ДИАГНОСТИЧЕСКИЙ АНАЛИЗ СОСТОЯНИЯ БИООБЪЕКТА ПО ХРОНОМЕТРИЧЕСКИМ ПАРАМЕТРАМ РЕГИСТРИРУЕМЫХ СИГНАЛОВ

Научная статья
DOI:
https://doi.org/10.18454/IRJ.2016.46.289
Выпуск: № 4 (46), 2016
Опубликована:
2016/04/18
PDF

Артеменко М.В.1, Калугина Н.М.2,

1ORCID: 0000-0003-1037-8288, кандидат биологических наук, доцент кафедры биомедицинской инженерии; 2аспирант специальности «Фотоника, приборостроение, оптические и биотехнические системы и технологии» ФГБОУ ВО «Юго-Западный государственный университет» (ЮЗГУ)

ДИАГНОСТИЧЕСКИЙ  АНАЛИЗ СОСТОЯНИЯ БИООБЪЕКТА ПО ХРОНОМЕТРИЧЕСКИМ ПАРАМЕТРАМ  РЕГИСТРИРУЕМЫХ СИГНАЛОВ

Аннотация

В статье рассматриваются структура и математический аппарат информационно-аналитической системы диагностики и управления состоянием биообъекта  ветеринарии и фитопатологии с применением терапевтической обратной связи, основанных на анализе хронометрических параметров регистрируемых сигналов, вычисляемых в процессе анализа  различных прямых и латентных информативных частотных показателей и аппроксимирующего «опытно-прогностического функционала» - «functional past-future» – FPF(t), аргументами которого являются частные функции, характеризующие значение биосигнала в различные временные сдвиги отрицательного и положительного типа относительно текущего момента анализа.

Ключевые слова: диагностика, системный анализ, хронометрия, системы поддержки принятия решений, ветеринария.

Artemenko M. V.1, Kalugina N. M.2

1ORCID: 0000-0003-1037-8288, PhD in Biology, associate Professor of department biomedical engineering; 2postgraduate student of the specialty "Photonics, instrumentation, optical and biotechnical systems and technologies" FSEI HE "Southwest State University" (SWSU)

 DIAGNOSTIC ANALYSIS OF THE CONDITION OF A BIOLOGICAL OBJECT BY CHRONOMETRIC THE PARAMETERS OF RECORDED SIGNALS

Abstract

The article discusses the structure and mathematical apparatus of information-analytical system of diagnostics and state management of the bio-object veterinary medicine and fitopatologia with the use of therapeutic feedback based on the analysis of chronometric data signals, computed during the analysis of various direct and informative latency frequency and approximate indicators "functional past-future" – FPF(t), arguments which are private functions characterizing the value of the biosignal in different time shifts of negative and positive type with respect to the current moment of analysis.

Keywords: diagnostics, systems analysis, timing, systems of decision support, veterinary.

В клинической медицине находят все большее применение специализированные медико-информационные технологии [8]        и системы  поддержки принятия диагностических решений (СППДР) на основе методов искусственного интеллекта, формирующие необходимые рекомендации об оптимизации дальнейшей терапевтической траектории (особенно, в области превентивной медицины и скрининга) [1, 2, 4,5,12, 3].

В то же время, разрешение аналогичных проблем информационной и компьютерной поддержки требуемых «уровней здоровья» («статусов здоровья») у животных и растений (прежде всего используемых в сельском хозяйстве для поддержки собственного адекватного окружающей среде психосоматического статуса), в настоящее время, согласно данным доступных информационных источников, посвященных проблемам ветеринарии и фитопатологии) практически не рассматриваются. Это связано, на наш взгляд, не только с необходимостью разработки узкоспециализированных технологий и оборудования и сложностями регистрации характеризующих статус «здоровья» биообъектов в данном случае, но и с низкой рентабельностью подобных систем в настоящее время.

Применение информационных и компьютерных технологий для исследования состояний пчелиных семей на основе анализа биосигналов хорошо представлено в исследованиях Рыбочкина А.Ф. [7, 14, 15].

Между тем, распространение опыта и привнесение существующих методов доклинической и клинической диагностик человека, скрининга его состояния, применяемых в настоящее время в медицине [5, 12] способно интенсифицировать применение современных информационных и компьютерных технологий классификации и диагностики заболеваний биообъектов в ветеринарии и фитопатологии.

Актуальность и важность в  этом направлении приобретают, на наш взгляд, достижения в области дистанционных измерений (регистрации) и анализа биомедицинских сигналов, изменяющихся во времени [13] (например, ЭКГ, ФПГ, РЭГ, ЭЭГ, дыхательные шумы и т.п.). Особенного это распространяется на анализ РЭГ и ФПГ, поскольку характеризующий сигнал может быть зарегистрирован как с помощью существующих специальных датчиков так и дистанционно и несет информацию о: работе сердечнососудистой системы, органов дыхания, составе крови, метаболизме и ионном обмене с окружающей средой, реакции на состав вдыхаемого воздуха, температуры и давления, состояния сосудов (например, эластичность) и газового обмена – т.е., внутренних и внешних параметров поддерживающих необходимый статус для реализации определенной функциональной цели (в том числе – гомеостаза).

В качестве информативных хронометрических характеристик у растений (и бактерий) можно предложить параметры сигнала, который следует называть «хлорофилограмма» - изменение спектра цвета в течение определенного времени. Указанный сигнал может быть зарегистрирован дистанционно с помощью  современной лазерной техники и фотоприемников.

Следует отметить, что в современной ветеринарии и фитопатологии применяются системы тестового характера, основанные на богатом опыте эмпирических наблюдений [6, 10, 19, 20].

В качестве одного из аналогов технологии диагностики состояния животных предлагается использовать информационно-аналитическую систему управления (коррекции) состояния человека в процессе наблюдения и-или  лечения с использованием терапевтической обратной связи, рассмотренную авторами в работе [21] и представленную на рисунке 1.

Диагностико-терапевтический процесс представляется в данном случае в виде цепочки повторяющихся кортежей image002  (где image004 - состояние биообъекта в момент времени t; image006 - терimage006апевтическое (управляющее) воздействие, переводящая состояние image004 в требуемое image010 за время image012, image014 - значение риска перехода объекта из состояния image004 в состояние image010). После применения image006, состояние объекта опознается как image016. При правильном управлении и отсутствии бифуркаций, состояния image010 и image016 лежат в области допустимого различия, определяемого ветеринаром в зависимости  от характера заболевания, его протекания и-или другими характеристиками объекта. Заметим, что воздействие  может быть «процессом ожидания» («управляющее бездействие»), с целью отслеживания естественного перехода биообъекта из одного состояния в другое согласно автономному управлению.

26-04-2016 18-00-00

Рисунок 1. - Информационно-аналитическая система диагностики и управления состояния биообъекта  с терапевтической обратной связью.

Терапевтическая обратная связь с применением СППДР согласно предлагаемой системы состоит в следующем. Цель управления: путем последовательного применения кортежей  image022 необходимо привести начальное распознанное СППДР  состояние объекта в желаемое конечное состояние. Распознаваемые состояния определяются следующим образом: регистрируется биосигнал, который переводится в цифровую форму (с необходимыми фильтрацией и сглаживанием). Далее  вычисляются  значения информативных хронометрических параметров сигнала (и, поскольку процессы регистрации и вычислений обладают определенными погрешностями, определяются интервальные оценки полученных значений). На этапе обучения СППДР идентифицируются решающие правила, позволяющие с приемлемой для  диагностического процесса уверенностью, определять различные состояния биообъекта (осуществляется в модулях «Decoder of a condition of object» и «Current state of object image004»). Затем формируется кортеж image002 и, после сравнения действительного (возникшего через время ) состояния image010 и желаемого конечного состояния, ветеринаром формируется определенное терапевтическое воздействие (в модуле   «Formation of  therapeutic intervention»), применяемое к биообъекту (организму животного). Сравнение осуществляется путем выявления и анализа различий в  интервальных оценках хронометрических параметров, характеризующих  определенные состояния (кластеры) объекта, в модулях «The decoder in the values of the state» (база знаний модулей формируется СППДР предварительно на этапе обучения системы). Тем самым реализуется механизм отрицательной обратной терапевтической связи, реализующий устойчивое приближение к финальному состоянию и-или не поддающийся автоуправлению процесс отдаления от финального состояния и-или стагнацию определенного состояния (между начальным и финальным).

В качестве хронометрических параметров, характеризующих состояние биообъекта предлагается использовать характеристики (параметры) различных биосигналов, идентифицированных аналогично   предложенными в [13] математическими методами и алгоритмами, хорошо зарекомендовавшим себя в клинике.

В частности, при анализе биосигналов, интегрально характеризующих состояние организма биообъекта предлагается определять хронометрические информативные параметры:

- прямые: частоты, мощности, действительные и мнимые части разложений биосигнала, представленного в цифровой форме, в ряды, идентифицированные с помощью Фурье преобразования  и гармонических алгоритмов МГУА [11, 17];

- латентные: первые минимумы и максимумы на низких частотах (начальные гармоники), глобальные максимумы на всем спектре, близлежащие к локальным максимумам минимумы (на сопряженных частотах), функциональные зависимости между действительными и мнимыми частями спектров в диапазонах частот, определенных для сигнала Фурье преобразованием, по формуле (1).

image026 и   image028,                       (1)

где  image030 - соответственно, частоты первого минимума на низких частотах и максимума спектра Фурье в целом;

- функциональные – характеризующие поведение биосистемы, способной принимать решение (реагировать на состояния внутренней и внешней сред) в текущий момент времени в соответствии с учетом прошлого опыта и прогнозирования будущего.

Рассмотрим формирование данного типа параметров более подробно.

Основной особенностью живой, открытой системы, каковым является биообъект, выступает  его целесообразное поведение [18]. У биообъекта в сельском хозяйстве наблюдается две цели, модулирующие друг с другом: цель системы управления и цель объекта управления. (В этой связи, наряду с понятием «биотехническая» система возникает естественно-обусловленная необходимость использования понятий «флорочеловеческая» и «фауночеловеческая» системы.)

Целесообразное поведение предполагает принятие решения биообъектом в конкретный момент времени t, отражаемое в значении информативного регистрируемого сигнала y(t). Поскольку живая система при этом систематически учитывает опыт своего существования в окружающей среде и автопрогноз развития ситуации, то в общем смысле регистрируемый сигнал y(t) может быть представлен (аппроксимирован) в виде формулы (2).

image032,(2)  

где: image034 – частные хронометрические функционалы, характеризующий состояние объекта в момент времени image036; image038 и image040 –  максимальные времена упреждения (запаздывания) и прогноза (экстраполяции), соответственно; T1 и T2 соответствующие целые числа, формирующие индексы частных хронометрических функционалов, F() интегральный функционал (назовем его «опытно-прогностический функционал» - «functional past-future» – FPF(t)).

В первом приближении рекомендуется  применять формулу (3).

image042,     (3)

где image044 и image046 - наилучшие временные сдвиги «прошлого» и «будущего» в смысле минимизации выбранного критерия рассогласования векторов-трендов image048 и image050, которые могут быть определены в процессе анализа автокорреляционной функции. При отсутствии таковой или отсутствия достоверной информации о периодичности рассматриваемого биосигнала  image048  без потери общности рассуждений и по аналогии с марковскими процессами можно принять image052 (d – дискретизация t, абстрактно image054). В простейшем случае частные хронометрические функционалы представлены линейным преобразованием:image056.

Структурно-параметрическая идентификация функционала FPF(t) позволяет строить систему диагностики состояния биообъекта, по схеме, представленной на рисунке 2.

Согласно приведенной схеме прогноза-распознавания  множество  значений хронометрических параметров {Y}t, регистрируемых в момент времени t , поступают на карты моделей  соответствия данного множества и прогнозируемого {Y}t+1 прогнозируемому состоянию биообъекта St+1 (адаптационные самоорганизующие карты – ASSOM и FASSOM – в терминологии Кохонена Т. [9]). Множество значений информативных хронометрических параметров в момент времени t+1, формируется «Модулем «фантазий»», где находится множество правил по суперпозиции которых (с определенными весовыми коэффициентами) и применением метода Монте-Карло идентифицируется множество image058  по {Y}t и рассогласованию между прогнозируемым состоянием St+1 и реально существующим image060. Итерационный этап обучения заканчивается когда указанное рассогласование достигнет приемлемой для процесса прогноза-распознавания величины.

26-04-2016 18-04-43

Рисунок 2. Схема прогноза-распознавания (диагностики) состояния биообъекта

Пример применения предлагаемого подхода получения дополнительной информации для диагностики состояния биообъекта по параметрам и структуре функционала  FPF(t) в виде image064 приведен  на рисунке 3. Заметим, что поскольку плетизмограмма отражает объемные (интегральные) характеристики кровенаполнения, то следует предположить, что она подобна спектру Фурье первоначального процесса «изгона крови» сердцем в виде последовательных треугольных или экспоненциальных функций (image066).

26-04-2016 18-06-02

Рисунок 3. Анализ ошибки аппроксимантов FPF(t) для фотоплетизмограммы.

Сравнивались значения аппроксимантов ФПГ – y(t):

image070,     (4)

image072,     (5)

image074.   (6)

Анализ относительных ошибок (представлены на рисунке 3) показывает, что наилучшим результат наблюдается в случае применения формулы (4) – т.е., биообъект при принятии решения учитывает «прошлый опыт» и «автопрогнозируемое будущее».

Выполним преобразование формулы (4) в формулу (7) для перехода к классическому варианту прогностических функций:

image076.                (7)

Формула (4) показывает, что для прогнозирования значения хронометрического параметра требуется учитывать «фантазию» о его прогностическом значении и текущим (с половинной дискретой времени) и усреднять данные значения. Формула (7) подчеркивает использование биообъектом сигнала подтверждения для прогнозирования. Поскольку формулы (4) и (7) по сути являются идентичными с алгебраической точки зрения, то указанные процессы, очевидно, представляют собой одно и тоже, т.е. – «подтверждение» и «прогноз» в данном случае – «близнецы-братья».

Таким образом, предлагаемая информационная поддержка и формализованный математический аппарат диагностико-терапевтического процесса, основанные на применении интеллектуальных возможностей СППДР постоянной оценки текущего состояния биообъекта и принципа терапевтической обратной связи, позволяют объективизировать и автоматизировать терапевтический процесс, в том числе и применяя  имитационное моделирования для прогноза возможных последствий принятия решений. Поскольку на этапе обучения СППДР когнитолог осуществляет наукоемкую и практически значимую систематизацию состояний, терапевтических воздействий и их взаимосвязь (в виде решающих правил), то предлагаемая информационно-аналитическая модель и предложенный математический аппарат применим в процессе повышения квалификационного уровня персонала и поиска оптимальных терапевтических технологий.

 

Литература

  1. Артеменко М.В. Формирование и применение опросника для автоматизированной системы поддержки принятия диагностических решений превентивной медицины скрининга рака желудка // Международный журнал прикладных и фундаментальных исследований. – 2015. – № 11-2. – стр. 184-190; URL: http://www.applied-research.ru/ru/article/view?id=7703 (дата обращения: 15.02.2016).
  2. Артеменко М.В., Добровольский И.И., Мишустин В.Н.  Информационно-аналитическая поддержка автоматизированной классификации на основе прямых и обратных решающих правил на примере прогноза тромбоэмболии. // Современные наукоемкие технологии. – 2015. №12 (часть 2). – стр.199-205.
  3. Артеменко М.В., Дронова Т.А., Кореневский Н.А. Применение показателей системной организации в диагностическом процессе //Системный анализ и управление в биомедицинских системах. -2003, -Т.2, -№1 . – стр. 16-19
  4. Артеменко М.В., Серебровский В.В., Бабков А.С. Информационно-аналитическая модель принятия решений в процессе диагностики рака желудка // Фундаментальные исследования. – 2014. – № 6-1. – стр. 18-23.
  5. Воронцов И.М., Шаповалов В.В., Шерстюк Ю.М. Здоровье. Опыт разработки и обоснование применения автоматизированных систем для мониторинга и скринирующей диагностики нарушений здоровья. – СПб. ООО «ИПК «Коста», 2006. – 432 с.
  6. Дюльгер  Г.П. Основы ветеринарии [Электронный ресурс] : учебное пособие / Г.П. Дюльгер, Г.П. Табаков.—Эл.дан.—СПб.:Лань,2013.—476с. //URL: http://e.lanbook.com/books/element.php?pl1_id=12972.
  7. Еськов Е.К., Рыбочкин А.Ф., Захаров И.С., Тобоев В.А. Микроклимат пчелиного жилища, его контроль и регулирование: монография / Курск. Гос. ун-т.; Курск. Гуманит.-техн. ин-т., Курск, 2009. 446 с.
  8. Илларионов В.Е. Научно-практические основы информационной медицины. – М.: Книжный дом «ЛИБРОКОМ», 2010. – 184 с.
  9. Кохонен Т. Самоорганизующие карты. –М.: БИНОМ. Лаборатория знаний, 2016. – 655 с.
  10.  Лухменев В.П. Фитопатология: учебное пособие. // Оренбург. Изд. центр ОГАУ, 2012, -342 с.
  11. Орлов А.А. Принципы построения архитектуры программной платформы для реализации алгоритмов метода группового учета аргументов // Управляющие системы и машины.-2013. - №2. -с.65-71
  12. Превентивная медицина: Опыт работы информационного полипараметрического комплекса / Под ред. Н.В. Дмитриевой. –М.: Книжный дом «ЛИБРОКОМ», 2010. – 248 с.
  13. Рангайян Р. М. Анализ биомедицинских сигналов. Практический подход : учебное пособие / Р. М. Рангайян. - М. : Физматлит, 2007. - 440 с.
  14. Рыбочкин А.Ф., Бартенев А.А. Мониторинг жизненных процессов пчелиной семьи на основе контроля распределения температурных полей в улье //Экологические системы и приборы,  2015, стр. 3-11
  15. Рыбочкин А.Ф., Савельев С.В., Плесканос Л.В. Анализ фотоплетизмограммы с использованием кодовых сообщений //Биомедицинская радиоэлектроника, 2010, №2, - стр. 43-48
  16. Рыбочкин А.Ф., Яковлев А.И. Диагностирование состояний объекта по издаваемому ими акустическому шуму.//Альтернативная энергетика и экология , 2001, №7, стр.89 – 101
  17. Справочник по типовым программам моделирования / А.Г. Ивахненко, Ю.В. Коппа, В.С. Степашко и др.; под ред. Ивахненко А.Г. – К.: Техника,1980.- 184 с.
  18. Судаков К.В., Кузичев И.А., Николаев А.Б. Эволюция терминологии и схем функциональных систем в научной школе П. К. Анохина. –М.: Европейские полиграфические системы, 2010. – 240 с.
  19. Фитопатология и охрана растений //URL: http://www.berl.ru /article/biology/fitopatology.htm (дата обращения - 15.02. 2016)
  20. Чураков Б.П., Чураков Д.Б. Фитопатология. -М.:Московский гос. унив. леса, 2007. -424 с.
  21. Artemenko M.V., Kalugina N.M., Pisarev M.V. Informational support for making diagnostic decisions with the use of therapeutic feedback based on the analysis of biomedical signals - "Fundamental and applied sciences: the main results of 2015" Proceedings of the I Annual International Scientific Conference, St. Petersburg, Russia - North Charleston, SC, USA 16-17 Deсember 2015, 2015 , рр. 26-30

 References

  1. Artemenko M.V. Formirovanie i primenenie oprosnika dlja avtomatizirovannoj sistemy podderzhki prinjatija diagnosticheskih reshenij preventivnoj mediciny skrininga raka zheludka // Mezhdunarodnyj zhurnal prikladnyh i fundamental'nyh issledovanij. – 2015. – № 11-2. – str. 184-190; URL: http://www.applied-research.ru/ru/article/view?id=7703 (data obrashhenija: 15.02.2016).
  2. Artemenko M.V., Dobrovol'skij I.I., Mishustin V.N.  Informacionno-analiticheskaja podderzhka avtomatizirovannoj klassifikacii na osnove prjamyh i obratnyh reshajushhih pravil na primere prognoza trombojembolii. // Sovremennye naukoemkie tehnologii. – 2015. №12 (chast' 2). – str.199-205.
  3. Artemenko M.V., Dronova T.A., Korenevskij N.A. Primenenie pokazatelej sistemnoj organizacii v diagnosticheskom processe //Sistemnyj analiz i upravlenie v biomedicinskih sistemah. -2003, -T.2, -№1 . – str. 16-19
  4. Artemenko M.V., Serebrovskij V.V., Babkov A.S. Informacionno-analiticheskaja model' prinjatija reshenij v processe diagnostiki raka zheludka // Fundamental'nye issledovanija. – 2014. – № 6-1. – str. 18-23.
  5. Voroncov I.M., Shapovalov V.V., Sherstjuk Ju.M. Zdorov'e. Opyt razrabotki i obosnovanie primenenija avtomatizirovannyh sistem dlja monitoringa i skrinirujushhej diagnostiki narushenij zdorov'ja. –SPb. OOO «IPK «Kosta», 2006. – 432 s.
  6. Djul'ger  G.P. Osnovy veterinarii [Jelektronnyj resurs] : uchebnoe posobie / G.P. Djul'ger, G.P. Tabakov.—Jel.dan.—SPb.:Lan',2013.—476s. //URL: http://e.lanbook.com/books/element.php?pl1_id=12972.
  7. Es'kov E.K., Rybochkin A.F., Zaharov I.S., Toboev V.A. Mikroklimat pchelinogo zhilishha, ego kontrol' i regulirovanie: monografija / Kursk. Gos. un-t.; Kursk. Gumanit.-tehn. in-t., Kursk, 2009. 446 s.
  8. Illarionov V.E. Nauchno-prakticheskie osnovy informacionnoj mediciny. – M.: Knizhnyj dom «LIBROKOM», 2010. – 184 s.
  9. Kohonen T. Samoorganizujushhie karty. –M.: BINOM. Laboratorija znanij, 2016. – 655 s.
  10. Luhmenev V.P. Fitopatologija: uchebnoe posobie. // Orenburg. Izd. centr OGAU, 2012, -342 s.
  11. Orlov A.A. Principy postroenija arhitektury programmnoj platformy dlja realizacii algoritmov metoda gruppovogo ucheta argumentov //  Upravljajushhie sistemy i mashiny.-2013. - №2. -s.65-71
  12. Preventivnaja medicina: Opyt raboty informacionnogo poliparametricheskogo kompleksa / Pod red. N.V. Dmitrievoj. –M.: Knizhnyj dom «LIBROKOM», 2010. – 248 s.
  13. Rangajjan R. M. Analiz biomedicinskih signalov. Prakticheskij podhod : uchebnoe posobie / R. M. Rangajjan. - M. : Fizmatlit, 2007. - 440 s.
  14. Rybochkin A.F., Bartenev A.A. Monitoring zhiznennyh processov pchelinoj sem'i na osnove kontrolja raspredelenija temperaturnyh polej v ul'e //Jekologicheskie sistemy i pribory,  2015, str. 3-11
  15. Rybochkin A.F., Savel'ev S.V., Pleskanos L.V. Analiz fotopletizmogrammy s ispol'zovaniem kodovyh soobshhenij //Biomedicinskaja radiojelektronika, 2010, №2, - str. 43-48
  16. Rybochkin A.F., Jakovlev A.I. Diagnostirovanie sostojanij ob#ekta po izdavaemomu imi akusticheskomu shumu.//Al'ternativnaja jenergetika i jekologija, 2001, №7, str.89 – 101
  17. Spravochnik po tipovym programmam modelirovanija / A.G. Ivahnenko, Ju.V. Koppa, V.S. Stepashko i dr.; pod red. Ivahnenko A.G. – K:Tehnika,1980.- 184 s.
  18. Sudakov K.V., Kuzichev I.A., Nikolaev A.B. Jevoljucija terminologii i shem funkcional'nyh sistem v nauchnoj shkole P. K. Anohina. –M.: Evropejskie poligraficheskie sistemy, 2010. – 240 s.
  19. Fitopatologija i ohrana rastenij //URL: http://www.berl.ru/article/ biology/fitopatology.htm (data obrashhenija - 15.02. 2016)
  20. Churakov B.P., Churakov D.B. Fitopatologija. -M.:Moskovskij gos. univ. lesa, 2007. -424 s.
  21. Artemenko M.V., Kalugina N.M., Pisarev M.V. Informational support for making diagnostic decisions with the use of therapeutic feedback based on the analysis of biomedical signals - "Fundamental and applied sciences: the main results of 2015" Proceedings of the I Annual International Scientific Conference, St. Petersburg, Russia-North Charleston,SC,USA 16-17 Desember 2015, pp. 26-30