Нейродинамическое диагностирование состояния в условиях подготовки и проведения космических полетов
Автор: Гергет О.М., Девятых Д.В.
Журнал: Сибирский аэрокосмический журнал @vestnik-sibsau
Рубрика: Математика, механика, информатика
Статья в выпуске: 2 т.17, 2016 года.
Бесплатный доступ
Актуальность работы обусловлена необходимостью разработки нейродинамических алгоритмов оценки состояния человека в условиях подготовки или проведения космических полетов. Цель исследования заключается в анализе эффективности нейросетевого подхода для анализа временных сигналов, характеризующих состояние здоровья. Исследовались динамические искусственные нейронные сети трех типов: с фокусированной задержкой по времени; с распределенной задержкой по времени; нелинейные авторегрессионные модели с внешними входами; с использованием программного продукта Matlab Neural Network Toolbox 2014a. В качестве входных данных, на которых обучались нейронные сети, использовалось 39 полисомнографических записей длительностью от 8 часов и дольше. База данных, содержащая временные ряды, представляющие собой записи воздушного потока с частотой 11 Гц, предоставлена для исследования третьей городской больницей г. Томска. В результате был проведен процесс обучения и тестирования для различных типов динамических нейронных сетей. Сравнительный анализ результатов точности, полученных при работе как с обучающей, так и с тестовой выборками, позволил сделать вывод о том, что наиболее эффективное нейросетевое решение должно основываться на архитектуре нелинейной авторегрессии с внешними входами.
Динамические нейронные сети, задержка сигнала, обратные связи, машинное обучение, космическая медицина, оbstructive sleep apnea
Короткий адрес: https://sciup.org/148177561
IDR: 148177561
Список литературы Нейродинамическое диагностирование состояния в условиях подготовки и проведения космических полетов
- Mangat E., Orr W. C., Smith R. O. Sleep apnea, hypersomnolence and upper airway obstruction secondary to adenotonsillar enlargement. Arch. Otolaryngology, 1977, Vol. 103, P. 383-386.
- Newman A. B. et al. Relation of sleep-disordered breathing to cardiovascular disease risk factors: The Sleep Heart Health Study. A. J. Epidemiol, 2001, Vol. 154, P. 50-59.
- Cabrero-Canosa M., Hernandez-Pereira E., Mo-ret-Bonillo V. Intelligent Diagnosis of Sleep Apnea Syndrome. Engineering in Medicine and Biology Magazine. 2004, Vol. 23, No. 2, P. 72-81.
- Maali Y., Al-Jumaily A. Signal Selection for Sleep Apnea Classification. AI 2012: Advances in Artificial Intelligence, 2012, No. 5, P. 661-671.
- Avcı C., Akbaş A. Comparison of the ANN Based Classification accuracy for Real Time Sleep Apnea Detection Methods. The 9th International Conference on Biomedical Engineering (BIOMED 2012). Innsbruck, 2012, P. 1134-1142.
- Correa L. S. et al. Sleep Apnea Detection Based on Spectral Analysis of Three ECG-Derived Respiratory Signals. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2009, P. 4723-4726.
- Tagluk M. E., Sezgin N. Classification of Sleep Apnea through Sub-band Energy of Abdominal Effort Signal Using Wavelets and Neural Networks. Journal of Medical Systems, 2010, Vol. 34, No. 6, P. 356-369.
- Alexin M. D. The procedure for determining the optimal parameters of the wavelet transform and neural network classifier for pattern recognition of non-stationary signals bioradiolokatsionnyh//Neyrokomp’yutery: razrabotka, primenenie. 2012. Vol. 6. P. 46-54. (In Russ.).
- Ebrahimi F. et al. Automatic Sleep Stage Classification Based on EEG Signals by Using Neural Networks and Wavelet Packet Coefficients. 30th Annual International IEEE Conference, Vancouver, 2008, Р. 1151-1154.
- Elman J. L. Finding structure in time. Cognitive Science, 1990, Р. 179-211.
- Jaeger H. Short term memory in echo state networks. GMD Report 152. German National Research Institute for Computer Science, 2002, 562 p.
- Lawrence S., Giles C. L., Fong S. Natural language grammatical inference with recurrent neural networks. IEEE Transactions on Knowledge and Data Engineering. 2000, Р. 126-140.
- Giles C. L. et al. Extracting and learning an unknown grammar with recurrent neural networks. Advances in Neural Information Processing Systems 4. San Mateo; Morgan Kaufmann Publishers, 1992, 317 p.
- Cuéllar M. P., Delgado M., Pegalajar M. C. An Application of Non-linear Programming to Train Recurrent Neural Networks in Time Series Prediction Problems. Enterprise Information Systems VII (Springer Netherlands), 2006, Р. 95-102.
- Hinton G. E. et al. Deep Neural Networks for Acoustic Modeling in Speech Recognition: The shared views of four research groups. IEEE Signal Processing Magazine, 2012, Р. 82-97.
- Graves A., Schmidhuber J. Offline Handwriting Recognition with Multidimensional Recurrent Neural Networks. Advances in Neural Information Processing Systems 22 (NIPS’22), 2009, Р. 545-552.
- Riedmiller M. Advanced supervised learning in multi-layer perceptrons -from backpropagation
- to adaptive learning algorithms. International Journal of Computer Standards and Interfaces, 1994, Vol. 16, No. 5, P. 265-278.
- Riedmiller M, Braun H. A direct adaptive method for faster backpropagation learning: The Rprop algorithm. Proceedings of the IEEE International Conference on Neural Networks, 1993, Р. 586-591.
- Box G. E. P., Jenkins G. M., Reinsel G. C. Time series analysis: forecasting and control. Wiley, 2011, P. 734-748.
- Devyatykh D. V., Gerget O. M., Berestneva O. G. Sleep Apnea Detection Based on Dynamic Neural Networks. Communications in Computer and Information Science, 2014, Vol. 466, P. 556-567.
