Нейросетевая система диагностики вирусного гепатита

• Автор: Артюхин, Василий Валерьевич
• Шифр специальности: 05.13.11, 05.11.17
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Пенза
• Количество страниц: 175 с. : ил.

ГЛАВА 1. АНАЛИЗ ФОРМАЛИЗОВАННЫХ МЕТОДОВ ДИАГНОСТИКИ ВИРУСНОГО ГЕПАТИТА

1.1 Анализ лабораторных методов диагностики вирусного гепатита

1.2 Анализ способов понижения размерности исходных данных

1.3 Анализ способов заполнения пропусков в исходных данных

1.4 Анализ статистических методов диагностики

1.5 Анализ возможности использования нечеткой логики для диагностики вирусного гепатита

1.6. Анализ нейросетевых методов диагностики

Выводы к главе

ГЛАВА 2. ИССЛЕДОВАНИЕ СТАТИСТИЧЕСКИХ И НЕЙРОСЕТЕВЫХ МЕТОДОВ ДИАГНОСТИКИ ВИРУСНОГО ГЕПАТИТА

2.1 Постановка задачи

2.2 Исследование статистических методов

2.2.1 Проверка медицинских анализов на соответствие нормальному закону распределения
2.2.2 Выбор лабораторных показателей
2.2.2.1 Исследование гистограмм распределения анализов больных и здоровых для выбора информативных признаков
2.2.2.2 Исследование применения критерия Манна-Уитни для выбора информативных признаков
2.2.2.3 Исследование применения корреляционного анализа для выбора информативных признаков
2.2.2.4 Исследование применения алгоритма box-counting для выбора информативных признаков
2.2.2.5 Сравнение статистических методов выбора анализов

2.3 Реализация способа заполнения пропусков

2.4 Диагностика вирусного гепатита с помощью дискриминантного анализа
2.5 Исследование нейронных сетей для диагностики вирусного гепатита
2.5.1 Исследование персептрона
2.5.1.1 Разработка математической модели нейронной сети
2.5.1.2 Экспериментальные исследования
2.5.2 Исследование многослойного персептрона для диагностики вирусного гепатита
2.5.2.1 Разработка модели нейронной сети
2.5.2.2 Экспериментальные исследования
2.5.3 Исследование радиально-базисных нейронных сетей
2.5.3.1 Разработка модели нейронной сети
2.5.3.2 Экспериментальные исследования
2.5.4 Исследование I У()-сетей для диагностики вирусного гепатита
2.5.4.1 Разработка модели нейронной сети
2.5.4.2 Экспериментальные исследования
Выводы к главе
ГЛАВА 3. РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ «НЕЙРОДИАГНОСТ» ДЛЯ ДИАГНОСТИКИ ВИРУСНОГО ГЕПАТИТА
3.1 Разработка алгоритма обучения многослойного персептрона, реализованного в экспертной системе
3.1.1 Разработка модели нейронной сети
3.1.2 Экспериментальные исследования
3.2 Разработка нейросетевой экспертной системы
3.3 Возможности экспертной системы
3.4 Экспериментальное исследование экспертной системы
Выводы к главе
ОБЩИЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

СПИСОК ЛИТЕРАТУРЫ:

ПРИЛОЖЕНИЕ А
ГИСТОГРАММЫ ЗНАЧЕНИЙ ЛАБОРАТОРНЫХ АНАЛИЗОВ БОЛЬНЫХ И ЗДОРОВЫ X ДЛЯ ПРОВЕРКИ ДАННЫХ НА СООТВЕТСТВИЕ НОРМАЛЬНОМУ ЗАКОНУ РАСПРЕДЕЛЕНИЯ
ПРИЛОЖЕНИЕ Б
ВЫБОР ИНФОРМАТИВНЫХ ПРИЗНАКОВ С ПОМОЩЬЮ СРАВНЕНИЯ ГИСТОГРАММ РАСПРЕДЕЛЕНИЯ АНАЛИЗОВ БОЛЬНЫХ И ЗДОРОВЫХ
ПРИЛОЖЕНИЕ В
ВЫБОР ИНФОРМАТИВНЫХ ПРИЗНАКОВ С ПОМОЩЬЮ КОРРЕЛЯЦИОННОГО АНАЛИЗА
ПРИЛОЖЕНИЕ Г
РЕЗУЛЬТАТЫ ДИСКРИМИНАНТНОГО АНАЛИЗА ДЛЯ ДИАГНОСТИКИ ВИРУСНОГ О ГЕПАТИТА
ПРИЛОЖЕНИЕ Д
ЛИСТИНГ ОСНОВНЫХ ФУНКЦИЙ, РЕАЛИЗОВАННЫХ В ПРОГРАММЕ ДЛЯ ДИАГНОСТИКИ ВИРУСНОГО ГЕПАТИТА
ПРИЛОЖЕНИЕ Е
УДОСТОВЕРЕНИЕ О РАЦИОНАЛИЗАТОРСКОМ ПРЕДЛОЖЕНИИ
ПРИЛОЖЕНИЕ Ж
СВИДЕТЕЛЬСТВО О РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ ЭВМ
ПРИЛОЖЕНИЕ
РЕЗУЛЬТАТЫ ВНЕДРЕНИЯ

• Система состоит из двух частей: сети извлечения признаков (без учителя) и сети классификации (с учителем). Такой метод соответствует традиционному подходу к статистическому распознаванию образов [61; 62]. В концептуальных терминах образ представляется как набор из т наблюдений, каждое из которых можно рассматривать как точку х в т -мерном пространстве наблюдений (данных). Извлечение признаков описывается с помощью преобразования, которое переводит точку х в промежуточную точку у в ц -мерном пространстве признаков, где ц<т. Это преобразование можно рассматривать как операцию снижения размерности (т.е. сжатие данных), упрощающую задачу классификации. Сама классификация описывается как преобразование, которое отображает промежуточную точку у в один из классов г -мерного пространства решений (где г — количество выделяемых классов).
• Система проектируется как единая многослойная сеть прямого распространения, использующая один из алгоритмов обучения с учителем. При этом подходе задача извлечения признаков выполняется вычислительными узлами скрытого слоя сети.
Какой из этих двух подходов применять на практике — зависит от конкретной предметной области. Так как использованы реальные данные из отделения переливания крови Пензенской областной клинической больницы им. Н. Н. Бурденко, то присутствуют не только данные анализов, но и поставленный диагноз. Поэтому предпочтительнее использовать обучение с учителем. Будем проводить обучение сетей на тех признаках, которые были выявлены в предыдущем разделе при статистическом анализе.
После выполнения препроцессорной обработки исходных данных следует приступать к построению нейронной сети. Построение сети идет в два этапа: разработка математической модели и обучение сети.
Нейронные сети очень разнообразны, при этом каждый тип нейронных
сетей может быть использован для решения лишь некоторого ограниченного
класса практических задач. В задаче классификации сеть должна отнести
каждое наблюдение к одному из нескольких классов. Классификацию можно