Н.Т. Абдуллаев¹, У.Н. Мусеви², К.Ш. Пашаева³

1. Азербайджанский технический университет (г. Баку, Азербайджан)
2. Азербайджанский государственный университет нефти и промышленности (г. Баку, Азербайджан)
3. 3 Бакинская высшая школа нефти (г. Баку, Азербайджан)

Постановка проблемы. Настоящая работа посвящена применению искусственных нейронных сетей для диагностирования функционального состояния желудочно-кишечного тракта, вызванного влиянием паразитов в организме. Для проведения эксперимента выбраны 24 симптома, число которых может быть увеличено, и 9 наиболее распространенных болезней. Показано совпадение диагностирования нейронной сети с классическим врачебным диагностированием для конкретного заболевания. Цель работы – сравнение нейронных сетей с точки зрения их производительности после описания методов предварительной обработки, выделения симптомов и классификации паразитарных заболеваний желудочно-кишечного тракта.

Результаты. Приведены результаты прогнозирования при помощи многослойного персептрона с помощью указанных методов оптимизации. Для сравнения методов оптимизации использованы значения минимальных и максимальных ошибок сети. Компьютерная реализация эксперимента проводилась в программной среде NeuroPro 0.25 и для обучения сети были выбраны методы оптимизации: «градиентный спуск», модифицированный Par Tan, «сопряженные градиенты», BFGS.

Сравнение методов оптимизации с помощью погрешностей сети дает возможность сделать корректный вывод, что для поставленной задачи лучшие результаты получены при применении метода оптимизации «сопряженные градиенты».

Практическая значимость. Предложенный подход облегчает работу экспериментатора-врача в выборе метода оптимизации при работе с нейронными сетями для задачи диагностирования паразитарных заболеваний желудочно-кишечного тракта с точки зрения оценки погрешности сети.

Абдуллаев Н.Т., Мусеви У.Н., Пашаева К.Ш. Применение различных методов оптимизации при расчете погрешности нейронной сети для диагностирования паразитарных заболеваний желудочно-кишечного тракта // Биомедицинская радиоэлектроника. 2021. Т. 24. № 1. С. 29–34. DOI: 10.18127/j15604136-202101-04.

1. Хайкин С. Нейронные сети: Полный курс. М.: Издательский дом «Вильямс». 2006. 1104 с. 
2. Выучейская М.В., Крайнова И.Н., Грибанов А.В. Нейросетевые технологии в диагностике заболеваний (обзор) // Журнал медико-биологических исследований. 2018. Т. 6. № 3. С. 284–294.
3. Maclin P.S., Dempsey J. Using an Artificial Neural Network to Diagnose Hepatic Masses. Journal Medical Systems. 1992. V. 16.  № 5. P. 215–225.
4. Kazmierczak S.C., Catrou P.G., Van Lente F. Diagnostic Accuracy of Pancreatic Enzymes Evaluated by Use of Multivariate Data Analysis. Clinical Chemistry. 1993. V. 39. № 9. P. 1960–1965.
5. Миронов П.И., Лутфарахманов И.И., Ишмухаметов И.Х., Тимербулатов В.M. Искусственныe нейронные сети в прогнозировании развития сепсиса у пациентов с тяжелым острым панкреатитом // Анналы хирургической гепатологии. 2008. Т. 13. № 2. С. 85–89.
6. https://www.looduspere.ee/ru/kishechnye-parasity/
7. Диагностика паразитарных инфекций https://empendium.com/ru/chapter/B33.V.28.4.
8. https://ru.wikipedia.org/wiki/Список_паразитов_человека 
9. Куликов Л.К., Быкова Н.М., Привалов Ю.А., Навтанович Н.А., Шабанова О.Г. Диагностика гиперальдостеронизма t больных с инцеденталомами надпочечников при помощи нейронных сетей // Фундаментальные исследования. 2010. № 3. С. 88–94.
10. http://www.fundamental-research.ru/ru/article/view-id=6659/
11. Ludermir T.B., Yamazaki A., Zanchettin C. An Optimization Methodolgy for Neural Network Weights and Architectures. IEEE Transaction on Neural Networks. 2006. V. 17. № 6. P. 1452–1459.