Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений
Исследуется и анализируется реальное множество больших по объему медико-статистических данных, используемых для распознавания действий медицинских работников на основе показателей акселерометров в определенный момент времени. В процессе распознавания применена глубинная сеть убеждений на неразмечен...
Gespeichert in:
| Datum: | 2016 |
|---|---|
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Russian |
| Veröffentlicht: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2016
|
| Schriftenreihe: | Кибернетика и системный анализ |
| Schlagworte: | |
| Online Zugang: | http://dspace.nbuv.gov.ua/handle/123456789/142054 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений / А.А. Галкин // Кибернетика и системный анализ. — 2016. — Т. 52, № 6. — С. 21-29. — Бібліогр.: 8 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
irk-123456789-142054 |
|---|---|
| record_format |
dspace |
| spelling |
irk-123456789-1420542018-09-25T01:22:47Z Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений Галкин, А.А. Кибернетика Исследуется и анализируется реальное множество больших по объему медико-статистических данных, используемых для распознавания действий медицинских работников на основе показателей акселерометров в определенный момент времени. В процессе распознавания применена глубинная сеть убеждений на неразмеченных данных, после чего проведено обучение с учителем методом обратного распространения ошибки. Полученные результаты показали более высокую точность распознавания по сравнению с базовыми методами. Достигнуто также значительное улучшение относительно продолжительности действий медперсонала. Досліджується та аналізується реальна множина великих за обсягом медико-статистичних даних, що використовуються для розпізнавання дій медичних працівників на основі показників акселерометрів у визначений момент часу. У процесі розпізнавання застосовано глибинну мережу переконань на нерозмічених даних, після чого проведено навчання з учителем методом зворотного поширення помилки. Отримані результати показали більш високу точність розпізнавання у порівнянні з базовими методами. Досягнуто також значне покращення відносно тривалості дій медперсоналу. The paper analyzes the real set of large-volume medical and statistical data to be used for recognition of actions of medical workers on the basis of readings of accelerometers at a particular moment of time. During the recognition, deep belief network is applied on unlabeled data, and then trained with supervised learning by backward propagation of errors. The obtained results show a higher recognition accuracy as compared with the basic methods A significant improvement is achieved as to the duration of actions of medical staff. 2016 Article Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений / А.А. Галкин // Кибернетика и системный анализ. — 2016. — Т. 52, № 6. — С. 21-29. — Бібліогр.: 8 назв. — рос. 0023-1274 http://dspace.nbuv.gov.ua/handle/123456789/142054 519.7 ru Кибернетика и системный анализ Інститут кібернетики ім. В.М. Глушкова НАН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
Russian |
| topic |
Кибернетика Кибернетика |
| spellingShingle |
Кибернетика Кибернетика Галкин, А.А. Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений Кибернетика и системный анализ |
| description |
Исследуется и анализируется реальное множество больших по объему медико-статистических данных, используемых для распознавания действий медицинских работников на основе показателей акселерометров в определенный момент времени. В процессе распознавания применена глубинная сеть убеждений на неразмеченных данных, после чего проведено обучение с учителем методом обратного распространения ошибки. Полученные результаты показали более высокую точность распознавания по сравнению с базовыми методами. Достигнуто также значительное улучшение относительно продолжительности действий медперсонала. |
| format |
Article |
| author |
Галкин, А.А. |
| author_facet |
Галкин, А.А. |
| author_sort |
Галкин, А.А. |
| title |
Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений |
| title_short |
Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений |
| title_full |
Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений |
| title_fullStr |
Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений |
| title_full_unstemmed |
Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений |
| title_sort |
распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений |
| publisher |
Інститут кібернетики ім. В.М. Глушкова НАН України |
| publishDate |
2016 |
| topic_facet |
Кибернетика |
| url |
http://dspace.nbuv.gov.ua/handle/123456789/142054 |
| citation_txt |
Распознавание действий медицинских работников на основе показателей акселерометров с использованием глубинной сети убеждений / А.А. Галкин // Кибернетика и системный анализ. — 2016. — Т. 52, № 6. — С. 21-29. — Бібліогр.: 8 назв. — рос. |
| series |
Кибернетика и системный анализ |
| work_keys_str_mv |
AT galkinaa raspoznavaniedejstvijmedicinskihrabotnikovnaosnovepokazatelejakselerometrovsispolʹzovaniemglubinnojsetiubeždenij |
| first_indexed |
2025-07-10T14:03:09Z |
| last_indexed |
2025-07-10T14:03:09Z |
| _version_ |
1837268932851924992 |
| fulltext |
ÓÄÊ 519.7
À.À. ÃÀËÊÈÍ
ÐÀÑÏÎÇÍÀÂÀÍÈÅ ÄÅÉÑÒÂÈÉ ÌÅÄÈÖÈÍÑÊÈÕ ÐÀÁÎÒÍÈÊÎÂ
ÍÀ ÎÑÍÎÂÅ ÏÎÊÀÇÀÒÅËÅÉ ÀÊÑÅËÅÐÎÌÅÒÐÎÂ
Ñ ÈÑÏÎËÜÇÎÂÀÍÈÅÌ ÃËÓÁÈÍÍÎÉ ÑÅÒÈ ÓÁÅÆÄÅÍÈÉ
Àííîòàöèÿ. Èññëåäóåòñÿ è àíàëèçèðóåòñÿ ðåàëüíîå ìíîæåñòâî áîëüøèõ ïî
îáúåìó ìåäèêî-ñòàòèñòè÷åñêèõ äàííûõ, èñïîëüçóåìûõ äëÿ ðàñïîçíàâàíèÿ
äåéñòâèé ìåäèöèíñêèõ ðàáîòíèêîâ íà îñíîâå ïîêàçàòåëåé àêñåëåðîìåòðîâ
â îïðåäåëåííûé ìîìåíò âðåìåíè. Â ïðîöåññå ðàñïîçíàâàíèÿ ïðèìåíåíà ãëó-
áèííàÿ ñåòü óáåæäåíèé íà íåðàçìå÷åííûõ äàííûõ, ïîñëå ÷åãî ïðîâåäåíî
îáó÷åíèå ñ ó÷èòåëåì ìåòîäîì îáðàòíîãî ðàñïðîñòðàíåíèÿ îøèáêè. Ïîëó-
÷åííûå ðåçóëüòàòû ïîêàçàëè áîëåå âûñîêóþ òî÷íîñòü ðàñïîçíàâàíèÿ ïî
ñðàâíåíèþ ñ áàçîâûìè ìåòîäàìè. Äîñòèãíóòî òàêæå çíà÷èòåëüíîå óëó÷øå-
íèå îòíîñèòåëüíî ïðîäîëæèòåëüíîñòè äåéñòâèé ìåäïåðñîíàëà.
Êëþ÷åâûå ñëîâà: ãëóáèííàÿ ñåòü óáåæäåíèé, àêñåëåðîìåòð, ãëóáèííàÿ íåé-
ðîííàÿ ñåòü.
ÂÂÅÄÅÍÈÅ
Íà îñíîâå ïîñëåäíèõ ðåçóëüòàòîâ â îáëàñòè ìàøèííîãî îáó÷åíèÿ ìîæíî
óòâåðæäàòü, ÷òî ýôôåêòèâíàÿ îáðàáîòêà ìåäèêî-ñòàòèñòè÷åñêèõ äàííûõ áîëü-
øîãî îáúåìà ÿâëÿåòñÿ àêòóàëüíîé çàäà÷åé îòíîñèòåëüíî îïòèìèçàöèè ðàáîòû
ìåäïåðñîíàëà. Ýòî âàæíî òàêæå äëÿ ïàöèåíòîâ, ïîñêîëüêó îïòèìèçèðóåòñÿ îá-
ùèé ïðîöåññ óõîäà çà áîëüíûìè, ÷òî ïðèâîäèò ê ñíèæåíèþ çàòðàò è ñîêðàùå-
íèþ ñðîêà èõ ïðåáûâàíèÿ â ñòàöèîíàðå. Â íàñòîÿùåå âðåìÿ èññëåäîâàíû
ìåòîäû ðàñïîçíàâàíèÿ äåéñòâèé ìåäðàáîòíèêîâ ñ ïîìîùüþ òàêèõ ñïåöèàëü-
íûõ äàò÷èêîâ, êàê àêñåëåðîìåòðû, ãèðîñêîïû è íèçêî÷àñòîòíûå àóäèîóñò-
ðîéñòâà. Îäíàêî, íåñìîòðÿ íà ñòðåìèòåëüíîå ðàçâèòèå óêàçàííûõ ìåòîäîâ, íåêî-
òîðûå âîïðîñû îñòàþòñÿ îòêðûòûìè. Êàê ïðàâèëî, ïðè ðàñïîçíàâàíèè äåé-
ñòâèé ìåäïåðñîíàëà êëàññû äåéñòâèé îïèñûâàþòñÿ ïðåäìåòíî-ñïåöèôè÷åñêèì
îáðàçîì. Ðàñïîçíàâàíèå äåéñòâèé — äîñòàòî÷íî ñëîæíûé ïðîöåññ, ïîñêîëüêó
èìåþò ìåñòî ïðèçíàêè, çíà÷åíèÿ êîòîðûõ âàðüèðóþòñÿ äàæå äëÿ îòäåëüíûõ
êëàññîâ. Òàêèå äåéñòâèÿ èìåþò îïðåäåëåííûå äèñáàëàíñû: ÷èñëî âõîæäåíèé
ñðåäè êëàññîâ, ÷èñëî íà÷èíàíèé â íåäåëþ, ïðîäîëæèòåëüíîñòü. Êëàññè÷åñêèå
ïîäõîäû ïðåäóñìàòðèâàþò, ÷òî êëàññû äåéñòâèé èìåþò îäèíàêîâûå âåðîÿò-
íîñòè â ïðîèçâîëüíûé ìîìåíò âðåìåíè â òå÷åíèå äíÿ, à òàêæå îäèíàêîâûå
äëèòåëüíîñòè. Ïîýòîìó ìåòîäû, òî÷íîñòü êîòîðûõ íå èçìåíÿåòñÿ ïðè àíàëèçå
äèñáàëàíñîâ, íåèçâåñòíû. Èññëåäóÿ äåéñòâèÿ ìåäðàáîòíèêîâ, ìîæíî îïðåäå-
ëèòü ÷åòêèå çàäà÷è: ýôôåêòèâíîå óëó÷øåíèå èõ ôóíêöèîíèðîâàíèÿ ïî âðåìå-
íè, îïòèìèçàöèÿ ïðîäîëæèòåëüíîñòè ïðîöåäóð, óäîâëåòâîðåííîñòü ïàöèåíòîâ,
îïòèìèçàöèÿ çàòðàò íà âûïîëíåíèå ïðîôåññèîíàëüíûõ îáÿçàííîñòåé ñîòðóä-
íèêîâ. Öåëü òåõíè÷åñêèõ ðàçðàáîòîê çàêëþ÷àåòñÿ íå òîëüêî â ïîâûøåíèè
òî÷íîñòè ðàñïîçíàâàíèÿ äåéñòâèé îòíîñèòåëüíî êëàññè÷åñêîãî îïðåäåëåíèÿ
ñ ïðèìåíåíèåì ëîêàëüíûõ âðåìåíí�õ îêîí, íî è â îöåíêå ñåêòîðà, ò.å. äèàïà-
çîíà, â êîòîðîì äåéñòâèÿ âûïîëíÿþòñÿ íåïðåðûâíî ñ èñïîëüçîâàíèåì êîððåêò-
íûõ âðåìåíí�õ ïðèçíàêîâ è ïðîäîëæèòåëüíîñòè.
ISSN 0023-1274. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2016, òîì 52, ¹ 6 21
� À.À. Ãàëêèí, 2016
ÕÀÐÀÊÒÅÐÈÑÒÈÊÀ ÄÀÍÍÛÕ ÄÀÒ×ÈÊÎÂ
Äëÿ ðåøåíèÿ óêàçàííûõ ïðîáëåì àëãîðèòìû ìàøèííîãî îáó÷åíèÿ òðåáóþò
ââåäåíèÿ ðåàëüíûõ äàííûõ äëÿ èõ êîððåêòíîé îöåíêè. Â ðàìêàõ èññëåäîâàíèÿ
îòîáðàíû ðàçìå÷åííûå äàííûå, ñîîòâåòñòâóþùèå ôàêòè÷åñêîìó ôóíêöèîíèðî-
âàíèþ ìåäðàáîòíèêîâ, êîòîðûå èìåëè ïðè ñåáå àêñåëåðîìåòðû â òå÷åíèå äâóõ
íåäåëü. Ýòè äàííûå îáúåäèíèëè ñ ó÷åáíûìè ïðèçíàêàìè.  ðåçóëüòàòå áûëî
ñôîðìèðîâàíî 34 êëàññà äåéñòâèé ñ 7434 ìåòêàìè îò 24 ñîòðóäíèêîâ. Êðîìå
òîãî, îòîáðàëè íåðàçìå÷åííûå äàííûå — îòêðûòûå äàííûå áîëüøîãî îáúåìà
äëÿ 73 ìåäðàáîòíèêîâ. (Îò ìåäïåðñîíàëà, à òàêæå 120 ïàöèåíòîâ áûëî ïîëó-
÷åíî ñîãëàñèå îòíîñèòåëüíî èñïîëüçîâàíèÿ ñïåöèàëüíûõ èçìåðèòåëüíûõ äàò-
÷èêîâ è óñòðîéñòâ äëÿ âåäåíèÿ ìåäèöèíñêèõ çàïèñåé.)
Íà îñíîâå ðàçìå÷åííûõ äàííûõ óñòàíîâëåíî, ÷òî âûïîëíÿåìûå ïðîöåññû
èìåþò îïðåäåëåííûå äèñáàëàíñû â ðÿäå ñëó÷àåâ äëÿ êàæäîãî êëàññà äåéñòâèé,
âðåìåíè íà÷àëà ðàáî÷åãî äíÿ, à òàêæå ïðîäîëæèòåëüíîñòè.
Îòìåòèì, ÷òî äàííûå äàò÷èêîâ ïîëó÷åíû îò ñîòðóäíèêîâ ìåäèöèíñêîãî
ó÷ðåæäåíèÿ, ñïåöèàëèçèðóþùåãîñÿ íà èññëåäîâàíèè ñåðäå÷íî-ñîñóäèñòûõ çàáî-
ëåâàíèé. Ìíîæåñòâî äàííûõ ñîäåðæèò ðàçìå÷åííûå äàííûå, îòîáðàííûå â òå÷å-
íèå äâóõ íåäåëü, è íåðàçìå÷åííûå äàííûå îò 134 ïàöèåíòîâ, îòîáðàííûå â òå÷å-
íèå äâóõ ëåò. Äëÿ àíàëèçà ðàçìå÷åííûõ è íåðàçìå÷åííûõ ìíîæåñòâ äàííûõ
â ïðîöåññå ïðîâåäåíèÿ ýêñïåðèìåíòàëüíûõ èññëåäîâàíèé ìåäïåðñîíàë èìåë ñïå-
öèàëüíûå óñòðîéñòâà iPod Touch â íàãðóäíûõ êàðìàíàõ, çàïèñûâàþùèå óñêîðå-
íèÿ â ôèêñèðîâàííîì íàïðàâëåíèè [1]. Êðîìå òîãî, èñïîëüçîâàëèñü íåáîëüøèå
àêñåëåðîìåòðû, îäèí èç êîòîðûõ ïðèêðåïëÿëñÿ íà ïðàâîì çàïÿñòüå, äðóãîé — íà
ñïèíå, â îáëàñòè òàëèè. Êàæäûé äàò÷èê èçìåðÿë óñêîðåíèå ïî òðåì îñÿì â äèàïà-
çîíå �2G.
 êà÷åñòâå ìíîæåñòâà ðàçìå÷åííûõ äàííûõ èñïîëüçîâàëèñü äàííûå ïî âû-
ïîëíåíèþ ïðîôåññèîíàëüíûõ îáÿçàííîñòåé 27 ìåäðàáîòíèêàìè çà äâå íåäåëè
â äåêàáðå 2015 ãîäà. Óêàçàííûå äàííûå ðàçìå÷àëèñü ñ ïîìîùüþ ñïåöèàëüíîãî
óñòðîéñòâà äðóãèìè ñîòðóäíèêàìè, íàáëþäàþùèìè çà ïðîöåññîì. Ïåðåä íà÷à-
ëîì èññëåäîâàíèÿ îïðåäåëèëè 37 êëàññîâ äåéñòâèé, èíôîðìàöèÿ î êîòîðûõ çàïè-
ñûâàëàñü íàáëþäàòåëÿìè.
Èíòåðïðåòàöèÿ ïðèçíàêîâ äëÿ ðåàëüíûõ äåéñòâèé ìåäðàáîòíèêîâ òðåáóåò
òùàòåëüíîé ïðîðàáîòêè. Â èõ ïðîôåññèîíàëüíîé äåÿòåëüíîñòè óõîä çà ïàöèåíòà-
ìè — ïðèîðèòåòíàÿ îáÿçàííîñòü, îäíàêî â äàííîì ñëó÷àå èìååò ìåñòî ïðîáëåìà
îòñóòñòâèÿ áîëüøèíñòâà ïðèçíàêîâ èëè íàëè÷èå íåâåðíûõ ïðèçíàêîâ âðåìåíè.
Ïîýòîìó â êà÷åñòâå íàáëþäàòåëÿ áûë ïðèâëå÷åí ñîòðóäíèê, óïðàâëÿþùèé äðó-
ãèì óñòðîéñòâîì iPod Touch äëÿ çàïèñè äåéñòâèé êîëëåã. Íà óñòðîéñòâå áûëî
óñòàíîâëåíî ïðîãðàììíîå îáåñïå÷åíèå, ñ ïîìîùüþ êîòîðîãî îí âûáèðàë êëàññ
äåéñòâèé, â ðàìêàõ êîòîðîãî ìåäðàáîòíèê ñîáèðàëñÿ íà÷àòü ïðîöåäóðó, è àêòè-
âèðîâàë çíàê îêîí÷àíèÿ, êîãäà îíà çàêàí÷èâàëàñü [2, 3].
Êîãäà íàáëþäàòåëü îæèäàë íà÷àëà âûïîëíåíèÿ ïðîöåäóðû, íà÷àëüíûå âðå-
ìåíí�å ïðèçíàêè èìåëè ñîîòâåòñòâóþùóþ çàäåðæêó. Òàêèì îáðàçîì, îí è ìåä-
ïåðñîíàë âçàèìîäåéñòâîâàëè äëÿ ïîëó÷åíèÿ êîððåêòíûõ íà÷àëüíûõ âðåìåíí�õ
ïðèçíàêîâ. Ïåðåä íà÷àëîì îïðåäåëåííîé ïðîöåäóðû ìåäðàáîòíèê îáúÿâëÿë îá
ýòîì íàáëþäàòåëþ.
 òîì æå îòäåëåíèè ìåäèöèíñêîãî ó÷ðåæäåíèÿ ïîëó÷åíî ìíîæåñòâî íåðàç-
ìå÷åííûõ äàííûõ, çàôèêñèðîâàííûõ ñ ïîìîùüþ äàò÷èêà â òå÷åíèå äâóõ ëåò îò
22 ISSN 0023-1274. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2016, òîì 52, ¹ 6
ìåäðàáîòíèêîâ, íîñèâøèõ òðè àêñåëåðîìåòðà òàêèì æå îáðàçîì, êàê è äëÿ ñëó÷àÿ
ðàçìå÷åííûõ äàííûõ.
ÎÏÐÅÄÅËÅÍÈÅ ÌÍÎÆÅÑÒÂÀ ÄÀÍÍÛÕ
Äëÿ èñïîëüçîâàíèÿ îáùåãî ìíîæåñòâà äàííûõ â êà÷åñòâå ðàçìå÷åííûõ è íå-
ðàçìå÷åííûõ îíè áûëè ðàâíîìåðíî îòôîðìàòèðîâàíû, íàñêîëüêî ýòî âîçìîæ-
íî. Ïîñêîëüêó èäåíòèôèêàòîðû äëÿ ìåäïåðñîíàëà ïîñëåäîâàòåëüíûå, èäåíòè-
ôèêàòîð äëÿ êîíêðåòíîãî ìåäðàáîòíèêà îäèíàêîâ äëÿ äâóõ âèäîâ äàííûõ.
Êðîìå òîãî, êàæäûé äàò÷èê, ïðèêðåïëåííûé â êîíêðåòíîì ìåñòå íà òåëå, ñî-
õðàíÿåò ñâîè äàííûå îòäåëüíî, ÷òî ïîçâîëÿåò ýôôåêòèâíî ïðîâîäèòü àíàëèç
äàííûõ, êîòîðûå îáúåäèíÿþòñÿ â îäíó òàáëèöó èç íåñêîëüêèõ ñòîëáöîâ. Òà-
êèì îáðàçîì, áûëè îáúåäèíåíû äàííûå òðåõ óñòðîéñòâ, êîòîðûå îòáèðàëèñü
â òå÷åíèå ðàáî÷èõ äíåé, â îäíó òàáëèöó. Ñíà÷àëà áûëè ñãåíåðèðîâàíû ïðè-
çíàêè âðåìåíè ñ óâåëè÷åíèåì ÷àñòîòû íà 24 Ãö, ÷òî îçíà÷àåò 0,06 ñ, è èñ-
ïîëüçîâàíà áëèæàéøàÿ âûáîðêà äàííûõ â ìîìåíò âðåìåíè 0,074 ñ äëÿ êàæäî-
ãî âðåìåííîãî� ïðèçíàêà [4]. Çàìåòèì, ÷òî â ñëó÷àå íåïîñòóïëåíèÿ âûáîðîê
â òå÷åíèå 0,037 ñ ïîâòîðíî èñïîëüçîâàëîñü ïîñëåäíåå çíà÷åíèå âðåìåíí�õ ïðè-
çíàêîâ. Ïîñêîëüêó âñå óñòðîéñòâà èìåþò ñîáñòâåííûå òàéìåðû è íåò âçàèìîäåé-
ñòâèÿ ïî ñèíõðîíèçàöèè âðåìåíè, ñóùåñòâóåò ðèñê òîãî, ÷òî îáùåå âðåìÿ áóäåò
íåñèíõðîíèçèðîâàííûì. Äëÿ ðåøåíèÿ ýòîé ïðîáëåìû òàéìåðû îáíóëÿëè îäíîâðå-
ìåííî, ïåðèîäè÷åñêè, â ñðåäíåì îäèí ðàç â äåíü, äëÿ ïîëó÷åíèÿ îïîðíîé ìåòêè
âðåìåíè, ïîñëå ÷åãî èñïîëüçîâàëè îòíîñèòåëüíîå âðåìÿ îò âðåìåíè îáíóëåíèÿ.
ÏÎÄÃÎÒÎÂÊÀ ÄÀÍÍÛÕ
Ìåäðàáîòíèêè ðàçìåùàëè ìîáèëüíûå óñòðîéñòâà, çàïèñûâàþùèå óñêîðåíèÿ,
â íàãðóäíûõ êàðìàíàõ â ñòðîãî ôèêñèðîâàííîì ïîëîæåíèè. Êàæäûé ñîòðóä-
íèê íîñèë òàêæå äâà àêñåëåðîìåòðà íà ïðàâîì çàïÿñòüå è ïîÿñíèöå. Êàæäûé
äàò÷èê èçìåðÿë óñêîðåíèå äëÿ òðåõ îñåé. Ýòè çàìåðû âêëþ÷àþò ðàçìå÷åííûå
äàííûå çà äâå íåäåëè è íåðàçìå÷åííûå äàííûå íåêîòîðûõ äåæóðñòâ çà äâà ãîäà.
Äàííûå äîñòóïíû ïî ññûëêå: https://redmine.sozolab.jp/projects/nursing/files.
 ïðîãðàììíîé ðåàëèçàöèè èñïîëüçîâàëàñü ñëåäóþùàÿ ñòðóêòóðà ôàéëîâ è
ïàïîê.
1. acts.csv: ñïèñîê âñåõ äåéñòâèé.
2. labelled.zip: äàííûå ñåíñîðîâ òðåõ àêñåëåðîìåòðîâ ñ ìåòêàìè â òå÷åíèå
äâóõ íåäåëü.
2.1. Labelled:
2.1.1. sensors/#{nurseID}_#{date}_#{start_t}-#{end_t}.csv: äàííûå ñåíñîðîâ
äëÿ ìåäèöèíñêîãî ðàáîòíèêà ñ ID #{nurseID} â òå÷åíèå âðåìåíè îò #{start_t}
(ggõõññ) äî #{end_t} (ggõõññ) â äåíü #{date} (ÐÐÐÐÌÌDD);
2.1.2. labels/#{nurseID}_#{date}.csv: ìåòêè äåæóðñòâà äëÿ ìåäèöèíñêîãî ðà-
áîòíèêà ñ ID #{nurseID} â äåíü #{date} (ÐÐÐÐÌÌDD).
3. unlabelled.zip: íåðàçìå÷åííûå äàííûå äàò÷èêîâ ñ òðåõ àêñåëåðîìåòðîâ áåç
ìåòîê.
3.1. Unlabelled:
3.1.1. duties.csv: çàïèñè äåæóðñòâ ìåäèöèíñêèõ ðàáîòíèêîâ, ïîëó÷åííûå èç
èíôîðìàöèîííîé ñèñòåìû ìåäèöèíñêîãî ó÷ðåæäåíèÿ;
3.1.2. sensors/#{duty_id}.csv: äàííûå äàò÷èêîâ äëÿ ñìåíû #{duty_id}
ñ duties.csv.
 òàáë. 1 ïðèâåäåí ïåðå÷åíü äåéñòâèé acts.csv, êîòîðûå íåîáõîäèìî ðàñïîç-
íàòü. Îäíàêî â âûáîðêå ðàçìå÷åííûõ äàííûõ èìåþòñÿ ëèøü îïðåäåëåííûå ìåò-
êè, êîëè÷åñòâî êîòîðûõ ïîäñ÷èòàíî â ôàéëàõ èç ïàïêè Labelled/labels (òàáë. 2).
ISSN 0023-1274. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2016, òîì 52, ¹ 6 23
Çíà÷åíèÿ íåêîòîðûõ äàò÷èêîâ â íå-
ðàçìå÷åííûõ äàííûõ ìîãóò îòñóòñòâî-
âàòü âðåìåííî (èõ çíà÷åíèÿ ðàâíû NA)
èëè â òå÷åíèå âñåãî äåæóðñòâà ìåäïåðñî-
íàëà (îòñóòñòâèå êîëîíîê ñ çàìåðàìè).
Äàëåå ïðèâåäåí ïåðå÷åíü ôàéëîâ
ñ îòñóòñòâóþùèìè ïîêàçàòåëÿìè äàò÷è-
êîâ â òå÷åíèå ñìåíû:
24 ISSN 0023-1274. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2016, òîì 52, ¹ 6
action_id action_name
×èñëî
ìåòîê
1
Anamnese
(patient sitting)
2
4 Measure height 31
5 Measure weight (dorsal) 13
8
Measure blood pressure
(dorsal)
831
10 Sample blood (dorsal) 27
12 Start intravenous injection 103
13 Finish intravenous injection 61
15 Change drip / line 67
18 Assist doctor 26
19 Find artery 361
20 Examine edema (lie on back) 148
22
Check bedsore
(sacrum / back heel)
11
23 Measure ECG 30
24 Attach ECG 75
25 Remove ECG 25
27 Attach bust bandage 48
28 Portable X-ray (prone) 7
29 Change bandage 44
31 Change posture 114
32 Clean body 45
36 Assist wheelchair 135
37 Assist walk 43
38 Move bed 28
39 Wash hands 175
41 Record work (PC) 1478
42
Time synchronization
(â ïåðå÷íå äåéñòâèé
îòñóòñòâóåò)
10
Ò à á ë è ö à 2 . Èññëåäóåìûå êëàññû
äåéñòâèé è ÷èñëî ìåòîê
action_id action_name
1 Anamnese (patient sitting)
2 Anamnese (nurse standing)
3 Anamnese (nurse half-sitting)
4 Measure height
5 Measure weight (dorsal)
6 Measure weight (stand)
7 Measure waist
8 Measure blood pressure (dorsal)
9 Measure blood pressure (sit)
10 Sample blood (dorsal)
11 Sample blood (sit)
12 Start intravenous injection
13 Finish intravenous injection
14 Start drip infusion
15 Change drip / line
16 Pull out drip / line
17 Measure blood sugar
18 Assist doctor
19 Find artery
20 Examine edema (lie on back)
21 Examine edema (sit)
22 Check bedsore (sacrum/back heel)
23 Measure ECG
24 Attach ECG
25 Remove ECG
26 Pull out urethral catheter
27 Attach bust bandage
28 Portable X-ray (prone)
29 Changebandage
30 Gatch up
31 Change posture
32 Clean body
33 Assist urinal excretory
34 Assist bedpan excretory
35 Assist portable toilet
36 Assist wheelchair
37 Assist walk
38 Move bed
39 Wash hands
40 Record work (manual)
41 Record work (PC)
Ò à á ë è ö à 1 . Êëàññû äåéñòâèé
acts.csv
Îòìåòèì, ÷òî ôàéëàìè äåæóðñòâ áåç NA ÿâëÿþòñÿ: 16.csv, 17.csv, 36.csv,
37.csv, 48.csv, 61.csv, 62.csv, 69.csv, 74.csv, 102.csv, 103.csv, 105.csv, 113.csv,
128.csv, 134.csv, 139.csv, 158.csv, 190.csv. Êðîìå òîãî, èìåþòñÿ òàêæå ôàéëû áåç
ñîîòâåòñòâóþùèõ êîëîíîê, ò.å. ñ îòñóòñòâóþùèìè ïîêàçàòåëÿìè äàò÷èêîâ â òå÷å-
íèå ñìåíû [5]. Çàìåòèì, ÷òî âûäåëåííûå ôàéëû íå ñîäåðæàò NA. Ýòî îçíà÷àåò,
÷òî îòñóòñòâóåò äåæóðñòâî ïî ïîëíûì äàííûì.
Äàëüíåéøèé ïîäñ÷åò îòíîøåíèÿ ñòðîê ñî âñåìè çàìåðàìè âñåõ äàò÷èêîâ
ê îáùåìó êîëè÷åñòâó ñòðîê ïîêàçàë ñîîòâåòñòâóþùèå ðåçóëüòàòû, ðàññ÷èòàííûå
êàê îòíîøåíèå ñóììàðíîãî êîëè÷åñòâà ñòðîê â ôàéëàõ äàííûõ. Èòàê,
7431468
179712000
0 0413521� , , ò.å. ïðèìåðíî 4% çàìåðîâ ÿâëÿþòñÿ ïîëíûìè. Ïîýòîìó
ïóñòûå êîëîíêè çàïîëíÿþòñÿ, à çíà÷åíèÿ NA çàìåíÿþòñÿ íà 0. Òàêèì îáðàçîì, íà
ìàñøòàáèðîâàíèå, êîòîðîå îïèñàíî íèæå, ýòî íå âëèÿåò. Îòìåòèì, ÷òî ôàéë
16.csv îêàçàëñÿ ïóñòûì è äëÿ äàëüíåéøåãî àíàëèçà íå èñïîëüçóåòñÿ [6].
Ó÷èòûâàÿ òîò ôàêò, ÷òî íà âõîä ñåòè ïîäàþòñÿ çíà÷åíèÿ ñ îòðåçêà [ , ]0 1 , êàæ-
äóþ êîîðäèíàòó âõîäÿùåãî âåêòîðà ïðèçíàêîâ íåîáõîäèìî ìàñøòàáèðîâàòü íà
íóæíûé ïðîìåæóòîê ñ ïîìîùüþ ïðåîáðàçîâàíèÿ
v
v v
v v
new
old�
�
�
min
max min
,
ãäå vnew — íîâîå çíà÷åíèå, vold — ñòàðîå çíà÷åíèå, vmin — ìèíèìàëüíîå
çíà÷åíèå, vmax— ìàêñèìàëüíîå çíà÷åíèå.
ISSN 0023-1274. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2016, òîì 52, ¹ 6 25
3.csv 38.csv 65.csv 107.csv 129.csv 148.csv 176.csv 205.csv
9.csv 39.csv 69.csv 108.csv 130.csv 151.csv 177.csv 207.csv
10.csv 40.csv 70.csv 109.csv 133.csv 155.csv 180.csv
12.csv 41.csv 71.csv 110.csv 134.csv 158.csv 181.csv
13.csv 42.csv 73.csv 111.csv 135.csv 159.csv 182.csv
16.csv 43.csv 74.csv 112.csv 136.csv 160.csv 183.csv
17.csv 45.csv 76.csv 113.csv 137.csv 161.csv 184.csv
18.csv 48.csv 77.csv 114.csv 138.csv 162.csv 185.csv
19.csv 49.csv 82.csv 115.csv 139.csv 163.csv 186.csv
21.csv 50.csv 88.csv 116.csv 140.csv 164.csv 187.csv
22.csv 51.csv 93.csv 117.csv 141.csv 165.csv 188.csv
25.csv 53.csv 94.csv 118.csv 142.csv 168.csv 189.csv
26.csv 55.csv 100.csv 119.csv 143.csv 169.csv 190.csv
28.csv 56.csv 102.csv 120.csv 144.csv 171.csv 191.csv
32.csv 59.csv 103.csv 122.csv 145.csv 172.csv 196.csv
33.csv 60.csv 104.csv 126.csv 145.csv 173.csv 200.csv
36.csv 61.csv 105.csv 127.csv 146.csv 174.csv 202.csv
37.csv 62.csv 106.csv 128.csv 147.csv 175.csv 203.csv
Êîìïîíåíòû
çàìåðîâ
Ðàçìå÷åííàÿ âûáîðêà Íåðàçìå÷åííàÿ âûáîðêà Ðåçóëüòàò
ìèíèìóì ìàêñèìóì ìèíèìóì ìàêñèìóì vmin vmax
chest_x –2,01225 2,02275 –2,07481 2,05991 –2,07481 2,05991
chest_y –2,04399 2,06467 –2,08452 2,15492 –2,08452 2,15492
chest_z –2,06323 2,04384 –2,06635 2,05005 –2,06635 2,05005
waist_x –2 1,98438 –2 1,984375 –2 1,984375
waist_y –2 1,98438 –2 1,984375 –2 1,984375
waist_z –2 1,98438 –2 1,984375 –2 1,984375
right_x –4 3,96875 –4 4 –4 4
right_y –4 3,96875 –4 4 –4 4
right_z –4 3,96875 –4 4 –4 4
Ò à á ë è ö à 3 . Ìèíèìóìû è ìàêñèìóìû çàìåðîâ äëÿ âñåõ èçìåðåíèé x y z, ,
Äëÿ ïðîâåäåíèÿ äàííîé ïðîöåäóðû îïðåäåëåíû ìèíèìóìû è ìàêñèìóìû çà-
ìåðîâ äëÿ âñåõ èçìåðåíèé x y z, , êàæäîãî àêñåëåðîìåòðà äëÿ ðàçìå÷åííûõ è íå-
ðàçìå÷åííûõ äàííûõ (òàáë. 3).
ÑÎÎÒÂÅÒÑÒÂÈÅ ÌÅÆÄÓ ÂÐÅÌÅÍÅÌ ÂÛÏÎËÍÅÍÈß ÄÅÉÑÒÂÈÉ
È ÇÀÌÅÐÀÌÈ ÀÊÑÅËÅÐÎÌÅÒÐÎÂ
Äëÿ ýòàïà îáó÷åíèÿ íåîáõîäèìû ðàçìå÷åííûå äàííûå. Ïîñêîëüêó äàííûå ÿâëÿ-
þòñÿ íåñîãëàñîâàííûìè, íàéäåíû ñîîòâåòñòâèÿ ìåæäó âðåìåíåì âûïîëíåíèÿ
äåéñòâèé è çàìåðàìè àêñåëåðîìåòðîâ. Êðîìå òîãî, èìåþò ìåñòî ñëó÷àè, êîãäà
îïðåäåëåííûå äåéñòâèÿ îñóùåñòâëÿþòñÿ ïàðàëëåëüíî (âî âðåìÿ âûïîëíåíèÿ îä-
íîãî âèäà äåÿòåëüíîñòè íà÷èíàëîñü âûïîëíåíèå äðóãîãî).  òàêèõ ñèòóàöèÿõ
ôèêñèðîâàëèñü ïðîìåæóòêè âðåìåíè îñóùåñòâëåíèÿ äåéñòâèÿ, êîòîðîå íà÷àëîñü
ðàíüøå, ïîòîì îïðåäåëÿëèñü çàìåðû äàò÷èêîâ â ýòèõ ïðîìåæóòêàõ è ñîîòâåòñòâåííî
ðàçìå÷àëèñü. Åñëè ÷àñòü äàííûõ, êîòîðûå çàìåðÿëèñü âî âðåìÿ âûïîëíåíèÿ
äðóãîãî äåéñòâèÿ, óæå áûëè ðàçìå÷åíû, òî ðàçìå÷àëèñü îñòàëüíûå. Íàïðèìåð, ïåðâîå
äåéñòâèå èìååò âðåìåííûå� ãðàíèöû 9:04:16 – 9:04:48, à âòîðîå — 9:04:20 – 9:05:45,
òîãäà ÷àñòü çàìåðîâ äî 9 04 48: : ðàçìå÷àþòñÿ ñîîòâåòñòâåííî ïåðâîìó äåéñòâèþ,
à îñòàëüíûå — âòîðîìó [7]. Åñëè ïåðâîå äåéñòâèå ïîëíîñòüþ ïåðåêðûâàåò ïî
âðåìåíè âòîðîå, òî ïîñëåäíåå èãíîðèðóåòñÿ. Ïîñëå äàííîé îáðàáîòêè áûëî ïîä-
ñ÷èòàíî êîëè÷åñòâî çàìåðîâ äëÿ êàæäîãî äåéñòâèÿ: âñåãî 8 246 731 (òàáë. 4).
26 ISSN 0023-1274. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2016, òîì 52, ¹ 6
action_id action_name
×èñëî çàìåðîâ
äàò÷èêîâ
Ïðîöåíò îáùåãî
÷èñëà çàìåðîâ
1 Anamnese (patient sitting) 3300 0,04001586
4 Measure height 17338 0,21024088
5 Measure weight (dorsal) 49458 0,59972855
8 Measure blood pressure (dorsal) 1399086 16,9653406
10 Sample blood (dorsal) 120935 1,46645986
12 Start intravenous injection 179677 2,17876635
13 Finish intravenous injection 81294 0,98577242
15 Change drip / line 316864 3,84229824
18 Assist doctor 87566 1,0618268
19 Find artery 136524 1,65549234
20 Examine edema (lie on back) 20284 0,24596413
22 Check bedsore (sacrum / back heel) 27481 0,33323507
23 Measure ECG 67461 0,81803323
24 Attach ECG 81541 0,98876755
25 Remove ECG 1880 0,02279691
27 Attach bust bandage 15638 0,18962665
28 Portable X-ray (prone) 9940 0,12053261
29 Changebandage 62445 0,75720913
31 Change posture 302704 3,67059384
32 Clean body 397420 4,81912166
36 Assist wheelchair 471352 5,71562235
37 Assist walk 38604 0,46811276
38 Move bed 65941 0,79960168
39 Wash hands 87229 1,05774033
41 Record work (PC) 4203467 50,9713121
42
Time synchronization
(â ïåðå÷íå äåéñòâèé îòñóòñòâóåò)
1302 0,01578807
Ò à á ë è ö à 4 . ×èñëî çàìåðîâ äëÿ êàæäîãî äåéñòâèÿ
Äëÿ ó÷åáíîé âûáîðêè îòîáðàíî ïî 1000 ïåðâûõ çàìåðîâ êàæäîãî äåéñòâèÿ
(â îáùåì — 26 000 ïîêàçàòåëåé), êîòîðûå ïîäàâàëèñü íà âõîä àëãîðèòìà
ñëó÷àéíûì îáðàçîì.
ÃËÓÁÈÍÍÀß ÑÅÒÜ ÓÁÅÆÄÅÍÈÉ
Äëÿ îáðàáîòêè ïîëó÷åííûõ â ðåçóëüòàòå àíàëèçà äàííûõ èñïîëüçîâàëàñü ãëó-
áèííàÿ ñåòü óáåæäåíèé, ñîñòîÿùàÿ èç îïðåäåëåííîãî ÷èñëà îãðàíè÷åííûõ ìà-
øèí Áîëüöìàíà, â êîòîðûõ ñêðûòûé ñëîé êàæäîé ïîäñåòè ñëóæèò âèäèìûì
ñëîåì äëÿ ñëåäóþùåé. Ãëóáèííàÿ ñåòü óáåæäåíèé ìîæåò áûòü «æàäíî» îáó÷å-
íà ñëîé çà ñëîåì, ÷òî ñïîñîáñòâóåò áûñòðîìó îáó÷åíèþ äàííîé ìîäåëè [8].
Ïóñòü X — ìàòðèöà âõîäîâ, ðàññìàòðèâàåìàÿ â êà÷åñòâå ìíîæåñòâà âåêòîðîâ ïðè-
çíàêîâ. Àëãîðèòì îáó÷åíèÿ ãëóáèííîé ñåòè óáåæäåíèé âêëþ÷àåò ñëåäóþùèå øàãè.
1. Ïðîâåñòè îáó÷åíèå îãðàíè÷åííîé ìàøèíû Áîëüöìàíà íà X äëÿ ïîëó÷å-
íèÿ ìàòðèöû åå âåñîâûõ êîýôôèöèåíòîâ W. Ìàòðèöó âåñîâ èñïîëüçîâàòü êàê
ìàòðèöó âåñîâûõ êîýôôèöèåíòîâ ìåæäó äâóìÿ íèæíèìè ñëîÿìè ñåòè.
2. Ïðåîáðàçîâàòü X äëÿ ïîëó÷åíèÿ íîâûõ äàííûõ �X ñ ïîìîùüþ îãðàíè÷åí-
íîé ìàøèíû Áîëüöìàíà, èñïîëüçóÿ âûáîðêó äàííûõ èëè ñðåäíþþ àêòèâàöèþ
ñêðûòûõ óçëîâ.
3. Ïîâòîðèòü äàííóþ ïðîöåäóðó ñ X X� � äëÿ ñëåäóþùåé ïàðû ñëîåâ, ïîêà
íå áóäåò äîñòèãíóòî äâóõ âåðõíèõ ñëîåâ ñåòè.
Äëÿ îáó÷åíèÿ îãðàíè÷åííîé ìàøèíû Áîëüöìàíà èñïîëüçîâàí îäíîøàãîâûé
àëãîðèòì ñðàâíèòåëüíîãî ðàñõîæäåíèÿ, ñîñòîÿùèé èç ñëåäóþùèõ øàãîâ.
1. Ïðèíÿòü ó÷åáíûé îáðàçåö v, âû÷èñëèòü âåðîÿòíîñòè ñêðûòûõ óçëîâ, à òàê-
æå âûáðàòü âåêòîð ñêðûòîé àêòèâàöèè h èç ðàñïðåäåëåíèÿ âåðîÿòíîñòåé.
2. Âû÷èñëèòü âíåøíåå ïðîèçâåäåíèå v è h, ÿâëÿþùååñÿ ïîëîæèòåëüíûì ãðà-
äèåíòîì.
3. Ñ ó÷åòîì çíà÷åíèÿ h âûáðàòü âîññòàíîâëåíèå âèäèìûõ óçëîâ �v , çàòåì èç
íåãî âûáðàòü ñêðûòûå àêòèâàöèè �h (øàã âûáîðêè ïî Ãèááñó).
4. Âû÷èñëèòü âíåøíåå ïðîèçâåäåíèå �v è �h , ÿâëÿþùååñÿ îòðèöàòåëüíûì ãðà-
äèåíòîì.
5. Îïðåäåëèòü óòî÷íåíèåì wi j, ðàçíèöó ïîëîæèòåëüíîãî è îòðèöàòåëüíîãî
ãðàäèåíòîâ, óìíîæåííóþ íà îïðåäåëåííûé òåìï îáó÷åíèÿ, à èìåííî:
�w vh v hi j
T T
, ( )� � � �� .
Ïîñëå îáó÷åíèÿ ìîäåëè ïî äàííîìó àëãîðèòìó íà ïîëó÷åííîé ñåòè áûë ïðè-
ìåíåí ìåòîä îáðàòíîãî ðàñïðîñòðàíåíèÿ îøèáêè äëÿ óëó÷øåíèÿ ðåçóëüòàòîâ.
ÌÍÎÃÎÑËÎÉÍÀß ÍÅÉÐÎÍÍÀß ÑÅÒÜ
Äëÿ îáðàáîòêè äàííûõ èñïîëüçîâàëàñü êëàññè÷åñêàÿ ìíîãîñëîéíàÿ íåéðîííàÿ
ñåòü, êîòîðàÿ îáó÷àåòñÿ ñ ïîìîùüþ ìåòîäà îáðàòíîãî ðàñïðîñòðàíåíèÿ îøèá-
êè. Ñåòü íå ìîæåò èìåòü ìåíåå äâóõ ñëîåâ (âõîäÿùåãî è èñõîäÿùåãî) è ìåíåå
îäíîãî íåéðîíà â îäíîì ñëîå. Îãðàíè÷åíèÿ íà êîëè÷åñòâî ñêðûòûõ ñëîåâ
îïðåäåëÿåòñÿ òîëüêî îáúåìîì îïåðàòèâíîé ïàìÿòè. Êðîìå òîãî, áûëà ïðåäîñ-
òàâëåíà âîçìîæíîñòü âðó÷íóþ óñòàíàâëèâàòü âåñà è ñìåùåíèå äëÿ êàæäîãî
ñëîÿ, à òàêæå ïîëó÷àòü çíà÷åíèÿ âåñîâ êàæäîãî ñëîÿ ñåòè.
 êà÷åñòâå àêòèâàöèîííîé ôóíêöèè íåéðîíîâ èñïîëüçîâàëàñü ñèãìîèäíàÿ
ôóíêöèÿ f x
e x
( ) �
�
1
1
ñ ïðîèçâîäíîé � � �f x f x f x( ) ( )( ( ))1 . Àëãîðèòì êëàññè-
ôèêàöèè äàííûõ ñ ïðèìåíåíèåì íåéðîííîé ñåòè âêëþ÷àåò ñëåäóþùèå øàãè.
1. Îïðåäåëèòü âåêòîð âõîäíûõ çíà÷åíèé x x x xn� ( , , , )1 2 � è óñòàíîâèòü èõ
â êà÷åñòâå èñõîäíûõ çíà÷åíèé âõîäíîãî ñëîÿ ñåòè.
2. Äëÿ êàæäîãî ñëîÿ ñåòè, ïî î÷åðåäè, íà÷èíàÿ ñ ïåðâîãî çà âõîäíûì ñëîåì:
à) ïîäàòü ê ñóììàòîðó êàæäîãî íåéðîíà âûõîäíûå çíà÷åíèÿ ïðåäûäóùåãî
ñëîÿ;
ISSN 0023-1274. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2016, òîì 52, ¹ 6 27
á) ïîëó÷èòü ðåçóëüòàò ñóììàòîðà sum weight i input i
i
n
�
� [ ] [ ] ;
â) äîáàâèòü ñìåùåíèå sum sum bias� ;
ã) ïðîïóñòèòü ðåçóëüòàò ïðåäûäóùèõ äåéñòâèé ÷åðåç àêòèâàöèîííóþ ôóíê-
öèþ è ïîëó÷èòü èñõîäíîå çíà÷åíèå íåéðîíà out f sum� ( ) .
3. Ñðåäè èñõîäíûõ çíà÷åíèé âûõîäíîãî ñëîÿ îïðåäåëèòü ìàêñèìàëüíîå è
âåðíóòü èíäåêñ íåéðîíà, ñîîòâåòñòâóþùèé ìàêñèìàëüíîìó çíà÷åíèþ. Ýòî è áó-
äåò êëàññîì, ê êîòîðîìó ñåòü îòíåñëà äàííûå c outi i� arg max ( ) .
 ðåçóëüòàòå êëàññèôèêàöèè äàííûõ ïðèìåíåí ñëåäóþùèé àëãîðèòì îáó÷å-
íèÿ íåéðîííîé ñåòè.
1. Ïîëó÷èòü íà âõîä îáó÷àþùóþ âûáîðêó è ïðàâèëüíûå îòâåòû ê íåé.
2. Äëÿ êàæäîãî i n�[ , ]1 , ãäå n — ÷èñëî ýïîõ, âûïîëíèòü òàêèå äåéñòâèÿ:
à) ñëó÷àéíûì îáðàçîì èç îáó÷àþùåé âûáîðêè ïðèíÿòü âõîäíûå äàííûå
input inp inp inpn� ( , , , )1 2 � è ñîîòâåòñòâóþùèé èì âåðíûé îòâåò target �
� ( , , , )t t tm1 2 � ;
á) êëàññèôèöèðîâàòü input, êàê îïèñàíî âûøå, è ïîëó÷èòü èñõîäíûå çíà÷å-
íèÿ ñåòè output out out outm� ( , , , )1 2 � ;
â) êàæäûé íåéðîí k âûõîäíîãî ñëîÿ âû÷èñëÿåò òàêèå âåëè÷èíû:
îøèáêó � k k k kt out f sum� �
�( ) ( ) ,
âåëè÷èíû, íà êîòîðûå èçìåíÿòñÿ âåñà �w xjk k j�
� � , ãäå w jk — âåñ
ìåæäó íåéðîíîì j ïðåäûäóùåãî ñëîÿ è íåéðîíîì k âûõîäíîãî ñëîÿ, � — ïàðà-
ìåòð ñêîðîñòè îáó÷åíèÿ, x j — èñõîäíîå çíà÷åíèå íåéðîíà j ïðåäûäóùåãî ñëîÿ,
èçìåíåíèÿ ñäâèãà biask k�
� � ;
ã) äëÿ êàæäîãî íåéðîíà q ñêðûòîãî ñëîÿ l, íà÷èíàÿ ñ ïîñëåäíåãî ïåðåä âû-
õîäíûì, âû÷èñëÿåì:
âõîäíóþ îøèáêó � �in k qkk
n
w�
�� 1
, ãäå � k — îøèáêà íåéðîíà k äëÿ ñëîÿ
( )l 1 , wqk — âåñ ìåæäó íåéðîíîì q äàííîãî ñëîÿ è íåéðîíîì k äëÿ ñëîÿ ( )l 1 ,
îáùóþ îøèáêó � �q in qf sum�
�( ) ,
âåëè÷èíû, íà êîòîðûå èçìåíÿòñÿ âåñà �w xjq q j�
� � ,
çíà÷åíèå èçìåíåíèÿ ñäâèãà biasq q�
� � ;
ä) îáíîâèòü âåñà êàæäîãî íåéðîíà q ñêðûòîãî ñëîÿ w new w oldjq jq( ) ( )�
�w jq , ãäå w newjq ( ) — íîâîå çíà÷åíèå âåñà ìåæäó íåéðîíîì q äàííîãî ñëîÿ è
íåéðîíîì j ïðåäûäóùåãî ñëîÿ, à w oldjq ( ) — ïðåæíåå çíà÷åíèå âåñà;
å) îáíîâèòü âåñà èñõîäíîãî ñëîÿ w new w old wjk jk jk( ) ( )� � , ãäå w newjk ( ) —
íîâîå çíà÷åíèå âåñà ìåæäó íåéðîíîì k âûõîäíîãî ñëîÿ è íåéðîíîì j ïðåäûäó-
ùåãî ñëîÿ, à w oldjk ( ) — ïðåæíåå çíà÷åíèå âåñà.
ÇÀÊËÞ×ÅÍÈÅ
 ïðîöåññå ðàñïîçíàâàíèÿ äàííûõ èññëåäîâàíû äâå ìîäåëè: ãëóáèííàÿ ñåòü óáåæ-
äåíèé è ãëóáèííàÿ íåéðîííàÿ ñåòü. Îáó÷åíèå ãëóáèííîé ñåòè óáåæäåíèé ïðîâîäè-
ëîñü ñíà÷àëà íà íåðàçìå÷åííûõ äàííûõ, ïîñëå ÷åãî â ãëóáèííîé ñåòè óáåæäåíèé,
êîòîðàÿ, ïî ñóòè, ÿâëÿåòñÿ ãëóáèííîé íåéðîííîé ñåòüþ ñ èíèöèàëèçèðîâàííûìè
îñîáûì îáðàçîì âåñàìè ñâÿçåé íåéðîíîâ, ïðîâîäèëîñü îáó÷åíèå ñ ó÷èòåëåì ìåòî-
äîì îáðàòíîãî ðàñïðîñòðàíåíèÿ îøèáêè. Íàèáîëåå âûñîêàÿ òî÷íîñòü, êîòîðîé óäà-
ëîñü äîñòè÷ü ñ èñïîëüçîâàíèåì äàííîé ìîäåëè, ñîñòàâèëà 10 211538, %.
Îáó÷åíèå ãëóáèííîé íåéðîííîé ñåòè, â êîòîðîé âåñà áûëè èíèöèàëèçèðîâàíû
ñëó÷àéíûì îáðàçîì, ïðè èñïîëüçîâàíèè ìåòîäà îáðàòíîãî ðàñïðîñòðàíåíèÿ îøèáêè,
à òàêæå áåç ïðåäâàðèòåëüíîãî íåêîíòðîëèðóåìîãî îáó÷åíèÿ ïðîäåìîíñòðèðîâàëî ìàê-
ñèìàëüíóþ òî÷íîñòü 52 011538, %. Ïîñêîëüêó ðàñïîçíàâàíèå äåéñòâèé â îáëàñòè ìåäè-
öèíñêîãî îáñëóæèâàíèÿ ÿâëÿåòñÿ íîâîé è ñëîæíîé çàäà÷åé, êîíêðåòíûõ òðåáîâà-
íèé îòíîñèòåëüíî íåîáõîäèìîé òî÷íîñòè ðåçóëüòàòîâ íå ñóùåñòâóåò. Îäíàêî,
ó÷èòûâàÿ ñëîæíîñòü ïðîâåäåííûõ âû÷èñëåíèé, ìîæíî óòâåðæäàòü, ÷òî ïîëó÷åí-
28 ISSN 0023-1274. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2016, òîì 52, ¹ 6
íûå ðåçóëüòàòû ïî òî÷íîñòè è ïðîäîëæèòåëüíîñòè äåéñòâèé ìîãóò áûòü èñ-
ïîëüçîâàíû íà ïðàêòèêå äëÿ îïòèìàëüíîãî ôóíêöèîíèðîâàíèÿ ìåäïåðñîíàëà.
ÑÏÈÑÎÊ ËÈÒÅÐÀÒÓÐÛ
1. D i e t t e r i c h T . Machine learning for sequential data: A review // Structural, syntactic, and statistical
pattern recognition. — 2002. — P. 1–15.
2. T e n t o r i M . , F a v e l a J . Monitoring behavioral patterns in hospitals through activity-aware computing
// Second Intern. Conf. on Pervasive Computing Technologies for Healthcare. — 2008. — P. 173–176.
3. W a n g D ., L u L . , Z h a n g H . - J . Speech segmentation without speech recognition // IEEE Intern.
Conf. on Acoustics, Speech, and Signal Processing (ICASSP’03). — 2003. — 1. — P. 468–471.
4. V i n h L . T ., L e e S . , L e H . X . , N g o H . Q . , K i m H . I . , H a n M . , L e e Y . K . Semi-Markov
conditional random fields for accelerometer-based activity recognition // Applied Intelligence. — 2011. —
35. — P. 226–241.
5. V a i l D ., V e l o s o M . , L a f f e r t y J . Conditional random fields for activity recognition // Proc. of the
6th Intern. Joint Conf. on Autonomous Agents and Multi Agent Systems. — 2007. — 5. — P. 1–8.
6. P a n e l l a M ., M a r c h i s i o S . , D i S t a n i s l a o F . Reducing clinical variations with clinical
pathways: Do pathways work? // Intern. Journal for Quality in Health Care. — 2003. — 15. — P. 509–521.
7. N a y a F ., O h m u r a R . , T a k a y a n a g i F . , N o m a H . , K o g u r e K . Workers’ routine activity
recognition using body movements and location information // 10th IEEE Intern. Symp. on Wearable
Computers. — 2006. — P. 105–108.
8. M a n n i n i A ., S a b a t i n i A . M . Machine learning methods for classifying human physical activity
from on-body accelerometers // Sensors. — 2010. — 10. — P. 1154–1175.
Íàä³éøëà äî ðåäàêö³¿ 15.06.2016
Î.À. Ãàëê³í
ÐÎÇϲÇÍÀÂÀÍÍß Ä²É ÌÅÄÈ×ÍÈÕ ÏÐÀÖ²ÂÍÈʲ ÍÀ ÎÑÍβ ÏÎÊÀÇÍÈʲÂ
ÀÊÑÅËÅÐÎÌÅÒÐ²Â Ç ÂÈÊÎÐÈÑÒÀÍÍßÌ ÃËÈÁÈÍÍί ÌÅÐÅƲ ÏÅÐÅÊÎÍÀÍÜ
Àíîòàö³ÿ. Äîñë³äæóºòüñÿ òà àíàë³çóºòüñÿ ðåàëüíà ìíîæèíà âåëèêèõ çà îáñÿ-
ãîì ìåäèêî-ñòàòèñòè÷íèõ äàíèõ, ùî âèêîðèñòîâóþòüñÿ äëÿ ðîçï³çíàâàííÿ
ä³é ìåäè÷íèõ ïðàö³âíèê³â íà îñíîâ³ ïîêàçíèê³â àêñåëåðîìåòð³â ó âèçíà÷å-
íèé ìîìåíò ÷àñó. Ó ïðîöåñ³ ðîçï³çíàâàííÿ çàñòîñîâàíî ãëèáèííó ìåðåæó
ïåðåêîíàíü íà íåðîçì³÷åíèõ äàíèõ, ï³ñëÿ ÷îãî ïðîâåäåíî íàâ÷àííÿ ç ó÷èòå-
ëåì ìåòîäîì çâîðîòíîãî ïîøèðåííÿ ïîìèëêè. Îòðèìàí³ ðåçóëüòàòè ïîêàçà-
ëè á³ëüø âèñîêó òî÷í³ñòü ðîçï³çíàâàííÿ ó ïîð³âíÿíí³ ç áàçîâèìè ìåòîäàìè.
Äîñÿãíóòî òàêîæ çíà÷íå ïîêðàùåííÿ â³äíîñíî òðèâàëîñò³ ä³é ìåäïåðñîíàëó.
Êëþ÷îâ³ ñëîâà: ãëèáèííà ìåðåæà ïåðåêîíàíü, àêñåëåðîìåòð, ãëèáèííà íåé-
ðîííà ìåðåæà.
O.A. Galkin
RECOGNITION OF ACTIONS OF MEDICAL WORKERS ON THE BASIS OF READINGS
OF ACCELEROMETERS USING A DEEP BELIEF NETWORK
Abstract. The paper analyzes the real set of large-volume medical and statistical
data to be used for recognition of actions of medical workers on the basis of
readings of accelerometers at a particular moment of time. During the
recognition, deep belief network is applied on unlabeled data, and then trained
with supervised learning by backward propagation of errors. The obtained results
show a higher recognition accuracy as compared with the basic methods
A significant improvement is achieved as to the duration of actions of medical
staff.
Keywords: deep belief network, accelerometer, deep neural network.
Ãàëêèí Àëåêñàíäð Àíàòîëüåâè÷,
êàíäèäàò ôèç.-ìàò. íàóê, àññèñòåíò êàôåäðû Êèåâñêîãî íàöèîíàëüíîãî óíèâåðñèòåòà èìåíè Òàðàñà
Øåâ÷åíêî, å-mail: galkin.o.a@gmail.com.
ISSN 0023-1274. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2016, òîì 52, ¹ 6 29
|