Применение многослойных нейронных сетей в выявлении диастолической дисфункции левого желудочка у больных пожилого и старческого возраста | Статья в журнале «Молодой ученый»

Автор:

Рубрика: Технические науки

Опубликовано в Молодой учёный №1 (135) январь 2017 г.

Дата публикации: 09.01.2017

Статья просмотрена: 17 раз

Библиографическое описание:

Розыходжаева Д. А. Применение многослойных нейронных сетей в выявлении диастолической дисфункции левого желудочка у больных пожилого и старческого возраста // Молодой ученый. — 2017. — №1. — С. 79-82. — URL https://moluch.ru/archive/135/37871/ (дата обращения: 23.10.2018).



Во всем мире огромное количество людей страдает от болезней и проблем со здоровьем. Большинство заболеваний достаточно легко обнаруживаются и диагностируется врачами, однако ряд самых опасных из них тяжело поддается описанию, что приводит к трудностям их надлежащего лечения. Последние десятилетия характеризуются быстрыми темпами развития медицины, что привело к значительному расширению знаний закономерностей функционирования человеческого организма, появлению новых методов обследования и лечения больных. В то же время, все это привело к увеличению объема информации, необходимой для врачей в их практической деятельности для диагностики и лечения заболеваний.

Сегодня, несмотря на достижения современной компьютерной диагностики, всё еще сохраняется высокая тенденция смертности (более 50 %) от сердечно-сосудистых заболеваний из-за несвоевременного и неточного [1]. Проблема усугубляется тем фактом, что ряд демографических и экологических факторов, таких как увеличение доли пожилого населения, изменение климата, загрязнение окружающей среды и т. д., привели к тому, что врачи все чаще имеют дело не с одной болезнью пациента, а с их комбинациями. В результате появляется необходимость увеличения количества взаимозависимых показателей активности организма, что еще более усложняет проблему выбора адекватных лечебных воздействий.

Практическая медицина по-прежнему трудно формализуемая область человеческой деятельности, в которой эксперты при принятии решений часто исходят из предыдущего профессионального опыта и собственной интуиции, а не из анализа объективных данных. В такой ситуации трудно избежать врачебных ошибок, социальное и экономическое значение которых чрезвычайно высоко [1]. В решении сложившейся проблемы сегодня широко применяются методы интеллектуального анализа «больших» данных, одним из которых выступает нейросетевое моделирование. В связи с этим, целью данного исследования являлось рассмотрение влияния факторов здоровья человека на выявление диастолической дисфункции левого желудочка у больных пожилого и старческого возраста на основе многослойных нейронных сетей.

Диастолическая дисфункция левого желудочка (ДДЛЖ) — это нарушение нормального процесса заполнения желудочка кровью во время периода расслабления сердца (диастолы). Этот вид патологии, как правило, развивается в пожилом возрасте, чаще у женщин. Диагностика на ранних этапах позволяет предотвратить необратимые изменения. Одним из наиболее популярных и доступных информативных методов диагностики ДДЛЖ является двухмерная эхокардиография с допплерографией [2].

В качестве показателей здоровья в исследовании рассмотрены 56 параметров, включающих группу из общих показателей, эхокардиографического исследования и основных факторов риска. Часть включенных в исследование показателей представляла собой зависимые параметры, что позволило рассмотреть парное воздействие критериев на изучаемый процесс.

С целью выявления наиболее значимых критериев для ДДЛЖ был осуществлен корреляционный анализ, выражающий прочность отношений между двумя переменными. Высокая корреляция означает, что две или более переменные имеют сильную связь друг с другом, в то время как слабая или низкая корреляция означает, что переменные практически не связаны между собой. Корреляционный анализ представляет собой процесс изучения прочности этих отношений с имеющимися статистическими данными.

Коэффициенты корреляции могут варьироваться от -1.00 (идеальная отрицательная корреляция) до +1.00 (идеальная положительная корреляция). Значение равное или близкое к 0.00 означает отсутствие связи между параметрами. Для анализа корреляции изучаемого патологического состояния использовалась обучающая выборка данных, содержащая результаты 457 эхокардиографических исследований. Критерии с коэффициентом корреляции от -0.10 до +0.10 были исключены из обучающей выборки как малозначимые. Таковыми критериями оказались: возраст пациента (-0.05), рост (-0.07), постинфарктный кардиосклероз (-0.01), аортокоронарное шунтирование (-0.07), артериальная гипертензия (0.08), хроническая почечная недостаточность (-0.09), наличие подагры (0.00), антагонисты кальция (-0.01), прием нитратов (-0.09), частота сердечных сокращений (-0.02), наджелудочковая экстрасистолия (-0.04), желудочковая экстрасистолия (0,00), липопротеиды высокой плотности (0.02), диаметр аорты (0,04), фракция выброса (-0,09), размер правого желудочка (0,07).

К значимым параметрам были отнесены следующие: пол (0,19), вес (0,16), индекс массы тела (0,15), функциональный класс стенокардии (0,14), стентирование коронарных артерий (-0,16), каротидная эндартерэктомия (0,61), хроническая сердечная недостаточность (-0,39), NYHA (-0,32), сахарный диабет (0,27), курение (0,24), дислипидемия (-0,11), положительный семейный анамнез (0,21), периферический атеросклероз (0,27), инсульт (0,29), дисциркуляторная энцефалопатия (-0,44), остеохондроз (-0,41), заболевания желудочно-кишечного тракта (-0,57), ингибиторы АПФ, блокаторы ангиотензиновых рецепторов (0,28), статины (0,28), аспирин (0,21), ритм синусовый (0,17), искусственный водитель ритма сердца (-0,12), мерцательная аритмия (-0,17), систолическое артериальное давление (0,12), диастолическое артериальное давление (0,19), уровень глюкозы в крови (0,13), общий холестерин (-0,38), липопротеиды низкой плотности (-0,38), индекс атерогенности (-0,32), коэффициент атерогенности (-0,37), степень каротидного стеноза (0,47), тип атеросклеротической бляшки (0,25), конечно-диастолический размер ЛЖ (-0,15), конечно-диастолический объем ЛЖ (-0,31), диаметр левого предсердия (0,23), конечно-систолический размер ЛЖ (-0,27), конечно-систолический объем ЛЖ (-0,26), толщина межжелудочковой перегородки (0,52), ударный объем сердца (-0,29), толщина задней стенки ЛЖ (0,59). Данные параметры были включены в обучающую выборку при моделировании многослойной нейронной сети.

Искусственная нейронная сеть — это совокупность моделей биологических нейронных сетей. Она представляет собой сеть элементов — искусственных нейронов, связанных между собой синаптическими соединениями. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов. Работа сети состоит в преобразовании входных сигналов во времени, в результате чего меняется внутреннее состояние сети и формируются выходные воздействия. Большинство моделей нейронных сетей требуют обучения. В общем случае, обучение — такой выбор параметров сети, при котором сеть лучше всего справляется с поставленной проблемой. Обучение — это задача многомерной оптимизации, и для ее решения существует множество алгоритмов [3]. В данном исследовании для изучения выбран алгоритм обратного распространения ошибки.

Алгоритм обратного распространения ошибки — это один из методов обучения многослойных нейронных сетей прямого распространения, которые ещё называют многослойными персептронами [4]. Обучение алгоритмом обратного распространения ошибки предполагает два прохода по всем слоям сети: прямого и обратного. При прямом проходе входной вектор подается на входной слой нейронной сети, после чего распространяется по сети от слоя к слою. В результате генерируется набор выходных сигналов, который и является фактической реакцией сети на данный входной образ. Во время прямого прохода все синаптические веса сети фиксированы. Во время обратного прохода все синаптические веса настраиваются в соответствии с правилом коррекции ошибок, а именно: фактический выход сети вычитается из желаемого, в результате чего формируется сигнал ошибки. Этот сигнал впоследствии распространяется по сети в направлении, обратном направлению синаптических связей [5].

В исследовании в качестве функций активации нейрона применялись:

– Сигмоидная функция в виде гиперболического тангенса (tansig) — ;

– Логарифмическая сигмоидная функция активации (logsig) — .

Модели нейронной сети включали один или два скрытых слоя со следующим количеством нейронов и структурой функций активации:

– n-5–1 (tansig-tansig, logsig-tansig);

– n-10–1 (tansig-tansig, logsig-tansig);

– n-15–1 (tansig-tansig, logsig-tansig);

– n-20–1 (tansig-tansig, logsig-tansig);

– n-15–5-1 (logsig-tansig-tansig, tansig-tansig-tansig).

где n — это число входных нейронов. В нашем случае выявлено 40 значимых параметров, а, значит, таким будет и количество входов (n=40). Выходной нейрон настроен на отображение результата между 0.00 (патология не выявлена) и 1.00 (патология обнаружена).

В обучении нейронной сети применялись следующие настройки:

– Максимальное число итераций — 2000;

– Разделение данных (на обучающую и проверяющую часть) — случайное;

– Алгоритм — градиентный спуск с обратным распространением ошибки;

– Погрешность — среднеквадратичная ошибка;

– Минимальный градиент — 0.000005;

– Максимальное число валидаций — 500.

В результате обучения и тестирования моделей получены следующие сравнительные результаты (Таблица 1):


Таблица 1

Сравнительная таблица результатов тестирования исследованных моделей нейронных сетей

Ответы эксперта

0,0000

1,0000

0,0000

0,0000

1,0000

0,0000

0,0000

1,0000

1,0000

0,0000

Tansig-tansig: 40–5-1

0,0000

0,9958

0,9999

0,4202

0,9038

0,0032

0,0838

0,8025

0,9965

0,5010

Tansig-tansig: 40–10–1

0,0003

0,9976

0,9991

0,0006

0,9061

0,0026

0,0012

0,9012

0,9984

0,4303

Tansig-tansig: 40–15–1

0,0003

0,9972

0,9974

0,0007

0,9968

0,0026

0,1764

0,8919

0,9987

0,2002

Tansig-tansig: 40–20–1

0,0006

0,9976

0,9991

0,0010

0,9517

0,0040

0,1087

0,9320

0,9976

0,4204

Logsig-tansig: 40–20–1

0,0000

0,9957

0,9995

0,0004

0,9364

0,0039

0,0039

0,9229

0,9977

0,9005

Logsig-tansig: 40–15–1

0,0000

0,9935

0,9994

0,0021

0,9283

0,0042

0,1402

0,7825

0,9939

0,7639

Logsig-tansig: 40–10–1

0,0002

0,9967

0,9997

0,0001

0,9480

0,2103

0,1049

0,9843

0,9976

0,7219

Logsig-tansig: 40–5-1

0,0000

0,9950

0,9984

0,0011

0,9569

0,0021

0,0834

0,8904

0,9954

0,9815

Logsig-tansig-tansig: 40–15–5-1

0,0014

0,9938

0,9997

0,0021

0,9376

0,0102

0,1352

0,4065

0,9914

0,9052

Tansig-tansig-tansig: 40–15–5-1

0,0013

0,9959

0,9979

0,0072

0,9777

0,0053

0,1796

0,5051

0,9910

0,8921


Эксперимент показал, что для изучаемого процесса наиболее достоверные результаты получены в нейронных моделях с одним скрытым слоем с сигмоидной функцией активации в виде гиперболического тангенса. При этом важно отметить, что модель с пятнадцатью нейронами в скрытом слое показала наилучшие результаты тестирования. Остальные модели были менее точны или имели значительные погрешности в выходных значениях. Подобные результаты могут говорить о том, что изменение количества скрытых слоев и нейронов в них ведет к изменению графика функции, получаемой с помощью нейронной сети, что изменяет область выдаваемых ею выходных значений.

Литература:

  1. Розыходжаева Д. А., магистерская диссертация «Моделирование процессов принятия решений в современной эхокардиографии», г.Ташкент, 2016
  2. http://www.infmedserv.ru/stati/diastolicheskaya-disfunkciya-levogo-zheludochka
  3. Заенцев И. В. «Нейронные сети: основные модели», г.Воронеж: ВГУ, 1999
  4. Уоссермен Ф., «Нейрокомпьютерная техника. Теория и практика», М, Мир: 1992.
  5. http://www.aiportal.ru/articles/neural-networks/back-propagation
Основные термины (генерируются автоматически): нейронная сеть, обратное распространение ошибки, сеть, прямой проход, гиперболический тангенс, левый желудочек, коэффициент корреляции, корреляционный анализ, диастолическая дисфункция, функция активации.


Похожие статьи

Особенности геометрии левого желудочка у пациентов...

Эхокардиографические показатели диастолической функции левого желудочка у пациентов с метаболическим синдромом.

Нами проведен корреляционный анализ для выявления взаимосвязи допплерэхокардиографических показателей трансмитрального кровотока и...

Исследование возможностей использования нейронных сетей

Сети прямого распространения. Сети с обратными связями. Сети с обратными связями (Recurrent neural network) — искусственные нейронные сети, в которых выход нейрона может вновь подаваться на его вход.

Использование искусственных нейронных сетей для...

Это будет двухслойная сеть с прямой передачей и обратным распространением ошибки с функцией активацией гиперболический тангенс для скрытого слоя нейронов и сигмоидальной передаточной функцией на выходе.

Виды архитектур нейронных сетей | Статья в журнале...

гиперболический тангенс: В искусственных нейронных сетях присутствует разнообразный набор таких активационных функций. Путём объединения нескольких нейронов создаётся искусственная нейронная сеть.

К задаче прогнозирования энергопотребления с помощью...

Обучение нейронной сети по методу обратного распространения ошибки.

Для возможности применения метода обратного распространения ошибки передаточная функция нейронов должна быть дифференцируема.

Методы интеллектуального анализа данных в диагностировании...

Для исследования модели принятия решений при диагностике диастолической дисфункции левого желудочка (ДДЛЖ) на основе корреляционного анализа данных были выявлены 26 входных признаков, наиболее ярко влияющих на выявление данной патологии.

GRU и LSTM: современные рекуррентные нейронные сети

Чаще всего в качестве нелинейного преобразования применяют одну из следующих функций: сигмоидальная функция (1), гиперболический тангенс (2), функция-выпрямитель (3): (1). (2). (3). В простой рекуррентной нейронной сети (см. рис. 1)...

Основы разработки модулярных нейрокомпьютеров для обработки...

нейронная сеть, сеть, обратное распространение ошибки, глобальный минимум, слой, ошибка обучения, нейрон слоя, конец концов, алгоритм обучения, образ.

Особенности диастолической функции левого желудочка...

Цель исследования: определить особенности диастолической функции левого желудочка сердца у пациентов с пароксизмальной и

В результате анализа частоты встречаемости различных типов диастолической дисфункции либо её отсутствия в исследуемых группах...

Особенности геометрии левого желудочка у пациентов...

Эхокардиографические показатели диастолической функции левого желудочка у пациентов с метаболическим синдромом.

Нами проведен корреляционный анализ для выявления взаимосвязи допплерэхокардиографических показателей трансмитрального кровотока и...

Исследование возможностей использования нейронных сетей

Сети прямого распространения. Сети с обратными связями. Сети с обратными связями (Recurrent neural network) — искусственные нейронные сети, в которых выход нейрона может вновь подаваться на его вход.

Использование искусственных нейронных сетей для...

Это будет двухслойная сеть с прямой передачей и обратным распространением ошибки с функцией активацией гиперболический тангенс для скрытого слоя нейронов и сигмоидальной передаточной функцией на выходе.

Виды архитектур нейронных сетей | Статья в журнале...

гиперболический тангенс: В искусственных нейронных сетях присутствует разнообразный набор таких активационных функций. Путём объединения нескольких нейронов создаётся искусственная нейронная сеть.

К задаче прогнозирования энергопотребления с помощью...

Обучение нейронной сети по методу обратного распространения ошибки.

Для возможности применения метода обратного распространения ошибки передаточная функция нейронов должна быть дифференцируема.

Методы интеллектуального анализа данных в диагностировании...

Для исследования модели принятия решений при диагностике диастолической дисфункции левого желудочка (ДДЛЖ) на основе корреляционного анализа данных были выявлены 26 входных признаков, наиболее ярко влияющих на выявление данной патологии.

GRU и LSTM: современные рекуррентные нейронные сети

Чаще всего в качестве нелинейного преобразования применяют одну из следующих функций: сигмоидальная функция (1), гиперболический тангенс (2), функция-выпрямитель (3): (1). (2). (3). В простой рекуррентной нейронной сети (см. рис. 1)...

Основы разработки модулярных нейрокомпьютеров для обработки...

нейронная сеть, сеть, обратное распространение ошибки, глобальный минимум, слой, ошибка обучения, нейрон слоя, конец концов, алгоритм обучения, образ.

Особенности диастолической функции левого желудочка...

Цель исследования: определить особенности диастолической функции левого желудочка сердца у пациентов с пароксизмальной и

В результате анализа частоты встречаемости различных типов диастолической дисфункции либо её отсутствия в исследуемых группах...

Обсуждение

Социальные комментарии Cackle

Похожие статьи

Особенности геометрии левого желудочка у пациентов...

Эхокардиографические показатели диастолической функции левого желудочка у пациентов с метаболическим синдромом.

Нами проведен корреляционный анализ для выявления взаимосвязи допплерэхокардиографических показателей трансмитрального кровотока и...

Исследование возможностей использования нейронных сетей

Сети прямого распространения. Сети с обратными связями. Сети с обратными связями (Recurrent neural network) — искусственные нейронные сети, в которых выход нейрона может вновь подаваться на его вход.

Использование искусственных нейронных сетей для...

Это будет двухслойная сеть с прямой передачей и обратным распространением ошибки с функцией активацией гиперболический тангенс для скрытого слоя нейронов и сигмоидальной передаточной функцией на выходе.

Виды архитектур нейронных сетей | Статья в журнале...

гиперболический тангенс: В искусственных нейронных сетях присутствует разнообразный набор таких активационных функций. Путём объединения нескольких нейронов создаётся искусственная нейронная сеть.

К задаче прогнозирования энергопотребления с помощью...

Обучение нейронной сети по методу обратного распространения ошибки.

Для возможности применения метода обратного распространения ошибки передаточная функция нейронов должна быть дифференцируема.

Методы интеллектуального анализа данных в диагностировании...

Для исследования модели принятия решений при диагностике диастолической дисфункции левого желудочка (ДДЛЖ) на основе корреляционного анализа данных были выявлены 26 входных признаков, наиболее ярко влияющих на выявление данной патологии.

GRU и LSTM: современные рекуррентные нейронные сети

Чаще всего в качестве нелинейного преобразования применяют одну из следующих функций: сигмоидальная функция (1), гиперболический тангенс (2), функция-выпрямитель (3): (1). (2). (3). В простой рекуррентной нейронной сети (см. рис. 1)...

Основы разработки модулярных нейрокомпьютеров для обработки...

нейронная сеть, сеть, обратное распространение ошибки, глобальный минимум, слой, ошибка обучения, нейрон слоя, конец концов, алгоритм обучения, образ.

Особенности диастолической функции левого желудочка...

Цель исследования: определить особенности диастолической функции левого желудочка сердца у пациентов с пароксизмальной и

В результате анализа частоты встречаемости различных типов диастолической дисфункции либо её отсутствия в исследуемых группах...

Особенности геометрии левого желудочка у пациентов...

Эхокардиографические показатели диастолической функции левого желудочка у пациентов с метаболическим синдромом.

Нами проведен корреляционный анализ для выявления взаимосвязи допплерэхокардиографических показателей трансмитрального кровотока и...

Исследование возможностей использования нейронных сетей

Сети прямого распространения. Сети с обратными связями. Сети с обратными связями (Recurrent neural network) — искусственные нейронные сети, в которых выход нейрона может вновь подаваться на его вход.

Использование искусственных нейронных сетей для...

Это будет двухслойная сеть с прямой передачей и обратным распространением ошибки с функцией активацией гиперболический тангенс для скрытого слоя нейронов и сигмоидальной передаточной функцией на выходе.

Виды архитектур нейронных сетей | Статья в журнале...

гиперболический тангенс: В искусственных нейронных сетях присутствует разнообразный набор таких активационных функций. Путём объединения нескольких нейронов создаётся искусственная нейронная сеть.

К задаче прогнозирования энергопотребления с помощью...

Обучение нейронной сети по методу обратного распространения ошибки.

Для возможности применения метода обратного распространения ошибки передаточная функция нейронов должна быть дифференцируема.

Методы интеллектуального анализа данных в диагностировании...

Для исследования модели принятия решений при диагностике диастолической дисфункции левого желудочка (ДДЛЖ) на основе корреляционного анализа данных были выявлены 26 входных признаков, наиболее ярко влияющих на выявление данной патологии.

GRU и LSTM: современные рекуррентные нейронные сети

Чаще всего в качестве нелинейного преобразования применяют одну из следующих функций: сигмоидальная функция (1), гиперболический тангенс (2), функция-выпрямитель (3): (1). (2). (3). В простой рекуррентной нейронной сети (см. рис. 1)...

Основы разработки модулярных нейрокомпьютеров для обработки...

нейронная сеть, сеть, обратное распространение ошибки, глобальный минимум, слой, ошибка обучения, нейрон слоя, конец концов, алгоритм обучения, образ.

Особенности диастолической функции левого желудочка...

Цель исследования: определить особенности диастолической функции левого желудочка сердца у пациентов с пароксизмальной и

В результате анализа частоты встречаемости различных типов диастолической дисфункции либо её отсутствия в исследуемых группах...

Задать вопрос