Выявление патобиомеханических маркеров статокинезиограмм на примере нейросетевой идентификации постинсультного состояния

Выявление патобиомеханических маркеров статокинезиограмм на примере нейросетевой идентификации постинсультного состояния

Автор: Степанян И.В., Гроховский С.С., Савкин М.А.

Журнал: Российский журнал биомеханики @journal-biomech

Статья в выпуске: 1 (99) т.27, 2023 года.

Бесплатный доступ

Цель настоящего исследования - нейросетевое моделирование и определение параметров статокинезиограмм, которые являются носителями полезной информации об особенностях постурального регулирования, обусловившего полученную траекторию движений центра масс человека. Разработана методика получения информативных маркеров путём выявления центроидов кластеризации на основе самоорганизующихся нейронных сетей Кохонена с Евклидовой метрикой. Сети Кохонена, обучаемые без учителя (то есть без применения априорной диагностической информации о состоянии испытуемых), являются мощным и информативным методом, который позволяет получить не только графические, но и математические маркеры нарушений здоровья у испытуемых, исследовать биомеханику микродвижений центра давления на основе гибкого математического аппарата - нейросетевого кластерного анализа. На примере идентификации постинсультного состояния, проведён нейросетевой анализ стабилометрических данных и показан метод выявления патобиомеханических маркеров статокинезиограмм, который позволил стандартизировать типовую принадлежность групп испытуемых. С помощью нейронных сетей удалось выявить кластеры, которые поддаются медико-биологической интерпретации с достоверностью до 95,9 %, что обусловливает теоретическую значимость полученных результатов. Также были рассмотрены деревья решений и многослойная нейронная сеть, обучаемая с учителем. Многослойная нейронная сеть позволила выявлять маркеры нарушений здоровья с вероятностью 71,9 %.

Еще

Опорная реакция, силовая платформа, постурография, стабилометрия, кластерный анализ, спектральные характеристики, визуализация

Короткий адрес: https://sciup.org/146282691

IDR: 146282691   |   DOI: 10.15593/RZhBiomeh/2023.1.09

Список литературы Выявление патобиомеханических маркеров статокинезиограмм на примере нейросетевой идентификации постинсультного состояния

  • Бабанов Н. Д. и др. Динамика параметров 11. малоамплитудных движений рук при повторяющейся двигательно-когнитивной задаче // Российский физиологический журнал им. ИМ Сеченова. - 2020. - Т. 106, № 11. - С. 1370-1384. 12.
  • Вентцель Е. С. Теория вероятностей. - М. Юстиция, 2018. - 658 с.
  • Иванова Г.Е. и др. Формирование консенсуса специалистов в применении стабилометрии и биоуправления по опорной реакции // Вестник 13. восстановительной медицины. - 2019. - № 1. - С. 16-21.
  • Тархов Д. А. Нейронные сети как средство математического моделирования // Нейрокомпьютеры: 14. разработка, применение. - 2006. - № 2. - C. 1-49.
  • Al Daoud E. Comparison between XGBoost, LightGBM and CatBoost using a home credit dataset // International Journal 15. of Computer and Information Engineering. - 2019. - Vol. 13(1). - P. 6-10. 16.
  • Amari S. Backpropagation and stochastic gradient descent method // Neurocomputing. - 1993. - Vol. 5(4-5). - P. 185- 17. 196.
  • Araujo E., Bentes G. E. F., Zangaro R. Body sway and global equilibrium condition of the elderly in quiet standing posture by using competitive neural networks // Applied Soft 18. Computing. - 2018. - Vol. 69. - P. 625-633.
  • De Boer P. T. et al. A tutorial on the cross-entropy method // Annals of operations research. - 2005. - Vol. 134(1). - P. 19-67. 19.
  • Fey A., Sommer D., Golz M. Comparison of Time and Spectral Domain Features on Postural Signals Utilizing Neural Networks. Proc 1st Int Workshop Biosignal Processing and 20. Classification.
  • Fiolka J., Kidon Z. Method for stabilogram characterization 21. using angular-segment function // Bulletin of the Polish Academy of Sciences. Technical Sciences. - 2013. - Vol. 61(2).
  • Garkavenko V. V. et al. Modifications of the stabilogram during upright standing posture under conditions of inclines of the support surface // Neurophysiology. - 2012. - Vol. 44(2). - P. 131-137.
  • Golz M. et al. Discriminance analysis of postural sway trajectories with neural networks // Proceedings of the 8th World Multi-Conference on Systemics, Cybernetics and Informatics, Orlando, Florida USA. - 2004. - Vol. 7. - P. 151-155.
  • Halfar R. Effects of Age and Illness to the Complexity of Human Stabilogram // Chaos and Complex Systems. -Springer, Cham, 2020. - P. 83-88.
  • Hastie T., Tibshirani R., Friedman J. Boosting and additive trees // The elements of statistical learning. - Springer, New York, NY, 2009. - P. 337-387.
  • Kingma D. P., Ba J. Adam: A method for stochastic optimization // arXiv preprint arXiv: 1412.6980. - 2014.
  • Kohonen T. Self-organizing maps. - Springer Science & Business Media, 2012. - Vol. 30.
  • Kolomiiets B., Popov A. Analysis of Stabilograms of Healthy Human Using Time and Frequency Characteristics // 2018 IEEE 38th International Conference on Electronics and Nanotechnology (ELNANO). - IEEE, 2018. - P. 316-320.
  • Maatar D. et al. Discrete wavelet and modified PCA decompositions for postural stability analysis in biometric applications // Journal of Biomedical Science and Engineering. - 2011. - Vol. 4(8). - P. 543.
  • Mataar D. et al. Biometric application and classification of individuals using postural parameters // Int J Comput Technol. - 2013. - Vol. 7(2). - P. 580-593.
  • Noriega L. Multilayer perceptron tutorial // School of Computing. Staffordshire University, 2005. Peterka R. J. Postural control model interpretation of stabilogram diffusion analysis // Biological cybernetics. -2000. - Vol. 82(4). - P. 335-343.
  • Richer N., Lajoie Y. Automaticity of postural control while dual-tasking revealed in young and older adults // Experimental aging research. - 2020. - Vol. 46(1). - P. 1-21.
  • Shan G., Daniels D., Gu R. Artificial neural networks and center-of-pressure modeling: a practical method for sensorimotor-degradation assessment // Journal of aging and physical activity. - 2004. - Vol. 12(1). - P. 75-89.
  • Shunkina A. Computer stabilogram method like one of the physiological and biomechanical method of research different motor actions on slippery surface // Journal of economics and social sciences. - 2018. - №. 12. - P. 78-80.
  • Sola J., Sevilla J. Importance of input data normalization for the application of neural networks to complex industrial problems // IEEE Transactions on nuclear science. - 1997. Vol. 44(3). P. 1464-1468.
  • Tokita T. et al. Classification of stabilograms in healthy subjects using neural network // Equilibrium Research. - 2001. - Vol. 60(3). - P. 181-187.
  • Tokita T. et al. Discrimination of Stabilograms by a Neural Network in Patients with Equilibrium Disturbances // Equilibrium Research. - 1997. - Vol. 56(6). - P. 542-549.
Еще
Статья научная
SciUp 2024 © 2024 ©