Аппаратно-программные средства и алгоритмы распознавания патологий сердца на основе персептронных сетей

• Автор: Аль Мабрук Мохаммад
• Шифр специальности: 05.11.17
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Владимир
• Количество страниц: 203 с. : ил.

СОДЕРЖАНИЕ

Список обозначений сокращений

ВВЕДЕНИЕ
Глава 1. СОВРЕМЕННЫЕ ПОДХОДЫ К АВТОМАТИЗИРОВАННОЙ ОБРАБОТКЕ И АНАЛИЗУ ЭЛЕКТРОКАРДИОГРАММ

1 Л. Метод электрокардиографии и структурные особенности электрокардиограмм

1.2. Основные качественные и количественные характеристики электрокардиограммы условно здорового человека

1.3. Классификация основных патологических нарушений в работе сердца

1.4. Основные этапы автоматизированного анализа

электрокардиограмм

1.5. Дисперсионный метод анализа электрокардиограмм

1.6. Использование искусственных нейронных сетей (ИНС) в анализе электрокардиограмм
1.7. Практический опыт использования ИНС в медицине
1.8. Выводы
Глава 2. ОСНОВНЫЕ ПОЛОЖЕНИЯ ТЕОРИИ ИНС
2.1. Мозг и биологический утейрон 4^
2.2. Искусственные нейронные сети
2.3. Типы функций активации
2.4. Топология нейронных сетей
2.5. Архитектура искусственных нейронных сетей
2.6. Методы обучения ИНС
2.6.1 Парадигма обучения ИНС
2.6.2.Основные алгоритмы обучения ИНС
2.7. Типы нормализации
2.8. Выводы
Глава 3. РАЗРАБОТКА АЛГОРИТМОВ РАСПОЗНАВАНИЯ ПАТОЛОГИЙ СЕРДЦА НА ОСНОВЕ ИНС
3.1. Базовые основы создания образа в системах диагностики патологии сердца на основе ИНС
3.2. Разработка алгоритмов программ для создания образов
3.2.1. Алгоритм подготовки образов для БД патологий сердца
3.2.2 . Алгоритм подготовки образов для БД аритмий сердца
3.3. Разработка алгоритмов создания обучающих и тестовых БД
3.4. Варианты построения структурной организации ИНС
3.5. Процедура кодирования соответствия входов и выходов ИИС в режиме обучения и тестирования
3.6. Алгоритмы исследования ИНС на основе МабаЬ
3.7. Алгоритмы автоматизации исследования структур искусственных нейронных сети
3.7.1. Алгоритмы исследования структуры ИНС многослойный персептрон
3.7.2. Алгоритмы исследования структуры ИНС модульного типа
3.8. Основные этапы экспериментального исследования структуры искусственной нейронной сети
3.9. Оценка оптимального число нейронов скрытого слоя ИНС
3.10. Выводы
Глава 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ПРИМЕНЕНИЯ ИНС ДЛЯ РАСПОЗНАВАНИЯ ПАТОЛОГИЙ СЕРДЦА
4.1. Результаты экспериментального исследования ИНС «Многослойный персептрон» для базы данных «Патологии сердца»
4.2. Результаты экспериментального исследования ИНС «Многослойный персептрон» для базы данных «Аритмии сердца»

4.3. Результаты экспериментального исследования ИНС
модульного типа для базы данных «Патологии сердца»
4.4. Результаты экспериментального исследования ИНС
модульного типа для базы данных «Аритмии сердца»
4.5. Сопоставительный анализ результатов исследования ИНС
«Многослойный персептрон» и структуры модульного типа
4.6. Экспериментальный аппаратно - программный комплекс функциональной диагностики сердца
4.7. Выводы
ЗАКЛЮЧЕНИЕ
Библиографический список
Приложения 1
Приложения 2
Приложения 3
обоих модулей, вместе с клиническими данными подаются на вход последнего, третьего модуля (б-слойная нейросеть). Этот модуль оперирует 4 группами гипотензивных препаратов (диуретики, бетаадреноблокаторы, ингибиторы ангиотензина, блокаторы кальциевых каналов).
Цель - назначить суточный (почасовой) график приема больным лекарств каждой (если требуется) из 4 групп. Поэтому этот модуль имеет 96 выходных нейронов (4 препарата х 24 часа). С каждого выходного нейрона снимается доза, соответствующая одному препарату, назначаемому на данный час суток. Естественно, что в реальной ситуации большинство выходных данных равны нулю. Таким образом, создается оптимальная для пациента схема лечения гипертонии.
Нужно отметить, что система учитывает некоторые особенности приема препаратов больными, например, затруднение приема препаратов ночью-(назначает ночной прием только в крайних случаях), запрет на назначение мочегонных лекарств на ночь.
Отличительной чертой системы является возможность пользователя (врача) передавать нейронной сети свой опыт. Для этого создателями программы предусмотрен специальный блок, который выводит на экран компьютера суточные кривые артериального давления и предлагает врачу ввести в компьютер суточную схему приема гипотензивных препаратов в необходимых, по его мнению, дозах. Введенный пример помещается в базу данных. В любое время можно инициировать доучивание нейронных сетей с новыми примерами.
В одной из работ приводится метод выявления атеросклеротических бляшек в артериях [12]. Для этого применяется нейросеть, интерпретирующая флуоресцентные спектры, получаемые при исследовании тканей с помощью лазера.
Аналогичным образом проводится диагностика заболеваний периферических сосудов [13], например, определение форм артериита [14].