Методика интеллектуальной диагностики зрительного анализатора
В статье была предложена методика интеллектуальной диагностики зрительного анализатора, основанная на коннекционистских моделях и теории распознавания образов. которая включает в себя выявление и формализацию зависимостей между признаками сканирующей лазерной поляриметрии (SLP) и признаками ретробул...
Збережено в:
| Дата: | 2010 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Russian |
| Опубліковано: |
Інститут проблем математичних машин і систем НАН України
2010
|
| Назва видання: | Математичні машини і системи |
| Теми: | |
| Онлайн доступ: | http://dspace.nbuv.gov.ua/handle/123456789/83295 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Методика интеллектуальной диагностики зрительного анализатора / Е.Е. Федоров, И. Слесорайтите // Мат. машини і системи. — 2010. — № 3. — С. 104-110. — Бібліогр.: 3 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
irk-123456789-83295 |
|---|---|
| record_format |
dspace |
| spelling |
irk-123456789-832952015-06-19T03:01:52Z Методика интеллектуальной диагностики зрительного анализатора Федоров, Е.Е. Слесорайтите, И. Моделювання і управління великими системами В статье была предложена методика интеллектуальной диагностики зрительного анализатора, основанная на коннекционистских моделях и теории распознавания образов. которая включает в себя выявление и формализацию зависимостей между признаками сканирующей лазерной поляриметрии (SLP) и признаками ретробульбарной гемодинамики (RH); синтез структуры нейросети и ее математической модели; определение параметров модели; создание функционала цели; разработку процедуры прогноза. Для предложенной методики приводятся результаты численного исследования. У статті запропонована методика інтелектуальної діагностики зорового аналізатора, заснована на конекціоністських моделях і теорії розпізнавання образів. яка містить у собі виявлення й формалізацію залежностей між ознаками лазерної поляриметрії, що сканує (SLP), і ознаками ретробульбарної гемодинаміки (RH); синтез структури нейромережі і її математичної моделі; визначення параметрів моделі; створення функціоналу мети; розробку процедури прогнозу. Для запропонованої методики наводяться результати чисельного дослідження. In the article a method of intellectual diagnostics of the visual analyzer based on connection models and theory of pattern recognition was offered. The method includes: detection and formalization of relations between indications scanning laser polarimetry (SLP) and indications retrobulbar hemodynamics (RH); synthesis of neuronet structure and its mathematical model; identification of parameters of model; creation of a functional of the purpose; development of procedure of the prognosis. For an offered technique the outcomes of numerical research are resulted. 2010 Article Методика интеллектуальной диагностики зрительного анализатора / Е.Е. Федоров, И. Слесорайтите // Мат. машини і системи. — 2010. — № 3. — С. 104-110. — Бібліогр.: 3 назв. — рос. 1028-9763 http://dspace.nbuv.gov.ua/handle/123456789/83295 004.934.1'1 ru Математичні машини і системи Інститут проблем математичних машин і систем НАН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
Russian |
| topic |
Моделювання і управління великими системами Моделювання і управління великими системами |
| spellingShingle |
Моделювання і управління великими системами Моделювання і управління великими системами Федоров, Е.Е. Слесорайтите, И. Методика интеллектуальной диагностики зрительного анализатора Математичні машини і системи |
| description |
В статье была предложена методика интеллектуальной диагностики зрительного анализатора, основанная на коннекционистских моделях и теории распознавания образов. которая включает в себя выявление и формализацию зависимостей между признаками сканирующей лазерной поляриметрии (SLP) и признаками ретробульбарной гемодинамики (RH); синтез структуры нейросети и ее математической модели; определение параметров модели; создание функционала цели; разработку процедуры прогноза. Для предложенной методики приводятся результаты численного исследования. |
| format |
Article |
| author |
Федоров, Е.Е. Слесорайтите, И. |
| author_facet |
Федоров, Е.Е. Слесорайтите, И. |
| author_sort |
Федоров, Е.Е. |
| title |
Методика интеллектуальной диагностики зрительного анализатора |
| title_short |
Методика интеллектуальной диагностики зрительного анализатора |
| title_full |
Методика интеллектуальной диагностики зрительного анализатора |
| title_fullStr |
Методика интеллектуальной диагностики зрительного анализатора |
| title_full_unstemmed |
Методика интеллектуальной диагностики зрительного анализатора |
| title_sort |
методика интеллектуальной диагностики зрительного анализатора |
| publisher |
Інститут проблем математичних машин і систем НАН України |
| publishDate |
2010 |
| topic_facet |
Моделювання і управління великими системами |
| url |
http://dspace.nbuv.gov.ua/handle/123456789/83295 |
| citation_txt |
Методика интеллектуальной диагностики зрительного анализатора / Е.Е. Федоров, И. Слесорайтите // Мат. машини і системи. — 2010. — № 3. — С. 104-110. — Бібліогр.: 3 назв. — рос. |
| series |
Математичні машини і системи |
| work_keys_str_mv |
AT fedorovee metodikaintellektualʹnojdiagnostikizritelʹnogoanalizatora AT slesorajtitei metodikaintellektualʹnojdiagnostikizritelʹnogoanalizatora |
| first_indexed |
2025-07-06T10:03:04Z |
| last_indexed |
2025-07-06T10:03:04Z |
| _version_ |
1836891449693569024 |
| fulltext |
104 © Федоров Е.Е., Слесорайтите И., 2010
ISSN 1028-9763. Математичні машини і системи, 2010, № 3
УДК 004.934.1’1
Е.Е. ФЕДОРОВ, И. СЛЕСОРАЙТИТЕ
МЕТОДИКА ИНТЕЛЛЕКТУАЛЬНОЙ ДИАГНОСТИКИ ЗРИТЕЛЬНОГО
АНАЛИЗАТОРА
Abstract. In the article a method of intellectual diagnostics of the visual analyzer based on connection models and
theory of pattern recognition was offered. The method includes: detection and formalization of relations between indi-
cations scanning laser polarimetry (SLP) and indications retrobulbar hemodynamics (RH); synthesis of neuronet struc-
ture and its mathematical model; identification of parameters of model; creation of а functional of the purpose; devel-
opment of procedure of the prognosis. For an offered technique the outcomes of numerical research are resulted.
Key words: method of intellectual diagnostics of the visual analyzer, scanning laser polarimetry, retrobulbar hemody-
namics, neuronet SFNN-2, functional of the purpose, procedure of the prognosis.
Анотація. У статті запропонована методика інтелектуальної діагностики зорового аналізатора, засно-
вана на конекціоністських моделях і теорії розпізнавання образів. яка містить у собі виявлення й формалі-
зацію залежностей між ознаками лазерної поляриметрії, що сканує (SLP), і ознаками ретробульбарної гемо-
динаміки (RH); синтез структури нейромережі і її математичної моделі; визначення параметрів моделі;
створення функціоналу мети; розробку процедури прогнозу. Для запропонованої методики наводяться ре-
зультати чисельного дослідження.
Ключові слова: методика інтелектуальної діагностики зорового аналізатора, лазерна поляриметрія, що
сканує, ретробульбарна гемодинаміка, нейромережа SFNN-2, функціонал мети, процедура прогнозу.
Аннотация. В статье была предложена методика интеллектуальной диагностики зрительного анализа-
тора, основанная на коннекционистских моделях и теории распознавания образов. которая включает в
себя выявление и формализацию зависимостей между признаками сканирующей лазерной поляриметрии
(SLP) и признаками ретробульбарной гемодинамики (RH); синтез структуры нейросети и ее математиче-
ской модели; определение параметров модели; создание функционала цели; разработку процедуры прогно-
за. Для предложенной методики приводятся результаты численного исследования.
Ключевые слова: методика интеллектуальной диагностики зрительного анализатора, сканирующая ла-
зерная поляриметрия, ретробульбарная гемодинамика, нейросеть SFNN-2, функционал цели, процедура
прогноза.
1. Введение
Актуальность. В настоящее время актуальной является разработка интеллектуальных систем,
предназначенных для выявления дефектов сетчатки и артерий глаза.
Состояние вопроса. Современные исследования зрительного анализатора [1, 2] не исполь-
зуют модели и методы искусственного интеллекта и, в частности, нейронные сети. С другой сторо-
ны, существующие архитектуры нейросетей не в полной мере решают задачу глазной диагностики.
Постановка задачи. Для повышения надежности обнаружения глаукомы необходимо пред-
ложить методику интеллектуальной диагностики зрительного анализатора.
2. Показатели состояния сетчатки и артерий глаза и структура авторской методики
Сетчаточная толщина слоя зрительного нерва анализируется путем сканирующей лазерной поля-
риметрии (SLP). Стандартные показатели SLP: средняя височная, верхняя, носовая, нижняя тол-
щина слоя зрительного нерва (TSNIT) и показатель зрительного нерва (NFI).
Состояние артерий глаз (ретробульбарная гемодинамика (RH)) оценивается на основе цве-
тового допплеровского изображения (CDI). Стандартные показатели CDI:
– пиковая систолическая скорость (OA_PSV), конечно-диастолическая скорость (OA_EDV),
показатель пульсации (OA_PI) и показатель удельного сопротивления (OA_RI) в глазной артерии
(OA),
ISSN 1028-9763. Математичні машини і системи, 2010, № 3 105
– пиковая систолическая скорость (CRA_PSV), конечно-диастолическая скорость
(CRA_EDV), показатель пульсации (CRA_PI) и показатель удельного сопротивления (CRA_RI) в
центральной сетчаточной артерии (CRA);
– пиковая систолическая скорость (SPCA_PSV), конечно-диастолическая скорость
(SPCA_EDV), показатель пульсации (SPCA_PI) и показатель удельного сопротивления (SPCA_RI) в
короткой последующей реснитчатой артерии (SPCA).
Существующие зависимости между показателями состояния сетчатки и артерий в настоя-
щее время формализованы неполно. С другой стороны, для повышения вероятности правильного
диагностирования и повышения скорости принятия решения требуется разработка математической
модели прогноза.
Таким образом, возникает необходимость в создании методики диагностики зрительного
аппарата человека, базирующейся на подходах искусственного интеллекта и включающей в себя
следующие этапы:
– выявление и формализация зависимостей между показателями;
– синтез структуры нейросети и ее математической модели;
– определение параметров модели;
– создание функционала цели;
– разработка процедуры прогноза;
– численное исследование.
3. Выявление и формализация зависимостей между показателями
На основе экспериментальных данных были построены графики зависимостей между CRA_EDV и
NFI, TSNIT (рис. 1–3), CRA_RI и NFI, TSNIT (рис. 4–6), SCPA_RI и NFI, TSNIT (рис. 7–9) на трех эта-
пах: перед началом лечения (Baseline), после 6 месяцев лечения (6MO), после завершения лече-
ния (Healthy).
Зависимости, которые приведены на рис. 1–3, близки к квадратичным и поэтому могут быть
описаны следующим уравнением:
2
210 xbxbby ++= . (1)
Зависимости, которые приведены на рис. 4–9, близки к линейным и поэтому могут быть опи-
саны следующим уравнением:
xbby 10 += . (2)
Как следует из рис. 1–9, наблюдается:
– прямая нелинейная зависимость между NFI и CRA_EDV;
– обратная нелинейная зависимость между NFI и CRA_RI;
– прямая линейная зависимость между NFI и SCPA_RI;
– обратная линейная зависимость между TSNIT и CRA_EDV;
– прямая линейная зависимость между TSNIT и CRA_RI;
– обратная линейная зависимость между TSNIT и SCPA_RI;
– NFI от этапа к этапу убывает;
– TSNIT от этапа к этапу возрастает;
ISSN 1028-9763. Математичні машини і системи, 2010, № 3 106
– CRA_RI и SCPA_RI оказывают на NFI и TSNIT большее влияние, чем CRA_EDV.
Baseline
0
10
20
30
40
50
60
70
80
2,
00
2,
57
3,
14
3,
71
4,
29
4,
86
5,
43
6,
00
6,
57
7,
14
7,
71
8,
29
8,
86
9,
43
10
,0
0
10
,5
7
11
,1
4
11
,7
1
CRA_EDV
NFI, TSNIT
NFI
TSNIT
6MO
0
10
20
30
40
50
60
70
80
2,
00
2,
57
3,
14
3,
71
4,
29
4,
86
5,
43
6,
00
6,
57
7,
14
7,
71
8,
29
8,
86
9,
43
10
,0
0
10
,5
7
11
,1
4
11
,7
1
CRA_EDV
NFI, TSNIT
NFI
TSNIT
Рис. 1. Зависимость между CRA_EDV и NFI, TSNIT
перед началом лечения
Рис. 2. Зависимость между CRA_EDV и NFI, TSNIT
после 6 месяцев лечения
Healthy
0
10
20
30
40
50
60
70
80
2,
00
2,
57
3,
14
3,
71
4,
29
4,
86
5,
43
6,
00
6,
57
7,
14
7,
71
8,
29
8,
86
9,
43
10
,0
0
10
,5
7
11
,1
4
11
,7
1
CRA_EDV
NFI, TSNIT
NFI
TSNIT
Baseline
0
10
20
30
40
50
60
70
80
0,
50
0,
56
0,
61
0,
67
0,
73
0,
79
0,
84
0,
90
0,
96
1,
01
1,
07
1,
13
1,
19
1,
24
1,
30
1,
36
1,
41
1,
47
CRA_RI
NFI, TSNIT
NFI
TSNIT
Рис. 3. Зависимость между CRA_EDV и NFI,
TSNIT после завершения лечения
Рис. 4. Зависимость между CRA_RI и NFI, TSNIT
перед началом лечения
6MO
0
10
20
30
40
50
60
70
80
0,
50
0,
56
0,
61
0,
67
0,
73
0,
79
0,
84
0,
90
0,
96
1,
01
1,
07
1,
13
1,
19
1,
24
1,
30
1,
36
1,
41
1,
47
CRA_RI
NFI, TSNIT
NFI
TSNIT
Healthy
0
10
20
30
40
50
60
70
80
0,
50
0,
56
0,
61
0,
67
0,
73
0,
79
0,
84
0,
90
0,
96
1,
01
1,
07
1,
13
1,
19
1,
24
1,
30
1,
36
1,
41
1,
47
CRA_RI
NFI, TSNIT
NFI
TSNIT
Рис. 5. Зависимость между CRA_RI и NFI, TSNIT
после 6 месяцев лечения
Рис. 6. Зависимость между CRA_RI и NFI, TSNIT
после завершения лечения
ISSN 1028-9763. Математичні машини і системи, 2010, № 3 107
Baseline
0
10
20
30
40
50
60
70
80
0,
50
0,
56
0,
61
0,
67
0,
73
0,
79
0,
84
0,
90
0,
96
1,
01
1,
07
1,
13
1,
19
1,
24
1,
30
1,
36
1,
41
1,
47
SCPA_RI
NFI, TSNIT
NFI
TSNIT
6MO
0
10
20
30
40
50
60
70
80
0,
50
0,
56
0,
61
0,
67
0,
73
0,
79
0,
84
0,
90
0,
96
1,
01
1,
07
1,
13
1,
19
1,
24
1,
30
1,
36
1,
41
1,
47
SCPA_RI
NFI, TSNIT
NFI
TSNIT
Рис. 7. Зависимость между SCPA_RI и NFI, TSNIT
перед началом лечения
Рис. 8. Зависимость между SCPA_RI и NFI, TSNIT
после 6 месяцев лечения
Для нахождения параметров 210 ,, bbb уравнений (1) и (2) использовался метод наименьших
квадратов. В результате была получена следующая таблица.
Таблица 1. Параметры уравнений зависимостей
Вид зависимости b0 b1 b2
NFI(CRA_EDV), Baseline 28 -9 1
NFI(CRA_EDV), MO6 28,5 -9,3 1
NFI(CRA_EDV), Healthy 32 -11 1
NFI(CRA_RI), Baseline 86,75 -52,5 0
NFI(CRA_RI), MO6 84 -50 0
NFI(CRA_RI), Healthy 62 -40 0
NFI(SCPA_RI), Baseline -18,25 52,5 0
NFI(SCPA_RI), MO6 -16 50 0
NFI(SCPA_RI), Healthy -18 40 0
TSNIT(CRA_EDV), Baseline -25 21 -1,3
TSNIT(CRA_EDV), MO6 -20 20,7 -1,3
TSNIT(CRA_EDV), Healthy 20 18 -1,3
TSNIT(CRA_RI), Baseline 28 22 0
TSNIT(CRA_RI), MO6 28,5 25 0
TSNIT(CRA_RI), Healthy 32,5 31 0
Healthy
0
10
20
30
40
50
60
70
80
0,
50
0,
56
0,
61
0,
67
0,
73
0,
79
0,
84
0,
90
0,
96
1,
01
1,
07
1,
13
1,
19
1,
24
1,
30
1,
36
1,
41
1,
47
SCPA_RI
NFI, TSNIT
NFI
TSNIT
Рис. 9. Зависимость между SCPA_RI и
NFI, TSNIT после завершения лечения
ISSN 1028-9763. Математичні машини і системи, 2010, № 3 108
Продолж. табл. 1
TSNIT(SCPA_RI), Baseline 72 -22 0
TSNIT(SCPA_RI), MO6 78,5 -25 0
TSNIT(SCPA_RI), Healthy 94,5 -31 0
4. Синтез структуры нейросети и ее математической модели
Уравнения зависимостей (1) позволяют создать структуру автор-
ской двухслойной нейросети с однородными слоями SFNN-2 (рис.
10) для прогноза NFI или TSNIT для любого из четырех этапов, т.е.
можно создать восемь нейросетей.
На нейроны входного слоя подаются три показателя –
CRA_EDV, CRA_RI и SCPA_RI. На нейроны первого слоя подаются
NFI или TSNIT, вычисленные по соответствующему показателю,
согласно (1) и (2). Выходом нейросети является обобщенное NFI или TSNIT для определенного
этапа.
На основе структуры нейросети создается следующая модель прогноза:
∑
=
+++=
)1(
1
)0()0()0()0()0()0(
1
)1(
1
)1(
12model ))21((
N
i
iiiiiiiii xxwxwfwfy θθ . (3)
5. Определение параметров модели
Параметры (весовые коэффициенты) модели нейросети (3) определяются следующим образом:
ii b0
)0( :=θ , iii bw 1
)0( :1 = , iii bw 2
)0( :2 = , )0(,1 Ni∈ ,
где 3)0( =N ;
0:)1(
1 =θ , )1(
)1(
1
1:
N
wi = , )1(,1 Ni∈ ,
где 3)1( =N .
6. Создание функционала цели
Для модели нейросети (3) создается следующий функционал цели:
W
N
n
nyny
N
F min))()((1
1
2
objectmodel →−= ∑
=
, (4)
где objecty – ожидаемое (измеренное на объекте) значение, N – количество реализаций.
7. Разработка процедуры прогноза
На основе математической модели (3) создается процедура прогноза, включающая в себя сле-
дующие шаги.
1) Вычисление выходного сигнала для первого слоя:
)0()0()0(
11
)0(
1
)0(
11
)0(
11 21: ii xxwxws ++=θ , )0(
2
)0(
22
)0(
22 1: xws +=θ , )0(
3
)0(
33
)0(
33 1: xws +=θ ,
Рис. 10. Структура
нейросети SFNN-2
ISSN 1028-9763. Математичні машини і системи, 2010, № 3 109
⎩
⎨
⎧ <<
==
other
ssss
sfx ii
ii ,0
,
)(
maxmin
1
)1( , )0(,1 Ni∈ ,
где maxmin , ss – минимальное и максимальное значения.
2) Вычисление выходного сигнала для второго (выходного) слоя:
∑
=
+=
)1(
1
)1()1(
1
)1(
1:
N
i
ii xws θ ,
⎩
⎨
⎧ <<
==
other
ssss
sfy
,0
,
)(
maxmin
2model ,
где maxmin , ss – минимальное и максимальное значения.
Если результаты работы процедуры прогноза не удовлетворяют условию
ε<−∑
=
N
n
nyny
N 1
2
objectmodel ))()((1
, (5)
где 001,0=ε , то берется новая выборка данных, заново вычисляются параметры зависимостей и
соответственно параметры модели прогноза, и процедура прогноза повторяется.
8. Численное исследование
Для сопоставления разработанной нейросети SFNN-2 с многослойным персептроном (MLP) и ра-
диально-базисной сетью (RBF) было проведено численное исследование. Длина тестовой выборки
определялась как 100=N .
Структура MLP и RBF была определена следующим образом:
– количество нейронов во входном слое – 3)0( =N ;
– количество нейронов во втором (выходном) слое – 1)2( =N ;
– количество нейронов в первом слое определяется согласно условию [3]:
( ) ⎥
⎦
⎤
⎢
⎣
⎡
+++⎟
⎠
⎞
⎜
⎝
⎛ +≤≤⎥
⎦
⎤
⎢
⎣
⎡
+
⋅ )2()2()0(
)2(
)2()1(
2
)2(
11
log1
NNN
N
NNN
N
NN
,
т.е. 40513 )1( ≤≤ N . В статье выбиралось среднее количество, т.е. 200)1( =N .
Качество прогноза оценивалось по функционалу
%100
n
mJ = , (6)
где m – количество правильных прогнозов, n – общее количество прогнозов.
Результаты исследования приведены в табл. 2. Как видно из табл. 2, наибольшую вероят-
ность правильного прогноза имеет авторская сеть SFNN-2.
Таблица 2. Вероятность правильного прогноза
Название нейросети Вероятность правильного прогноза, %
SFNN-2 99
MLP 85
RBF 76
ISSN 1028-9763. Математичні машини і системи, 2010, № 3 110
9. Выводы
Новизна. В статье была предложена методика интеллектуальной диагностики зрительного анали-
затора, базирующаяся на коннекционистских моделях и теории распознавания образов. Повыше-
ние вероятности правильного диагностирования и повышение скорости принятия решения достига-
лось за счет использования авторской нейросети SFNN-2, которая для учета нелинейных зависи-
мостей между фактором и откликом в первом слое использует квадратичный сумматор.
Практическое значение. Основные положения данной работы предназначены для реали-
зации в интеллектуальных системах диагностики зрительного анализатора.
СПИСОК ЛИТЕРАТУРЫ
1. Acute IOP elevation with scleral suction: effects on retrobulbar haemodynamics / А. Harris, К. Joos, М. Kay [et al.] //
British Journal of Ophthalmology. – 1996. – Т. 80, N 12. – P. 1055 – 1059.
2. The Effect of Dehydration and Fasting on Ocular Blood Flow / U.U. Inan, A. Yucel, S.S Ermis [et al.] // Journal of
Glaucoma. – 2002. – Т. 11, N 5. – Р. 411 – 415.
3. Горбань А.Н. Нейронные сети на персональном компьютере / А.Н. Горбань, Д.А. Россиев. – Новосибирск:
Наука, 1996. – 276 с.
Стаття надійшла до редакції 25.12.2009
|