С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре icon

С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре




Скачати 72.13 Kb.
НазваС. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре
Дата28.06.2012
Розмір72.13 Kb.
ТипДокументи

Кардаш А.М., Сайко Д.Ю., Гладунов С.А., Семисалова В.С.

Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре

Государственный медицинский университет им. М. Горького, г. Донецк, Украина

Национальный технический университет, г. Донецк, Украина

Резюме. Проведено краткосрочное прогнозирование развития легкой черепно-мозговой травмы (ЧМТ) в крупном промышленном центре. Черепно-мозговой травматизм изучался на 5490 обращениях в Донецкий областной нейрохирургический центр и Донецкий НИИ травматологии и ортопедии за период 1996-2002 гг. Используя информационные технологии, основанные на искусственном нейросетевом моделировании, получен краткосрочный прогноз развития легкой ЧМТ (на год вперед) с допустимой погрешностью в 2,99%, что является очень высоким показателем точности. Прогнозирование развития легкой ЧМТ позволяет объективизировать и повысить качество планирования работы медицинской службы по оказанию помощи пострадавшим.

Вступление. Клинико-эпидемиологическое динамическое исследование черепно-мозгового травматизма выявило превалирование в Донецком регионе легких видов травмы при неизменном числе тяжелых форм [4]. Сложность экономической ситуации, сложившейся в настоящее время в здравоохранении Украины, обусловливает необходимость поиска оптимальных решений по улучшению помощи пострадавшим с черепно-мозговой травмой [5, 6].

В решении многих медицинских проблем, возникающих при оказании помощи пострадавшим с ЧМТ, могут помочь программно-вычислительные методы исследования процессов развития черепно-мозгового травматизма с учетом региональных особенностей [8].

^ Материал и методы. Изучено 5490 (3585 лиц мужского пола и 1905 - женского) случаев легкой ЧМТ среди взрослого населения двух районов г. Донецка за 1996-2002 гг. (средняя численность населения 220 тыс. чел.), которым оказывалась помощь в Донецком областном нейрохирургическом центре и Донецком НИИ травматологии и ортопедии. Пострадавших с сотрясением головного мозга было 5160 (94%) и 330 (6%) – с ушибами головного мозга легкой степени.

Задачей исследования явилось изучение возможности применения математических методов в оценке черепно-мозгового травматизма за 1996-2001 годы и построение прогноза динамики его развития на 2002 год на примере легкой ЧМТ, составляющей 85% всей травмы в Донецком регионе. Результаты прогноза были верифицированы по данным 2002 года.

Обсуждение. Учитывая значительную вариабельность возникновения легкой ЧМТ в отдельные месяцы и годы, в качестве математического обеспечения для решения задач прогноза были применены искусственные нейросети (ИН), которые в процессе многофакторного анализа вводимой информации выделяют наиболее информативные признаки, позволяющие строить прогноз развития стохастических процессов с наилучшей точностью [1].

Интерес к информационным процессам функционирования человеческого мозга возник еще в древности и с тех пор было выдвинуто множество теорий. Традиционно вопросами мышления занимались психологи, однако в первой половине ХХ-го века появился ряд математических работ, посвященных решению проблемы. Один из подходов был основан на изучении и моделировании физиологических процессов, протекающих в мозгу, с тем, чтобы отразить его информационную структуру. Этот подход получил название теории искусственных нейронных сетей или нейроинформатики.

В основу теории нейросетей легла формальная модель нейрона, предложенная американскими учеными МакКаллоком и Питтсом [2]. Согласно этой модели нейрон получает сигналы от других, связанных с ним, нейронов, вычисляет взвешенную сумму входов и, в зависимости от её значения, либо возбуждается, т.е. передает сигнал другим нейронам, либо остается пассивным.

В более общем виде функционирование искусственного нейрона определяется следующей формулой:

,

где y – выходной сигнал нейрона, xi – набор входных сигналов, wi – набор весовых коэффициентов, задающих данный нейрон, f(g) – функция активации, определяющее преобразование входных сигналов в выходной. Схематично модель нейрона представлена на рис. 1.



Рисунок 1.^ Формальная модель нейрон

Главной особенностью искусственного нейрона, определившей его широкое применение при решении различных задач информатики, является способность к обучению. Обучение нейрона состоит в нахождении таких значений весовых коэффициентов, при которых нейрон возбуждался бы только на заранее определенном наборе входных сигналов.

Первые нейроны имели пороговую функцию активации:

f(g)= {1, при g ; 0, при g < },

где – заранее определенное фиксированное значение, называемое «порогом активации».

Такой нейрон был предложен Розенбладтом и получил название «персептрон» [7]. Входы и выходы персептрона принимали значения {0, 1}, а обучение проводилось в соответствии с правилом Хебба, суть которого можно объяснить интуитивно понятными соотношениями: если нейрон должен возбуждаться при поступлении данного входного набора, то следует увеличить веса связей, на которые пришел единичный вход; в противном случае такие веса следует уменьшить.

При решении реальных задач использовались наборы линейно упорядоченных персептронов с общими входами и взаимно независимыми выходами. Это позволило организовать преобразование «вектор-вектор», необходимое при решении задачи классификации.

Рассмотренная модель нейрона прекрасно зарекомендовала себя при решении задач распознавания образов, позволяя выявить во входном множестве закономерности, недоступные для других методов математической обработки, но при этом и продемонстрировала ряд недостатков. Наиболее ярким примером ограниченности возможностей персептрона является невозможность реализовать с его помощью функцию «исключающего или» [3]. Эта простейшая функция является одной из основных в алгебре логики и используется, в частности, при организации процедуры поразрядного сложения. Невозможность её реализации на нейроне резко охладило интерес исследователей к нейроинформатике в целом и определило почти 20-летний упадок теории.

Новый всплеск интереса к нейроинформатике был вызван работами Хехт-Нильсена, предложившего более совершенную структуру вычислений [9]. Эта структура получила название нейронной сети (рис. 2).



Рисунок 2. ^ Схема искусственной нейронной сети

Здесь нейроны расположены в виде последовательности слоев. Элементы одного слоя имеют общие входы и функционируют независимо друг от друга. Нейроны каждого последующего слоя получают входы от выходов каждого из нейронов предыдущего слоя. Такая структура называется сетью с прямыми полными последовательными связями.

Хехт-Нильсен доказал теорему, согласно которой любое нелинейное преобразование входного сигнала в выходной может быть реализовано трехслойной нейронной сетью. Необходимым условием теоремы Хехт-Нильсена является выбор специальных функций активации.

Описанная модель получила в литературе название «многослойный персептрон», в отличие от модели Розенбладта, позволяющей реализовать только один слой. Как правило, в многослойных персептронах используется сигмоидальная (логистическая) функция активации

,

Такая функция, позволяет реализовать непрерывное нелинейное пороговое преобразование, в результате чего входы и выходы сети могут принимать непрерывные значения в диапазоне [0; 1]. Для обучения многослойного персептрона используют несколько процедур, к наиболее известным из которых относятся метод обратного распространения ошибки, метод Левенберга-Маркара, а также генетические алгоритмы.

Наиболее удачной областью применения этой модели нейросетей является аппроксимация сложных многомерных зависимостей, что вытекает из теоремы Хехт-Нильсена. В частности, многослойные персептроны хорошо зарекомендовали себя в прогнозировании и автоматическом управлении.

Построенная математическая модель с использованием ИН позволила провести прогнозирование развития легкой ЧМТ на кварталы вперед с ошибкой от 1, 89% до 20,95%. Точность прогноза развития сотрясений головного мозга на год вперед составила 94,26%, а ушибов головного мозга легкой степени – 84,09%. Суммарная ошибка при прогнозировании развития легкой ЧМТ на год вперед была 2,99%, что относится к очень точным прогнозам.

^ Таким образом, применение ИН при прогнозировании развития легкой ЧМТ доказало значительную эффективность метода. Это позволяет объективизировать планирование как нейрохирургической, так и других служб (травматологической, неврологической, рентгенологической и т.д.) по своевременному и оптимальному оказанию помощи пострадавшим с черепно-мозговой травмой.

Литература

  1. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб пособие для вузов. – М.: ИПРЖР, 2000 – 528 с.

  2. Маккаллок У. С., Питтс У. Логическое исчисление идей, относящихся к нервной деятельности. Автоматы. – М.: ИЛ. – 1956

  3. Минский М. Л., Пейперт С. Персептроны. – М: Мир. – 1971.

  4. Кардаш А.М., Семисалов С.Я. Клинико-эпидемиологические особенности легкой черепно-мозговой травмы в г. Донецке // Новости медицины и фармации. Апрель/2001.- №7(87). – С.10-11.

  5. Курако Ю.Л., Букина В.В. Легкая закрытая черепно-мозговая травма.К.: Здоров`я.-1989.-160 С.

  6. Педаченко Г.А. Курс избраных лекций по нейрохирургии: Сотрясение головного мозга.- К.: Мириам, 1994.-44 с.

  7. Розенблатт Ф. Принципы нейродинамики. – М: Мир. – 1965.

  8. С.Я.Семисалов, С.А. Гладунов, В.С.Константинов, Е.Л.Чепига Прогноз развития острого черепно-мозгового травматизма с помощью искусственного нейросетевого программирования// Український медичний альманах.-2001. -Т. 4., -№ 3.- С.150-152

  9. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика. - М.: Мир, 1992







Схожі:

С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре icon001 Нейрофизиология острой черепно-мозговой травмы. Клумбисл а вильнюс, «Мокслас», 1976, 264 с
Охватывает 13
С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре iconСравнительный анализ подходов к оценке уровней развития познавательной самостоятельности студентов исходные предпосылки
Сравнительный анализ подходов к оценке уровней развития познавательной самостоятельности студентов
С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре iconПрограмма Международного форума «Стратегии развития крупных городов. Инвестиционные строительные программы»
«Чистая вода и современные технологии: практика реализации в крупном городе» (Юго-Западная водопроводная станция мгуп «Мосводоканал»)...
С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре iconКостюченко Н. Н. К вопросу об оценке эффективности институтов устойчивого развития // Наукові праці Донецького національного технічного університету. Серія: економічна. Випуск 37-3 (156). – Донецьк, Доннту, 2009. – 222 с. – с. 37-42

С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре iconМетодические рекомендации для студентов, которые учатся за специальностью физическое воспитание, а также тренерам по легкой атлетике
Охватывают круг средств, включающих элементы соревновательной деятельности, способ­ствуют направленному воздействию на те или иные...
С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре iconОстрая травма зубов у детей. Диагностика, лечение поврежений временных и постоянных зубов с незаконченным формированием корней актуальность темы
Мы зубов у детей объясняется значительным участием их в спорте и активных играх. Росту этой патологии способствуют случайные падения...
С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре iconН. Я. Крижановська Монография «Формирование открытых архитектурных пространств в центре г. Харькова» Харків хнамг-2010. Монография
Монография «Формирование открытых архитектурных пространств в центре г. Харькова»
С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре iconКурсы профессиональной подготовки оценщиков по экспертной денежной оценке земельных участков
Факультет повышения квалификации кадров Института последипломного образования Доннту проводит учебные курсы профессиональной подготовки...
С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре iconСтатья достаточно актуальна на сегодняшний день в период перехода к международным стандартам, гармонизация бухгалтерской практики и финансовой отчетности требуют особенного внимания, сведения к минимуму отклонений в учетных системах
Тчетности №3 “Отчет о движении денежных средств”, главного источника информации о деятельности предприятия, динамике его развития....
С. А., Семисалова В. С. Нейрокомпьютинг в оценке развития легкой черепно-мозговой травмы в крупном промышленном центре iconГлубокоуважаемые коллеги! Приглашаем Вас принять участие в Международной конференции «биодиагностика в экологической оценке почв и сопредельных сред»
Приглашаем Вас принять участие в Международной конференции «биодиагностика в экологической оценке почв и сопредельных сред», которая...
Додайте кнопку на своєму сайті:
Документи


База даних захищена авторським правом ©zavantag.com 2000-2013
При копіюванні матеріалу обов'язкове зазначення активного посилання відкритою для індексації.
звернутися до адміністрації
Документи