Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов

Приведены результаты анализа и исследования алгоритмов построения виртуального измерительного прибора для лечебно-диагностических комплексов, реализующих методы биоинформационных технологий. Описаны алгоритмы реализации....

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2017
1. Verfasser:	Тимашов, Е.А.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут кібернетики ім. В.М. Глушкова НАН України 2017
Schriftenreihe:	Компьютерная математика
Schlagworte:	Инструментальные средства информационных технологий
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/168440
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:	Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов / Е.А. Тимашов // Компьютерная математика. — 2017. — № 1. — С. 100-109. — Бібліогр.: 3 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-168440
record_format	dspace
spelling	irk-123456789-1684402020-05-03T01:26:11Z Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов Тимашов, Е.А. Инструментальные средства информационных технологий Приведены результаты анализа и исследования алгоритмов построения виртуального измерительного прибора для лечебно-диагностических комплексов, реализующих методы биоинформационных технологий. Описаны алгоритмы реализации. Наведено результати аналізу та дослідження алгоритмів функціонування віртуального вимірювального приладу для лікувально-діагностичних комплексів, що реалізують методи біоінформаційних технологій. Описано алгоритми реалізації. The results of analysis and research of the algorithms of virtual instrumentation functioning for medical-diagnostic systems that implement the methods of bioinformatics technologies are presented. The implementation algorithms are described. 2017 Article Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов / Е.А. Тимашов // Компьютерная математика. — 2017. — № 1. — С. 100-109. — Бібліогр.: 3 назв. — рос. 2616-938Х http://dspace.nbuv.gov.ua/handle/123456789/168440 004.3 ru Компьютерная математика 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	Инструментальные средства информационных технологий Инструментальные средства информационных технологий
spellingShingle	Инструментальные средства информационных технологий Инструментальные средства информационных технологий Тимашов, Е.А. Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов Компьютерная математика
description	Приведены результаты анализа и исследования алгоритмов построения виртуального измерительного прибора для лечебно-диагностических комплексов, реализующих методы биоинформационных технологий. Описаны алгоритмы реализации.
format	Article
author	Тимашов, Е.А.
author_facet	Тимашов, Е.А.
author_sort	Тимашов, Е.А.
title	Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов
title_short	Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов
title_full	Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов
title_fullStr	Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов
title_full_unstemmed	Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов
title_sort	алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
publishDate	2017
topic_facet	Инструментальные средства информационных технологий
url	http://dspace.nbuv.gov.ua/handle/123456789/168440
citation_txt	Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов / Е.А. Тимашов // Компьютерная математика. — 2017. — № 1. — С. 100-109. — Бібліогр.: 3 назв. — рос.
series	Компьютерная математика
work_keys_str_mv	AT timašovea algoritmyfunkcionirovaniâvirtualʹnogopriboradlâmedicinskihlečebnodiagnostičeskihkompleksov
first_indexed	2025-07-15T03:13:25Z
last_indexed	2025-07-15T03:13:25Z
_version_	1837681036293570560
fulltext	100 Компьютерная математика. 2017, № 1 Приведены результаты анализа и исследования алгоритмов постро- ения виртуального измеритель- ного прибора для лечебно-диаг- ностических комплексов, реализу- ющих методы биоинформацион- ных технологий. Описаны алго- ритмы реализации.  Е.А. Тимашов, 2017 УДК 004.3 Е.А. ТИМАШОВ АЛГОРИТМЫ ФУНКЦИОНИРОВАНИЯ ВИРТУАЛЬНОГО ПРИБОРА ДЛЯ МЕДИЦИНСКИХ ЛЕЧЕБНО-ДИАГНОСТИЧЕСКИХ КОМПЛЕКСОВ Введение. В настоящей работе приведены результаты анализа и исследования алгорит- мов функционирования виртуального изме- рительного прибора для лечебно-диагно- стических комплексов, реализующих методы биоинформационных технологий. Описаны алгоритмы реализации. Лечебно-диагностические комплексы (ЛДК) – это автоматизированные системы для вы- работки путем автоматизированной диагно- стики и реализации лечебных воздействий на пациента, являющегося в данном случае объ- ектом управления, на который направлены медикаментозные и процедурные воздейст- вия в соответствии с критерием управления, выработанным врачом в процессе выявления заболевания или группы заболеваний, как с помощью ЛДК, так и с помощью амбула- торных и других методов. Исходя из этого отнесем ЛДК к одной из разновидностей автоматизированных систем управления (АСУ), которым свойственны следующие признаки, общие для всех АСУ. ЛДК – это человеко-машинная система, в которой врач играет важнейшую роль, принимая основное участие в выработке решений по диагностике и лечению [1]. Существенное место в ЛДК занимают различные датчики (сенсоры), устройство связи с пациентом (УСП), сред- ства вычислительной техники, выполняющие операции по сбору, обработке и переработке информации, для установления диагноза и выработке стратегии и тактики лечения; АЛГОРИТМЫ ФУНКЦИОНИРОВАНИЯ ВИРТУАЛЬНОГО ПРИБОРА ДЛЯ МЕДИЦИНСКИХ ... Компьютерная математика. 2017, № 1 101 важную роль играют исполнительные устройства, т. е. устройства, осущест- вляющие лечебное воздействие на пациента, а также участвующие в управлении процессом получения диагностической информации. Следует иметь в виду, что ЛДК обеспечивает управление процессом лечения в целом, а его технические средства участвуют в выработке врачом решений по диагнозу и лечению [3]. Одна из задач при разработке программно-аппаратных комплексов для диагностики заболеваний по методам Фолля и Накатани – создать виртуальный прибор, который осуществляет измерения слаботочных сигналов проводимости в биологически активных точках тела пациента и через канал УНЧ-АЦП-ПЭВМ вводит цифровые результаты измерений. Отображение результатов измерений осуществляется на виртуальном стрелочном приборе, реализованном програм- мными средствами на экране дисплея. Стрелочные приборы являются привыч- ными для медицинского персонала в диагностических системах такого типа и их разработка выполняется по их требованиям. Проведенные эксперименты и исследования показали, что реальные изме- рения сопровождаются высоким уровнем помех, порождаемых 50-ти герцовой сетью и импульсным блоком питания ПЭВМ. С учетом высокой скорости кван- тования сигнала и его отображения стрелка прибора на экране осуществляет «скачущие» движения, не естественные для обычного стрелочного прибора, обладающего достаточной инерционностью [2]. Для качественной имитации решение задачи осуществлялось путем создания цифрового фильтра, осуществ- ляющего сглаживание ряда динамики с наложенной случайно составляющей, т. е. прогнозирование случайного процесса. Для решения таких задач применяется большое количество разнообразных методов и приемов, которые разработаны и разрабатываются в различных областях науки и техники. Они отличаются различным математическим аппара- том, положенным в основу, а также другими характеристиками, в частности, объемом вычислений на шаге, точностью, количеством точек предыстории и др. Как критерий прогноза используется условие минимума среднеквадратичной ошибки * 2 2 0 min( )i iy y   при * ,i iy y   (1) где  – величина отклонения на каждом шаге прогноза. Точность прогноза оценивалась по величине вариации.       2* 22 * 100 %,i i i i y y y y      (2) где iy – замеры процесса y(t) в it , i =1, 2, * iy – предсказанное значение про- цесса в .it Если точность не удовлетворяет, то порядок полинома увеличивается на единицу и так далее к получению малой или равной нолю вариации. Е.А. ТИМАШОВ Компьютерная математика. 2017, № 1102 После получения аппроксимирующей функции y(t) определяются значения интересующего нас процесса как в прошлом, так и в будущем. Однако если при этом приближение осуществляется путем построения полинома регрессии мето- дом наименьших квадратов (а в большинстве случаев так и есть), то каждый раз при увеличении меры полинома приходится опять решать систему так называе- мых нормальных уравнений, которая увеличивает объем вычислений. Это увеличение еще более существенное учитывая то, что прогноз, как правило, осуществляется в «скользящем» режиме. Данный недостаток можно устранить благодаря свойству интерполяционного полинома Чебышева, которое заключа- ется в том, что при увеличении меры полинома не нужно заново вычислять предыдущие члены ряда. Ряд Чебышева для равноотстоящих точек, интерполирующий функцию с приближением, минимизирующим сумму     2 1 n i m i i y t Q t     имеет вид 1 2 1 ( ) ( ) ( ) ( ). n i i i n i i y f t m f t Q t f t          В нем ( )f t и 2 ( )f t определяются по формулам: 2 ( 1)( 1)( ) ( 1) 1 2 3 ... ( 1)( 2)...( ) 1 ( 1)( 2) 1 tf t n n n n n                                  2 1 1 2 1 2 ... , 1 2 1 t t n n                2 2 2 2 2 2 1 ( !) ( 2 )...( )( ) . 2 1 n i i n n nf t         Аппроксимирующий полином имеет два параметра: n – количество точек предыстории, m – мера полинома. Интервал дискретности при вычислении экстраполяционных формул выби- рается равным относительной единице, которая дает возможность работать с предысторией процесса независимо от абсолютной величины интервала дискретизации. Предлагаемый алгоритм требует небольшого количества вычислений на шаге прогноза, прост в реализации и как показывает его применение, практиче- ски удобен. При решении задачи прогнозирования с использованием указанных экстра- полирующих полиномов как критерий прогноза применялось условие минимума среднеквадратичной ошибки min 2 0( )i iy y   при * ,i iy y   где  – величина отклонения на каждом шаге прогноза. АЛГОРИТМЫ ФУНКЦИОНИРОВАНИЯ ВИРТУАЛЬНОГО ПРИБОРА ДЛЯ МЕДИЦИНСКИХ ... Компьютерная математика. 2017, № 1 103 Точность оценивалась по величине вариации     2* 22 .i i i i y y y y     Выбор числа членов экстраполирующего полинома (длина предыстории наблюдения при этом n) связан с методической погрешностью представления процесса и неизменной погрешностью измерения. Поскольку с увеличением числа членов полинома первая погрешность убывает, а друга растет, то сущест- вует оптимальная в некотором смысле длина предыстории, которая удовлетво- ряет нужному соотношению указанных погрешностей. Эта длина оценивалась по минимальному значению . Уравнение регрессии, выраженное через полиномы Чебышева, имеет вид 0 0 1 1ˆ ( ) ( ) ... ( ),k ky b P x b P x b P x    где P0(x), P1(x), …, ( )kP x ортогональные полиномы Чебышева на множестве точек x1, x2,…, xn. Это означает, что для всех u j выполняются соотношения 1 ( ) ( ) 0,n u i j ii P x P x   где 1( )kP x зависит только от объема выборки n. Зная многочлены Чебышева 1( ),kP x при каждом увеличении степени урав- нения регрессии необходимо вычислять только коэффициент 1.kb  Многочлены Чебышева определяются по формулам: 0( ) 1,P x  1 1( ) , 2 nP x x    2 2 2 1 1 12 ( )( ) ( ) ( ) ( ). 4(4 1)k k k k n kP x P X P x P x k       Например, 2 2 ( 1)( 2)( ) ( 1) 6 n nP x x n x       , 2 3 2 3 3( 1) 6 15 11 ( 1)( 2)( 3)( ) 2 10 20 n n n n nP x x x x          , 2 2 4 3 2 4 9 21 4 ( 1)(2 7 10)( ) 2( 1) 7 7 n n n n nP x x n x x x           – ( 1)( 2)( 3)( 4) . 80 n n n n    Е.А. ТИМАШОВ Компьютерная математика. 2017, № 1104 Определяя коэффициенты b0, b1, …, bk уравнения регрессии (IV.66) по методу наименьших квадратов, получаем 1 0 , n ii y b n   11 1 2 1 ( ) , ( ) n i ii n k ii y P x b P x      ........................................................................... 1 2 1 ( ) . ( ) n i k ii k n k ii y P x b P x      Вычисленные по формулам коэффициенты bi не зависят от того, каков порядок определяемого уравнения регрессии. При нахождении уравнения рег- рессии методом последовательных уточнений используются все ранее найден- ные .ib Повышение порядка уравнения регрессии на 1 приводит к определению только одного коэффициента. При этом удобными получаются формулы для расчета остаточной диспер- сии для уравнения регрессии k-го порядка: 2 , 1 k k oct SSS n k    где сумма квадратов отклонений kss определяются по рекуррентной формуле 2 2 1 1 ( ).n k k k k ii SS SS b P x     Необходимо только заранее подсчитать SS0:  22 12 2 0 0 01 1 1 [ ( )] ( ) . n in n n i i i i ii i i y SS y b P x y y y n               При равноотстоящих значениях аргумента 2 1 3 1 1; 2 ; ... ( 1) ,nx x n x x h x x n h       где h – шаг интерполяции, вычисления коэффициентов облегчаются. Сделаем замену переменных 1 1.x xz h    Тогда каждое значение ix заменится своим номером, т. е. .iz i Будем искать уравнение регрессии в виде 0 0 1 1ˆ ( ) ( ) ... ( ),k ky a P z a P z a P z    где 1 0 , n ii y a n   АЛГОРИТМЫ ФУНКЦИОНИРОВАНИЯ ВИРТУАЛЬНОГО ПРИБОРА ДЛЯ МЕДИЦИНСКИХ ... Компьютерная математика. 2017, № 1 105 11 1 2 11 ( ) , ( ) n ii n i y P i a P i      …………………………. 1 1 2 1 ( ) . ( ) n i ki n i ki y P i a y P i      Суммы, стоящие в знаменателе, можно определить по сокращенной формуле: 2 2 2 2 2 2 2 21 ( !) ( 1)( 4) ... ( )( ) , [(2 1)!!] 2 (2 1) n k ki k n n n n kP i k k       где (2 1)!!k  – произведение всех нечетных чисел от 1 до 2k – 1 включительно. В частности, 2 2 11 ( 1)( ) , 12 n i n nP i    2 2 2 21 ( 1)( 4)( ) , 180 n i n n nP i     2 2 2 2 31 ( 1)( 4)( 9)( ) , 2800 n i n n n nP i      2 2 2 2 2 41 ( 1)( 4)( 9)( 16)( ) . 44100 n i n n n n nP i       Эти суммы используются и для вычисления сумм ,kSS нужных для опреде- ления остаточной дисперсии: 2 2 1 1 ( ).n k k k ki SS SS a P i     После получения уравнения регрессии переменную z опять заменяют перво- начальной переменной x. Прогнозирование и сглаживание с использованием модели – метод гармонических весов. x{1:n} – реализация процесса; n – длина предыстории. Вычисляется тренд ˆ[1: ]x n , одним из существующих методов. 1. Вычисляется вес в каждой точке: ˆ ˆ , 1 n i i x xA n    ( 1, 2, ..., ).I n Вычисляем средний вес: 1 1 . 1 n i i W A n     Е.А. ТИМАШОВ Компьютерная математика. 2017, № 1106 Тогда значение в (n+1) точке будет * 1 ˆ ,n nx W t x    где t – длина интервала предсказания. К предыстории прибавляется предсказанное значение и следующее предска- зание делается по расширенной предыстории, пока 0 ,n n T  где T – горизонт прогноза, n0 – начальная предыстория. 2. Прогнозирование без сглаживания. Веса вычисляются по формуле 1 1 1, , 1 1 1 n n i n i i i x x x xA W n n n         при этом вес вычисляется как 1 1 1 . 1 1 n n i i x xW n n       Прогноз в (n+1) точке определяется как * 1 ' .n nx W t x    Далее предыстория расширяется, как и в п. 1. 2.1. Прогнозирование с частичным сглаживанием (без вычисления тренда) Вычисляем среднее значение x по последним 5 точкам предыстории: 5 5 1 1; 5 5 n n m n n x x т m      и определяем коэффициент корреляции в виде 5 2 5 ( ) ( ) . ( ) n m n n n m n x x b m n          При этом сглаженные значения предыстории получаем в виде: ˆ ( ),nx x b n m   далее вычисляем веса и их среднее значение: WAi , вводим уклонение истинно- го значения nx от сглаженного ˆnx ˆ .n nx x   АЛГОРИТМЫ ФУНКЦИОНИРОВАНИЯ ВИРТУАЛЬНОГО ПРИБОРА ДЛЯ МЕДИЦИНСКИХ ... Компьютерная математика. 2017, № 1 107 Тогда прогнозированное значение * 1 ˆ' ,n n nx W t x a      где вычисляется следующим образом: 1 1 3. 1 1 4 t na n n k          Метод простого скользящего среднего состоит в том, что расчет показателя на прогнозируемый момент времени строится путем усреднения значений этого показателя за несколько предшествующих моментов времени. При составлении прогноза этим методом часто приходится наблюдать, что влияние используемых при расчете реальных показателей оказывается неодина- ковым, при этом обычно более свежие данные имеют больший вес. Вклад различных моментов времени можно учесть, вводя вес для каждого значения показателя в скользящем интервале. В результате приходим к методу взвешенного скользящего среднего: 1 1 1 1 1 , N k k i k N k i W x f W         где 1kW  – вес, с которым используется показатель 1kx  при расчете. Вес – это всегда положительное число. В случае, когда все веса одинаковы, мы возвраща- емся к обычному методу скользящего среднего. Методам скользящего среднего недостает адаптивности (приспособляемо- сти). Прогнозы в них зависят от предыдущих значений показателя, но не от ка- чества предыдущих прогнозов. Метод экспоненциального сглаживания. При расчете прогноза методом экс- поненциального сглаживания учитывается отклонение предыдущего прогноза от реального показателя, а сам расчет проводится по следующей формуле:  1 1 ,k k k i kf f x f     где  – постоянная сглаживания  10  . Рассмотрим модель экспоненциального сглаживания более детально. Для начала перепишем формулу в виде 11 )1(   kkk fxf . Для k > 2, k можно заменить на k – 1. 1 2 2(1 )k k kf x f       Е.А. ТИМАШОВ Компьютерная математика. 2017, № 1108 и подставим полученное выражение 2 2 21 )1()1(   kkkk fxxf . Выполняя последовательно аналогичные подстановки, получаем следующее выражение для kf : 2 2 1 1 2 3 1 1(1 ) (1 ) ... (1 ) (1 )k k k k k kf x x x x f                      . Поскольку из неравенства 0 1   следует, что 0 1 1,    то 2(1 ) (1 ) ...         . Другими словами, коэффициенты при kx убывают при уменьшении номера k: наблюдение 1kx  имеет больший вес, чем наблюде- ние 2 ,kx  которое, в свою очередь, имеет больший вес, чем 3kx  . Видно, что значением kf является взвешенная сумма всех предыдущих наблюдений, включая последнее наблюдение 1kx  . Последнее слагаемое суммы является не статистическим наблюдением, а «предположением» 1.f Очевидно, что с ростом k влияние 1,f на прогноз уменьшается, и в определенный момент им можно будет пренебречь. Даже если значение α достаточно малое (такое, что (1 – α) приблизительно равно 1), значение (1 )t  будет быстро убывать. Оценить точность сделанных прогнозов можно, в частности, используя среднее абсолютных отклонений (САО) i i N x f CAO N    или среднее относительных ошибок, в процентах (СООП) 100% , i i N i x f xCOОП N     где N – количество прогнозов. Выводы. Выбор варианта прогнозирования осуществляется таким образом: сначала 3 методами прогнозируется последняя (известна точка) предыстории и с уклонения прогноза от реализации выбирается min, после чего дальнейшая работа идет по варианту соответствующему min уклонению. АЛГОРИТМЫ ФУНКЦИОНИРОВАНИЯ ВИРТУАЛЬНОГО ПРИБОРА ДЛЯ МЕДИЦИНСКИХ ... Компьютерная математика. 2017, № 1 109 Є.О. Тимашов АЛГОРИТМИ ФУНКЦІОНУВАННЯ ВІРТУАЛЬНОГО ПРИЛАДУ ДЛЯ МЕДИЧНИХ ЛІКУВАЛЬНО-ДІАГНОСТИЧНИХ КОМПЛЕКСІВ Наведено результати аналізу та дослідження алгоритмів функціонування віртуального вимірювального приладу для лікувально-діагностичних комплексів, що реалізують методи біоінформаційних технологій. Описано алгоритми реалізації. E.О. Timashov ALGORITHMS OF FUNCTIONING OF VIRTUAL DEVICES FOR MEDICAL-DIAGNOSTIC COMPLEXES The results of analysis and research of the algorithms of virtual instrumentation functioning for medical-diagnostic systems that implement the methods of bioinformatics technologies are presented. The implementation algorithms are described. 1. Тимашов Е.А. Системный анализ компьютерных лечебно-диагностических комплексов. Комп’ютерні засоби, мережі та системи. 2004. С. 156 – 162. 2. Тимашов Е.А. Синтез структури програмного забезпечення біоінформаціних систем діагностики та лікування.Там само. 2005. С. 145 – 152. 3. Тимашов Е.А. Функциональные основы и алгоритмы работы распределенных биоинфор- мационных систем диагностики и лечения. Збірник наукових праць Інституту кібернети- ки імені В.М. Глушкова НАН України Нові комп’ютерні засоби, обчислювальні машини та мережі. 2001. Т. 2. С. 119 – 126. Получено 20.09.2016 Об авторе: Тимашов Евгений Александрович, научный сотрудник Института кибернетики имени В.М. Глушкова НАН Украины.

Алгоритмы функционирования виртуального прибора для медицинских лечебно-диагностических комплексов

Institution

Ähnliche Einträge