Архив номеров
Медицинская Техника / Медицинская техника №3, 2020 / с. 43-45

Гетерогенные классификаторы с виртуальными потоками в интеллектуальных системах прогнозирования сердечно-сосудистых осложнений в реабилитационном периоде

Е.В. Петрунина, О.В. Шаталова, Д.С. Забанов, В.В. Серебровский


Аннотация

Рассмотрены виртуальные модели «слабых» классификаторов для интеллектуальных систем классификации риска повторного инфаркта миокарда. При построении моделей риска сердечно-сосудистых осложнений в качестве дополнительных факторов риска использовались результаты биоимпедансных исследований.
Исследовано пять классификаторов, из которых четыре являлись гетерогенными. Модели гетерогенных классификаторов получали путем последовательного увеличения числа решающих модулей, входящих в классификационную модель. При использовании всех решающих модулей в гетерогенном классификаторе получена диагностическая чувствительность 0,90 при диагностической специфичности 0,86. При конфигурации признакового пространства, включающей в себя только традиционные факторы риска, показатели качества классификации не уступают известным шкалам риска сердечно-сосудистых осложнений.


Вернуться к содержанию

Сведения об авторах

Елена Валерьевна Петрунина, канд. техн. наук, доцент, декан, факультет прикладной математики и информатики, ФГБОУ ИВО «Московский государственный гуманитарно-экономический университет»,
Ольга Владимировна Шаталова, канд. техн. наук, доцент,
Денис Станиславович Забанов, аспирант, кафедра биомедицинской инженерии,
Вадим Владимирович Серебровский, д-р техн. наук, профессор, кафедра программной инженерии, ФГБОУ ВО «Юго-Западный государственный университет», г. Курск,

Список литературы

1. Гурылева М.Э., Журавлева М.В., Алеева Г.Н. Критерии качества жизни в медицине и кардиологии // Русский медицинский журнал. 2006. Т. 14. № 10. С. 761-763.
2. Киселев А.В., Петрова Т.В., Дегтярев С.В. и др. Нейросетевые модули с виртуальными потоками для классификации и прогнозирования функционального состояния сложных систем // Известия Юго-Западного государственного университета. 2018. Т. 22. № 4. С. 123-134.
3. Киселев А.В., Филист С.А., Шаталова О.В. и др. Виртуальные потоки в гибридных решающих модулях классификации сложноструктурируемых данных // Прикаспийский журнал: управление и высокие технологии. 2018. № 2 (42). С. 137-149.
4. Киселев А.В., Шаталова О.В., Петрунина Е.В. и др. Слабые классификаторы с виртуальными потоками в интеллектуальных системах прогнозирования сердечно-сосудистых осложнений // Известия Юго-Западного государственного университета. Серия «Управление, вычислительная техника, информатика. Медицинское приборостроение». 2019. Т. 9. № 1 (30). С. 6-19.
5. Филист С.А., Емельянов С.Г., Рыбочкин А.Ф. Нейросетевой решающий модуль для исследования живых систем // Известия Курского государственного технического университета. 2008. № 2 (23). С. 77-82.
6. Филист С.А., Шаталова О.В., Ефремов М.А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры. Разработка и применение. 2014. № 6. С. 35-39.
7. Томакова Р.А., Филист С.А., Яа Зар До Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. № 4 (43). С. 44-50.
8. Суржикова С.Е., Шаталова О.В., Богданов А.С. Применение автоматизированной системы для исследования вольтамперных характеристик биоматериалов // Биомедицинская радиоэлектроника. 2014. Вып. 9. С. 43-46.
9. Мохаммед Авад А.А., Филист С.А., Шаталова О.В. Моделирование импеданса биоматериалов в среде MATLAB // Известия Юго-Западного государственного университета. Серия «Управление, вычислительная техника, информатика. Медицинское приборостроение». 2013. № 4. С. 61-66.