Н.Т. Абдуллаев1, Н.Я. Мамедов2, А.Н. Джафарова3, Г.Э. Абдуллаева4

1,4 Азербайджанский технический университет (г. Баку, Азербайджанская Республика)

2,3 Азербайджанский государственный университет нефти и промышленности
(г. Баку, Азербайджанская Республика)

Постановка проблемы. При решении задач медицинской диагностики широко используются искусственные нейронные сети, с помощью которых реализуется возможность классификации заболеваний. При интервально заданных входных параметрах (симптомах) актуальным является выбор критериев оценки эффективности функционирования нейронных сетей.

Цель работы – проведение исследований по созданию экспериментальных данных для рассматриваемых заболеваний нейромышечной системы, формирование входных параметров для обучения выбранной нейронной сети, а также выбор критериев оценки эффективности их функционирования.

Результаты. В связи с тем, что числовые значения симптомов заболеваний нейромышечной системы варьируются в некоторых интервалах изменения, то в задачах диагностики с использованием искусственных нейронных сетей, в первую очередь, необходимо определить – какой из входных параметров наиболее информативен, т.е. необходима оценка значимости признаков для используемого трехслойного персептрона в задачах диагностики и распознавания. Проводится классификация заболеваний, связанных с поражением периферических нервов, таких как карпальный туннельный синдром (срединный нерв) и кубитальный туннельный синдром (локтевой нерв). Также рассматривается демиелинизирующая невропатия, которая характеризуется множественными поражениями периферических нервов, что приводит к мышечной слабости.

При интервально заданных параметрах нейронной сети для подбора оптимальной структуры используется метод последовательного добавления нейронов в скрытый слой и на каждом шаге производится минимизация функционала ошибки (точности сети). Операции повторяются после очередного шага изменения интервальной величины. Оценка критериев эффективности нейронной сети повторяется для всех интервальных параметров ранее определенных значимых симптомов. Условие остановки алгоритма – получение по критерию функционала ошибки оптимальной структуры сети.

Практическая значимость. В результате проведенных исследований показана возможность получения оптимальной структуры нейронной сети по критериям минимальной ошибки и значимости входных симптомов при интервально заданных параметрах рассматриваемых миографических заболеваний.

Абдуллаев Н.Т., Мамедов Н.Я., Джафарова А.Н., Абдуллаева Г.Э. Применение искусственных нейронных сетей с интервально заданными входными параметрами в электромиографии // Биомедицинская радиоэлектроника. 2022. T. 25. № 2–3. С. 73-83. DOI: https://doi.org/10.18127/j15604136-202202-08

1. Хайкин С. Нейронные сети: полный курс. М.: ИД "Вильямс". 1994. 1104 с.
2. Тарик Рашад. Создаем нейронную сеть. СПб.: ООО "Альфа – книга". 2020. 274 с.
3. Воронцов К.В. Лекции по искусственным нейронным сетям. М.: Книгагид "Orphus". 2007. 24 с.
4. Каллан Р. Нейронные сети. Краткий справочник. М.: "Вильямс". 2017. 288 с.
5. Грачев А.М. Методы сжатия рекуррентных нейронных сетей для задач обработки естественного языка: Автореф. дисс. на соискание учен. ст. канд. комп. наук. М.: ВШЭ. 2019. 18 с.
6. Иванов Н.В. Нейронные сети в медицине // Сложные системы. 2018. №4(29). С. 46–70.
7. Аль-Хайдри В.А., Исаков Р.В., Сушкова Л.Т. Возможность применения искусственных нейронных сетей для обнаружения искажений ЭКГ // Биотехносфера. 2016. №1(43). С. 8–13.
8. Коннова Н.С., Хаперская В.Ю. Применение нейросетей и алгоритмов машинного обучения с целью диагностики сердечно-сосудистых заболеваний на основе сигналов СКГ // Биомедицинская радиоэлектроника. 2020. Т. 23. № 1. С. 5–20.
9. Дубровин В.И., Субботин С.А. Оценка значимости признаков на основе многослойных нейронных сетей в задачах диагностики и распознавания // Техническая диагностика. 2002. №1(3). С. 66–72.
10. Гехт Б.Г., Касаткина Л.Ф., Самойлов М.И. и др. Электромиография в диагностике нервно-мышечных заболеваний. Таганрог: ТРТУ. 1997. 370 с.
11. Касаткина Л.Ф., Гильванова О.В. Электромиографические методы исследования в диагностике нервно-мышечных заболеваний. Игольчатая электромиография. М.: Медика. 2010. 416 с.
12. Васильев А.Н., Тархов Д.А. Математические модели систем с интервально заданными параметрами на основе гетерогенных нейронных сетей. Продолжение температурного поля – классическая постановка задачи // Нейрокомпьютеры: разработка и применение. 2014. № 3. С. 12–16.
13. Тархов Д.А. Нейросетевые модели и алгоритмы. М.: Радиотехника. 2014. 352 с.
14. Ежов А.А., Чечеткин В.Р. Нейронные сети в медицине // Открытые системы. 1997. № 4. С. 34–37.
15. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. М.: Изд-во МГТУ. 2002. 311 с.