисунок 2.3.3): O rjC- неподвижная система координат, связанная с корпусом платформы; O rj % - вращающаяся система координат, связанная с валом привода; OX Y Z - промежуточная система координат, связанная с платформой (после первого поворота на угол ); OXYZ - система координат, связанная с платформой (после первого поворота на угол ); OXnYnZn - система координат, связанная с пациентом [30].
Использование многомерного статистического анализа данных для поддержки принятия решений при диагностике заболеваний опорно-двигательного аппарата
Как отмечалось выше, из получаемой при стабилометрическом обследовании записи можно определить требуемое число характеристик и параметров. Наиболее значимыми являются два изображения (статокинезиограмма и стабилограмма), шесть параметров (X-среднее, площадь, LFS, AN2, VFY, коэффициент Ромберга) и пять функций.
На стабилограмме по оси абсцисс отложено время, а по оси ординат – последовательные положения центра давления. Таким образом, имеется два графика - для Х (движения вправо-влево) и для Y (движения вперед-назад). Шкала оси ординат имеет для каждого графика значение полной шкалы. Заметим, что следует быть внимательными к изменениям этих шкал, т.к. обычно они различаются от графика к графику (рисунок 3.1).
Как известно, до приема сообщения сигнал рассматривается как случайный процесс, представляющий собой совокупность функций времени, подчиняющихся некоторой общей для них статистической закономерности.
Вероятность того, что величина при измерении попадет в какой-либо заданный интервал времени называется одномерной вероятностью. Для практических задач наибольшее значение имеют характеристики случайного сигнала, к которым относятся математическое ожидание, дисперсия и среднее квадратическое отклонение.
Однако одномерная плотность вероятности недостаточна для полного описания процесса, так как она дает вероятностное представление о процессе только в отдельные фиксированные моменты времени. Более полной характеристикой является двумерная плотность вероятности. Использование двумерной плотности вероятности позволяет в частности, определить такие важные характеристики случайного процесса как ковариационную и корреляционную функцию.
Статокинезиограмма (рисунок 3.2) отображает последовательность дискретных точек положения центра давления по отношению к системе координат с точкой отсчета в центре полигона опоры. Только эти положения центра давления точно отражаются на рисунке в соответствии с указанной шкалой. Контур полигона опоры не всегда точно соответствует контуру полигона опоры обследуемого пациента и зависит от применяемого программного обеспечения.
Для создания эффективной системы диагностики целесообразно использовать как регулярные методы, так и методы на основе искусственного интеллекта [40].
Справедливость такого подхода подтверждает анализ данных, используемых при медицинской диагностике, который показывает, что они обладают такими особенностями, как качественный характер информации, наличие пропусков данных; взаимная коррелированность; большое количество переменных при относительно небольшом числе наблюдений. Кроме этого, значительная сложность объекта наблюдения (заболеваний) нередко не позволяет построить даже вербальное описание процедуры диагноза врачом [95].
Таким образом, создаваемая система должна обладать следующими функциями: сбор, обработка и хранение поступающей информации от стабилоплатформы, выбор характеристик для обработки, предварительная обработка и классификация, проведение статистического анализа, построение нейронной сети, прогноз и автоматизированное формирование заключения [48, 53].
Для повышения эффективности диагностики заболеваний опорно-двигательного аппарата с использованием стабилометрических исследований необходимо использование комбинированных методов диагноза и поддержки принятия решений [50, 51]. Для этого необходимо выполнить следующие задачи: - провести предварительный анализ стабилометрических данных; - с использованием статистических методов теории распознавания образов провести оценку точности диагностики заболеваний; - выявить наиболее значимые факторы; - провести оценку точности диагностики заболеваний на основе нейронной сети. Использование многомерного статистического анализа данных для поддержки принятия решений при диагностике заболеваний опорно-двигательного аппарата
Медицина и биология находятся на новом этапе развития, это связано с накоплением огромных массивов количественных данных, а доступность вычислительной техники усилило математизацию этих научных сфер. На основе накопленной информации изучаются основные закономерности биологических процессов, создаются математические модели исследуемых объектов, а применение методов математической статистики позволяет оценить степень достоверности получаемых результатов [46, 47]. Однако роль используемых статистических методов в медицине, в частности, стабилометрии, дуальна. С одной стороны они позволяют обнаружить ранее неизвестные закономерности, с другой – на основе их использования авторы проверяют достоверность априорно формулируемых гипотез. Однако некорректность применения статистики из-за нарушения условий (допущений) правомерности использования ее аппарата, а также применение методов, не адекватных задачам исследования даже на одном из этапов работы, делает весьма сомнительными, а иногда несостоятельными получаемые результаты. В связи с этим применение математического аппарата в решении задачи диагностики в стабилометрии существенно расширит возможности оценки и интерпретации получаемых при стабилометрическом исследовании результатов, только при условии корректного их использования и соответствующей математической «грамотности» исследователя.
Среди широкого спектра методов многомерного статистического анализа целесообразно выделить кластерный, факторный, регрессионный и дискриминантный анализ [21].
Разбиение множества исследуемых объектов и признаков на однородные в соответствующем понимании группы или кластеры является главным назначением кластерного анализа, т.е. решается задача классификации данных и выявления соответствующей структуры в ней. Методы кластерного анализа можно применять в различных случаях, в т.ч. для простой группировки, в которой требуется выделить группы по количественному сходству.
Достоинство кластерного анализа в том, что он позволяет осуществлять разбиение объектов не по одному параметру, а по целому набору признаков. Кроме этого, кластерный анализ в отличие от большинства математико статистических методов не накладывает ограничений на вид рассматриваемых объектов, и позволяет рассматривать множество исходных данных практически произвольной природы. Кластерный анализ позволяет изучать достаточно большой объем информации и резко сокращать, сжимать большие массивы информации, делать их компактными и наглядными.
Важное значение кластерный анализ имеет применительно к совокупностям временных рядов. Здесь можно выделять периоды, когда значения соответствующих показателей достаточно близкие, а также определять группы временных рядов, динамика которых наиболее схожа.
Кластерный анализ можно использовать циклически. В этом случае исследование производится до тех пор, пока не будут достигнуты необходимые результаты. При этом каждый цикл здесь может формировать информацию, которая способна существенно изменить направленность и подходы дальнейшего применения кластерного анализа. Этот процесс можно представить системой с обратной связью.
В задачах прогнозирования [35] весьма перспективно сочетание кластерного анализа с другими количественными методами (например, с регрессионным анализом).
Архитектура разработанного программного обеспечения
В результате выполненной работы на базе СарНИИТО (г. Саратова) (Приложение 2) при обследовании больных выявлены наиболее значимые признаки трех видов заболеваний опорно-двигательного аппарата по отношению к группе здоровых пациентов и разработан программный комплекс «Диагностика заболеваний опорно-двигательного аппарата с помощью стабилоплатформы» для поддержки принятия, на который было получено свидетельство о регистрации программы для ЭВМ (Приложение Д, [12]).
Интерфейс разработанного программного модуля представлен на рисунке 4.2. С стабилометрической платформы регистрируется проекция отклонение центра тяжести пациента в сагиттальной плоскости (X и Y) и среднеквадратичное отклонение во фронтальной плоскости (х и у).
Результаты применения разработанного ПО Далее осуществляется обработка сигнала в трех модулях. В модуле математической обработки кроме вычисления массо-инерционных параметров тела пациента, также вычисляются значения параметров L, мм; S, мм2; 60%Х, Гц; 60%Y, Гц для каждого значения отклонения центра тяжести пациента и вывод значений этих показателей на экран.
После проведения обработки в модулях статистического анализа и нейронной сети, осуществляется сравнение результатов полученных от разных блоков с базой данных, а также запись в базу данных результатов и вывод диагноза пациента на экран.
В таблице 4.1 приведены результаты обследования больных с симптомами различных заболеваний опорно-двигательного аппарата: поясничный остеохондроз, гонартроз, ишемия головного мозга и группы здоровых пациентов [67]. При первичном осмотре пациента по имеющимся симптомам врач обычно не может поставить точный диагноз. С использованием существующих методик стабилографии [73] при обследовании пациента выявляется нарушение функций опорно двигательного аппарата, что свидетельствует о необходимости дальнейшего обследования пациента. Разработанные алгоритмы и методики обработки стабилометрического сигнала позволяют осуществлять постановку диагноза по степени соответствия значений показателей стабилометрического исследования значениям конкретного заболевания.
Таблица 4. Пациент Симптомы Диагноз врача припервичномосмотре Существующиеметодики стабилографии Разработанные алгоритмы
1 головные болиочаговойнаправленности;частыеголовокружения;тошнота, рвота;перепады давления,и, как следствие,обмороки;расстройствачувствительности;нарушения речи;общая слабость. Остеохондроз;ишемияголовного мозга; Нарушения функций опорно-двигательного аппарата. Необходимо дополнительное обследование Ишемияголовного мозга85-90%
2 сильные корешковыеболи, нарушениечувствительности взоне «штанов наездника» (верхняятреть внутреннейповерхности бедер,паховая область) Межпозвонковаягрыжа;остеохондроз Нарушения функций опорно-двигательного аппарата. Необходимо дополнительное обследование Поясничныйостеохондроз85-90%
3 боль и "скованность" вколенном суставе;боли в икрах ног Гонартроз Нарушения функций опорно-двигательного аппарата. Необходимо дополнительное обследование Гонартроз85-90%
4 здоровый здоров Нарушений не выявлено Здоров 85-90% Учитывая особенности регистрации стабилографических показателей [83, 84], возможность получения их без отвлечения человека от выполняемой деятельности и высокую чувствительность способа целесообразно использовать стабилографию как удобный метод оценки динамики функционального состояния человека в условиях функциональных нарушений, различных заболеваниях ЦНС и опорно-двигательного аппарата. Компьютерная стабилография является перспективным методом при диагностике, а также при реабилитации (с использованием метода зрительной обратной связи) нарушений после детского церебрального паралича, постинсультных гемипарезов и других нарушений двигательных функций [85].
Использование комбинированного метода с применением нейронной сети для построения интеллектуальной системы позволяет увеличить базу данных показателей стабилометрических исследований для различных заболеваний, расширяя диагностические возможности стабилометрии, а также повышая точность диагностики [74].
Разработанный программный комплекс позволяет осуществлять поддержку принятия решений в области диагноза опорно-двигательного аппарата. Программа принята к использованию отделением функциональной диагностики «СарНИИТО» (г. Саратов), фирмой ЗАО «ОКБ Ритм» (г.Таганрог), а также используется в учебном процессе СГТУ имени Гагарина Ю.А. в процессе преподавания дисциплин «Методы искусственного интеллекта», «Информационные устройства и системы в робототехнике», «Техническая диагностика», «Нейронные сети и нейрокомпьютеры», а также дипломного проектирования при подготовке инженеров по специальности «Роботы и робототехнические системы», а также выпускников по направлению «Мехатроника и робототехника».
Предложен гибридный модуль поддержки принятия решений, отличающийся использованием методов статистического анализа и нейронных сетей, что позволило разработать соответствующее специальное математическое обеспечение для поддержки управленческих решений в системах медицинской диагностики.
Разработана процедура «Диагностика заболеваний опорно двигательного аппарата с помощью стабилоплатформы», созданная на основе графического языка G программного комплекса LabVIEW компании National Instruments и предназначенная для диагностики заболеваний опорно-двигательного аппарата. Она также может применяться в отраслях, связанных с медициной и профилактикой заболеваний, также в образовательном процессе при обучении специалистов соответствующего профиля.
С использованием предложенного программного комплекса осуществлена апробация предложенных алгоритмов обработки стабилометрических сигналов. Показана работоспособность созданных алгоритмов для обработки этих сигналов, а также для формирования в автоматизированном режиме рекомендаций по диагнозу для поддержки принятия решений.
Программа принята к использованию отделением функциональной диагностики «СарНИИТО» (г. Саратов), фирмой ЗАО «ОКБ Ритм» (г.Таганрог), а также используется в учебном процессе СГТУ имени Гагарина Ю.А.».
Учитывая особенности регистрации стабилографических показателей, возможность получения их без отвлечения человека от выполняемой деятельности и высокую чувствительность этого метода, целесообразно использовать стабилографию как удобный способ оценки динамики функционального состояния человека при различных заболеваниях опорно-двигательного аппарата.
