ИНТЕЛЛЕКТУАЛЬНАЯ СЕНСОРНАЯ СИСТЕМА РАНЖИРОВАНИЯ ИОННОГО СОСТАВА ГРУДНОГО МОЛОКА
Автор: М. М. Гузенко, А. Ю. Зайцева
Журнал: Научное приборостроение @nauchnoe-priborostroenie
Рубрика: Приборостроение для биологии и медицины
Статья в выпуске: 4 т.32, 2022 года.
Бесплатный доступ
Разработана и исследована интеллектуальная сенсорная система, позволяющая проводить квалитативное медицинское ранжирование грудного молока и молочной продукции. Использованы электрохимические сенсоры, обладающие чувствительностью к основным значимым компонентам исследуемой биологической среды. Установлено, что "цифровые образы" грудного молока женщин, перенесших заболевания, значительно отличаются от таковых для группы здоровых женщин. Применен метод главных компонент для ранжирования грудного и коровьего молока, выявлены группы биологических сред, схожие по своим свойствам. Анализируя результаты исследований, можно говорить об эффективности применения разрабатываемой методики для медико-биологических исследований.
Грудное молоко, система ранжирования, сенсорная система, метод главных компонент, электрохимические сенсоры
Короткий адрес: https://sciup.org/142235506
IDR: 142235506 | DOI: 10.18358/np-32-4-i5867
Текст научной статьи ИНТЕЛЛЕКТУАЛЬНАЯ СЕНСОРНАЯ СИСТЕМА РАНЖИРОВАНИЯ ИОННОГО СОСТАВА ГРУДНОГО МОЛОКА
Разработана и исследована интеллектуальная сенсорная система, позволяющая проводить квалитативное медицинское ранжирование грудного молока и молочной продукции. Использованы электрохимические сенсоры, обладающие чувствительностью к основным значимым компонентам исследуемой биологической среды. Установлено, что "цифровые образы" грудного молока женщин, перенесших заболевания, значительно отличаются от таковых для группы здоровых женщин. Применен метод главных компонент для ранжирования грудного и коровьего молока, выявлены группы биологических сред, схожие по своим свойствам. Анализируя результаты исследований, можно говорить об эффективности применения разрабатываемой методики для медико-биологических исследований.
Кл. сл. : грудное молоко, система ранжирования, сенсорная система, метод главных компонент, электрохимические сенсоры
ВВЕДЕНИЕ отсутствия необходимой методологической и при борной базы вынуждены ограничиваться в основ-
Качественный ионный состав грудного молока является основным фактором, определяющим полноценность роста, физического и интеллектуального здоровья новорожденных в течение всего жизненного цикла. Изучение многоуровневой системы механизмов, определяющих и контролирующих ионный состав молока, — важная проблема физиологии лактации [1]. Грудное молоко является динамической жидкостью организма, были представлены клинические доказательства изменения состава грудного молока в зависимости от меняющихся потребностей младенца [2]. Грудное молоко также может активно стимулировать ускоренное развитие защитных систем новорожденного и подавлять чрезмерное воспаление в ответ на различные раздражители до тех пор, пока не разовьется собственный иммунный ответ кишечника [3].
Научная проблема, на решение которой направлено исследование, состоит в сложности идентификации функционального состояния системы мать – новорожденный в рамках стандартных медицинских методов анализа. Целью данной работы являются фундаментальные исследования, направленные на комплексное решение проблемы идентификации и анализа состояния сложных многокомпонентных биологических сред, а именно качественного ионного состава грудного молока на основе новых интеллектуальных методов электрохимического анализа. В настоящее время большинство медицинских учреждений из-за
ном субъективной трактовкой медицинским персоналом анализов различных типов, которые могут существенно меняться в зависимости от специалиста, изучающего результаты, и косвенных методов определения функционального состояния системы мать – новорожденный.
Впервые разработан метод неинвазивной диагностики, сущность которого состоит в применении массива электрохимических сенсоров с чувствительностью к основным значимым компонентам исследуемой среды, их анализа c помощью искусственных нейроподобных систем и математических методов обработки массивов многомерной информации, в том числе метода главных компонент. Предлагаемый подход отличается от существующих методов тем, что не требует высокоточного определения содержания в биологических средах определенных компонентов, а предлагается использовать массив сенсоров, где каждый сенсор реагирует на присутствие сразу нескольких компонентов анализируемой среды. Получаемая совокупность многомерных данных требует современной математической обработки. С этой целью для обработки данных применяется метод машинного обучения: метод главных компонент.
МАТЕРИАЛЫ И МЕТОДЫ
Для решения задачи контроля качественного ионного состава грудного молока была осуществлена разработка конструкции и проведены

Рис. 1. Блок-схема интеллектуальной сенсорной системы

испытания основных блоков интеллектуальной сенсорной системы [4]. В качестве сенсоров было предложено использовать электрохимические электроды на основе полимерных пластифицированных потенциометрических мембран [5]. Полимерная основа во всех применяемых мембранах представляла собой поливинилхлорид. В качестве растворителя-пластификатора применены ди-2-этилгексилсебацинат, о-нитрофенилоктиловый эфир и 2-фторфенил-2-итрофениловый эфир.
Интеллектуальная сенсорная система состоит из двух основных блоков. Измерительный блок включает в себя модули пробоподготовки, сенсорный, микропроцессорный измерительный модули. Информационный блок включает в себя модули обучения, распознавания и визуализации образов. Блок-схема опытного образца сенсорной системы приведена на рис. 1.
Модуль пробоподготовки содержит устройство для установки сенсоров в исследуемую среду, ее термостатирования и перемешивания для обеспечения однородности ее состава вдали и у поверхности сенсоров.
Сенсорный модуль представлен массивом по-лиселективных электрохимических сенсоров с перекрестной чувствительностью к биологически важным компонентам
Модуль обучения и распознавания представлен в виде математической модели, реализующей функции обучения системы и распознавания многомерных "образов", формируемых сенсорным модулем в виде массивов значений ЭДС.
ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
На подготовительном этапе проведения исследований были отработаны составы рабочих растворов для калибровки, кондиционирования, хранения сенсоров и оценки их перекрестной чувствительности, а также методики подготовки сенсоров к измерению, оценки их характеристик в контрольных растворах.
Исследования были проведены на четырнадцати испытуемых женского пола в период лактации, а также были исследованы девятнадцать образцов ультрапастеризованного и цельного коровьего молока с целью оценки и демонстрации работоспособности интеллектуальной сенсорной системы в плане возможности получения "цифровых образов" исследуемых проб молока и их визуального представления. Были использованы 7 потенциометрических полиселективных сенсоров (Н+, Na+, K+, Cl–, NH 4 +, F+, рH) с перекрестной чувствительностью.
ОБРАБОТКА ДАННЫХ
Построение цифровых образов
Визуальное отображение результатов исследования двух наиболее типичных испытуемых, одна из которых в течение последнего месяца переболела вирусной инфекцией, представлено на рис. 2 в виде "образов" их грудного молока — семигранников с лучами, исходящими от центра к точкам пересечения граней. Длина луча в точках пересечения граней соответствует результату измерения потенциала, генерируемого каждым полиселек-тивным электродом.
Также были получены "цифровые образы" грудного молока женщин, которые в период лактации перенесли инфекцию молочной железы, связанную с деторождением. Примеры "цифровых образов" грудного молока испытуемых в динамике представлены на рис. 3. Было проведено наблюдение

Рис. 2. "Цифровые образы" грудного молока здоровой женщины (а) и женщины, перенесшей в последний месяц вирусное заболевание (б)

Рис. 3. Визуальное представление "цифрового образа" грудного молока женщины с инфекционным заболеванием молочной железы до приема антибактериальной терапии (а) и после приема терапии (б)
за изменением состояния молока до и после приема антибактериальной терапии.
Результаты проведенных исследований показывают, что "цифровой образ" грудного молока каждой из испытуемых в здоровом состоянии, формируемый композицией потенциалов, генерируемых 7 электрохимическими сенсорами, имеет свои индивидуальные особенности. Заболевания видоизменяют его. Установлено, что "цифровые образы" грудного молока женщин, перенесших заболевания, значительно отличаются от диаграмм грудного молока здоровых.
Выявленные в проведенных экспериментальных исследованиях возможности исследуемой сенсорной системы формировать индивидуальные "образы" грудного молока испытуемых были использованы для формирования алгоритмов обучения сенсорной системы к распознаванию функционального состояния системы мать – новорожденный.
Метод главных компонент
Были сформированы две таблицы вида "объекты – признаки", где строкам соответствуют объекты измерений, а столбцам — признаки, т.е. зарегистрированные численные стандартизованные показания каждого из семи электрохимических датчиков.
Первая таблица была составлена для образцов грудного молока, вторая таблица содержала данные, полученные при анализе ультрапастеризо-ванного и цельного коровьего молока.
На основе этих таблиц были определены две 7-мерные (по числу измеряемых признаков) матрицы, на каждой из осей которых откладывались значения признаков. Так как каждый объект-точка в матрице описывается вектором с высокой (7) размерностью, то на последующем этапе анализа информации принимались меры для снижения размерности пространства данных с минимальными потерями их информативности [6].
Кроме того, была поставлена задача визуализации многомерных данных. Для ее выполнения был применен метод главных компонент (МГК, PCA), традиционно использующийся для сохранения максимального количества информации о наборе данных в минимальном количестве переменных, снижая размерность пространства [7]. С помощью МГК можно уменьшить число признаков, выбрав самые изменчивые из них. Для этого, используя библиотеку scikit-learn (пакет с открытым исходным кодом из экосистемы Python), производится следующий алгоритм действий: стандартизация исходного диапазона данных, вычисление ковариационной матрицы для исходных данных, вычисление собственных значений и собственных векторов ковариационной матрицы для перехода к новым переменным — главным компонентам (ГК, PC). Алгоритм подбирает такие веса для главных компонент, чтобы ГК1 и ГК2 имели наибольшую выборочную дисперсию и при этом не коррелировали друг с другом [8].
Изначально количество главных компонент равно числу исходных переменных (признаков), кроме того, сумма их выборочных дисперсий равна 100%, это значит, что все главные компоненты вместе точно описывают совокупную дисперсию исходных переменных [9]. Визуализация доли объясняемой дисперсии разными компонентами представлена на рис. 4.
Распределение выборочных дисперсий главных компонент

Рис. 4. Вклады каждой компоненты в общую изменчивость исходных данных

Рис. 5. "Цифровые образы" биологических сред грудного и коровьего молока в проекции на плоскость двух первых главных компонент массива данных электрохимических сенсоров.
По оси Х отложена первая главная компонента, по оси Y — вторая главная компонента. Кластер 1 — грудное молоко, 2 — цельное молоко, 3 — ультра-пастеризованное молоко
В результате анализа данным методом мы смогли визуализировать полученные данные в пространстве первых двух главных компонент (ГК1, ГК2), т.к. они имеют максимальную выборочную дисперсию и описывают наибольшую часть датасета — 73.1% исходных данных, результат представлен на рис. 5. Каждая испытуемая биологическая среда (грудное либо коровье молоко) характеризуется двумерной точкой, содержащей информацию о его исходных признаках, так что можно оценить качество образца в зависимости от его расположения относительно сформировавшихся кластеров.
На рис. 5 приведены "цифровые образы" биологических сред грудного и коровьего молока в проекции на плоскость двух первых главных компонент. Кластер, помеченный 1, — грудное молоко, 2 — цельное молоко, 3 — ультрапастери-зованное молоко.
В ходе проведения исследования выявлены следующие тенденции:
-
1. У биологических сред наблюдается тенденция к группированию, что свидетельствует об их схожести по определенным критериям.
-
2. Группы цельного и ультрапастеризованного молока сильно отличаются как между собой, так и от грудного молока, что визуально отображается как три различных кластера точек в пространстве двух первых главных компонент.
ЗАКЛЮЧЕНИЕ
Разработан, изготовлен и испытан макет интеллектуальной сенсорной системы формирования образа биологических сред на основании анализа выходных сигналов массива полиселективных сенсоров с перекрестной чувствительностью. Экспериментально показано, что "цифровой образ" грудного молока каждой из испытуемых в здоровом состоянии имеет свои индивидуальные особенности. Заболевания видоизменяют его. Установлено, что "цифровые образы" грудного молока женщин, перенесших заболевания, значительно отличаются от "цифровых образов" грудного молока здоровых женщин.
Использование проекционных методов для построения "цифрового образа" биологических сред достаточно перспективно и позволяет получить результат в простой и наглядной форме в виде точек на плоскости двух первых главных компонент. Показана возможность ранжирования молока по группам схожести.
Результаты проведенных исследований свидетельствуют о высокой эффективности нового методического подхода к решению проблем идентификации и анализа состояния сложных многокомпонентных биологических сред, а именно качественного ионного состава грудного молока, на основе новых интеллектуальных методов электрохимического анализа. Представленная в данной работе интеллектуальная сенсорная система может быть использована при создании нового поколения диагностических систем медицинского назначения.
Исследование выполнено в рамках Государственного задания Министерства науки и высшего образования Российской Федерации № 075-00761-22-00.
Список литературы ИНТЕЛЛЕКТУАЛЬНАЯ СЕНСОРНАЯ СИСТЕМА РАНЖИРОВАНИЯ ИОННОГО СОСТАВА ГРУДНОГО МОЛОКА
- 1. Кислякова Л.П. Динамика формирования водносолевого состава молока. Автореф. дис. ... д-ра биолог. наук. Спб.. гос. ун-т., 1996. 33 с.
- 2. Lawrence P.B. Breast milk: best source of nutrition for term and preterm infants // Pediatric Clinics of North America. 1994. Vol. 41, is. 5. P. 925–941.
- 3. Walker A. Breast milk as the gold standard for protective nutrients // The Journal of pediatrics. 2010. Vol. 156, is. 2. P. S3–S7.
- 4. Кислякова Л.П., Буляница А.Л., Кисляков Ю.Я., Гуляев В.И. Оценка функционального состояния человека при физических нагрузках по показателям конденсата выдыхаемого воздуха, регистрируемым полиселективными электрохимическими сенсорами,
- с применением проекционных методов многомерного анализа // Научное приборостроение. 2016. T. 26, № 2. С. 37–47. URL: http://iairas.ru/mag/2016/abst2.php#abst5
- 5. Pechenkina I.A., Mikhelson K.N. Materials for the ionophore-based membranes for ion-selective electrodes: Problems and achievements // Russian Journal of Electrochemistry. 2015. Vol. 51, no. 2. P. 93–102.
- 6. Тененев В.А., Шаура А.С. Применение методов снижения размерности данных к построению нечетких
- нейронных сетей // Интеллектуальные системы в производстве. 2020. Т. 18, № 4. С. 109–116.
- 7. Бондарев А.Е., Галактионов В.А. Исследование многомерных данных в задачах многопараметрической оптимизации // Новые информационные технологии в автоматизированных системах. 2013. № 16. С. 84–92.
- 8. Esbensen K.H. Multivariate Data Analysis – in practice. CAMO Sosftware, 5th Edition, 2010, Oslo. 597 p.
- 9. Jolliffe I.T. Principal component analysis for special types of data // Principal component analysis. Springer, New York, 2