gototopgototop

Сравнительный анализ нейронных сетей для систем с биологической обратной связью

Имуков Алексей Юрьевич – аспирант Самарского национального исследовательского университета имени академика С.П. Королёва.

Аннотация: Современная медицинская техника расширяет возможности медицины и требует все больше технических навыков от врачей. Решить эту проблему может применение нейронных сетей. В данной статье представлен анализ нейронных сетей подходящих для решения технических задач в системах с биологической обратной связью.

 Ключевые слова: Нейронная сеть, биологическая обратная связь.

Системы с биологической обратной связью которые применяются в наших реабилитационных центрах согласно приказу по оснащению имеют ряд недостатков, главный из которых малая автоматизация. Врач работающий с системой БОС тратит порядка 15-20% процедуры на то, чтобы откалибровать систему под каждого конкретного пациента, из-за этого эффективность системы снижается.

 Нейронная сеть может заменить врача и откалибровать систему самостоятельно, без его участия, что позволит увеличить производительность системы и исключит возможность врачебной ошибки. Так же стоит отметить, что нейронная сеть может хранить в несколько раз больше вариантов калибровки системы с БОС нежели врач. Таким образом применение нейронных сетей в системах с БОС не только увеличит производительность, но и улучшит качество процедуры лечения пациента.

Сравним наиболее подходящие нейронные сети для решения поставленной задачи это: многослойный персептрон, один из самых распространённых видов нейронных сетей и сеть Вольтерри, разновидность специализированной нейронной сети для нелинейной обработки. Для адаптации сетей под системы с биологической обратной связи нужно присвоить каждому варианту калибровки свой вес выходного сигнала, а на вход нейронной сети подавать исходные данные о пациенте. Так как одна нейронная сеть может обрабатывать только один параметр, а в системах с биологической обратной связью таких параметров минимум три, для решения поставленной задачи нам нужно будет продублировать сеть для каждого задаваемого параметра упражнения.

Многослойный персептрон – это стандартная сеть прямого распространения, имеет входной и выходной сигнал, а также несколько скрытых слоев, каждый нейрон n-ного слоя соединен с каждым нейроном (n+1) слоя, это наиболее распространённая структура. На рис.1 представлена схема многослойного персептрона.

1

Рисунок 1. Схема многослойного персептрона.

Сеть Вольтерри – динамическая сеть для нелинейной обработки последовательности сигналов, задержанных относительно друг друга. Возбуждением для сети в момент ι служит вектор 2 где lt – количество единичных задержек, а lt +1 означает размерность вектора. Выходной сигнал можно описываться формулой

3

Схематично сеть Вольтерри имеет следующий вид (рис. 2).

4

Рисунок 2. Сеть Вольтерри.

Нейросеть основанная на принципе сетей Вольтерри, как видно по описанию имеет больший потенциал использовании чем у многослойного персептрона благодаря особенностям архитектуры. Показатели точности скорости и производительности для медицинской техники являются одинаково важными в связи со спецификой области применения. Правильно построенная сеть Вольтерри позволяет сводить ошибку погрешности к значению максимально близкому к нулю всего за 15-20 микросекунд, а также имеет высокую производительность, из этого следует что нейронная сеть Вольтерри оптимальна для использования в системах с биологической обратной связью. Таким образом в статье кратко приведено сравнение нейронных сетей для применения их в системах с биологической обратной связью.

Список литературы

  1. Горбань н.а и др. нейроинформатика Новосибирск: наука 1998 296 с.
  2. Солдатова О.П., Семенов В.В. Применение нейронных сетей для решения задач прогнозирования // Исследовано в России: электронный журнал. 2009. 136. С. 1270-1270. URL: http://zhurnal.ape.relarn.ru/ articles/2006/136.pdf.
  3. Крючин О.В., Арзамасцев А.А. Параллельный алгоритм полного сканирования минимизации функций // Информационные технологии, системный анализ и управление: VII Всерос. науч. конф. молодых ученых, аспирантов и студентов. Таганрог: Таганрог. технолог. ин- ЮФУ, 2009. С. 270-272.
  4. Хайкин С. Нейронные сети: Полный курс: Пер. с англ. - 2-е изд. – М.: Вильямс, 2006. – 1104 с.: ил.
  5. Борисов В.В., Круглов В.В., Федулов А.С. Нечёткие модели и сети. – М.: Горячая линия– Телеком, 2007. -284 с.: ил.

Интересная статья? Поделись ей с другими:

Внимание, откроется в новом окне. PDFПечатьE-mail