Конференции ИВТ СО РАН

VIII Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям

27 - 29 ноября 2007 года, Новосибирск

Тезисы докладов

Вычислительная математика

Нейросетевой подход к классификации данных пульсовой диагностики

Хандаров Ф.В.

Улан-Удэнский филиал Института Динамики Систем и Теории Управления (Улан-Удэ)

Метод пульсовой диагностики в Тибетской медицине основан на измерении основных характеристик пульсовой волны, снимаемых в 6-ти репрезентативных точках, и последующей их трактовке относительно основного медицинского трактата тибетской медицины "Чжуд-ши" и комментариев к нему.

К настоящему времени наряду с множеством аппаратных решений (от уровня прототипов до опытных серий) для измерения физиологических сигналов в отечественной и зарубежной практике представлены также и различающиеся наборы информативных параметров пульсовых волн. В-целом, проблема построения адекватной математической модели распространения пульсовой волны в артериальном русле остается нерешенной.

Будем рассматривать задачу классификации пульсовых волн, представленных статистической моделью - отобранными наиболее информативными параметрами.

Первоначально формально будем решать задачу обучения с учителем. В качестве объектов классификации будем рассматривать вектора информативных признаков пульсовых волн.

Из всех параметров пульсовой волны, для которых возможно измерение, в качестве информативных предполагается использовать параметры, относящиеся к следующим группам:

Объемные и скоростные показатели (плотность кровотока, объем крови и др.)
Временные характеристики (фазы сердечного ритма)
Амплитудные характеристики
Амплитудно-временные характеристики
Спектральный анализ (мощности)
Статистический анализ
(Гистограмма) Вариационная пульсометрия
Корреляционная ритмография
Автокорреляционный анализ
Спектральный анализ

Применение нейросетевого подхода для решения задачи классификации обусловлено высокой степенью зашумленности данных пульсовой диагностики, наличием сложных закономерностей, не обнаруживаемых линейными методами.

Для повышения точности классификации планируется формирование комитетного нейросетевого решения на основе различных возможных итеративных градиентных алгоритмов пересчета весов, а также различного количества скрытых слоев и нейронов в них.

Примечание. Тезисы докладов публикуются в авторской редакции

Ваши комментарии
Обратная связь

[Головная страница]
[Конференции]