Адаптивное управление магнитотерапией с использованием биотехнических обратных связей по импедансу биологически активных точек в физиотерапии ишемических больных

В статье исследуется биотехническая система реабилитации и лечения ишемических больных. Представлена обобщенная структурная схема реабилитации пациентов с высоким ишемическим риском посредством воздействия на них магнитными полями с управляемыми биотропными параметрами. Схема позволяет построить модель функционального состояния живой системы и осуществлять адаптивное управление магнитотерапией посредством биотехнических обратных связей по суррогатным маркерам. Разработана биотехническая система магнитотерапии пациентов с ишемической болезнью сердца. В систему введены биотехнические обратные связи, что позволило ей адаптировать программу магнитотерапии к функциональному состоянию пациента и корректировать ее в процессе терапевтического сеанса. Коррекция параметров терапевтического магнитного поля позволило повысить терапевтический эффект физиотерапевтической процедуры, снизить адаптацию и отрицательные реакции организма на магнитотерапию и планировать программы магнитотерапии. Для реализации обратной связи, обеспечивающей адаптацию биотропных параметров магнитного поля к функциональному состоянию пациента, использовались информация о импедансе биологически активных точек и классификаторы ишемического риска, дескрипторы которых определялись на основе этой информации. Представлен алгоритм управления биотропными параметрами магнитного поля посредством мультимодальных классификаторов функционального состояния пациента и модуля нечеткого логического вывода, предназначенного для коррекции биотропных параметров магнитного поля в процессе проведения сеанса магнитотерапии. В клинических условиях было показано, что применение адаптивной магнитотерапии является эффективным методом лечения больных стенокардией напряжения II (85 %) и III (77 %) функциональных классов, что на 14 % и 15 % превышает соответствующие результаты в контрольной группе.

1. Гостев С.С., Жулев В.И. Способ определения степени магниточувствительности пациента. Российская Федерация; RU2289302C1 (Патент) 2006.

2. Трифонов А.А., Петрунина Е.В., Филист С.А., Кузьмин А.А., Жилин В.В. Биотехническая система с виртуальной реальностью в реабилитационных комплексах с искусственными обратными связями. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019;9(4):46–66.

3. Петрова Т.В., Филист С.А., Дегтярев С.В., Киселев А.В., Шаталова О.В. Предикторы синхронности системных ритмов живых систем для классификаторов их функциональных состояний. Системный анализ и управление в биомедицинских системах. 2018;17(3):693–700.

4. Trifonov A.A., Kuzmin A.A., Filist S. A. and Petrunina E.V. Neural network model in the exoscelete verticalization control system. Journal of Phisics: Conference Series. 2020;1679(3). Available at: https://iopscience.iop.org/article/10.1088/1742-6596/1679/3/032036/pdf. DOI:10.1088/1742-6596/1679/3/032036 (accessed 15.08.2021).

5. Трифонов А.А., Петрунина Е.В., Кузьмин А.А., Протасова З.У., Лазурина Л.П. Методы и средства обеспечения реабилитационных процедур посредством биотехнической системы с биологической обратной связью и модулем нечеткого управления. Системный анализ и управление в биомедицинских системах. 2021;20(3):71–83.

6. Филист С.А., Трифонов А.А., Кузьмин А.А., Петрунина Е.В., Шехине М.Т. Адаптивная биотехническая система с роботизированным устройством для восстановления двигательных функций нижних конечностей постинсультных больных. Моделирование, оптимизация и информационные технологии. 2021; (3):4–5.

7. Шаталова О. В., Медников Д. А., Протасова З. У. Мультиагентная интеллектуальная система для прогноза риска сердечно-сосудистых осложнений с синергетическими каналами. Системный анализ и управление в биомедицинских системах. 2020;19(3):177–188.

8. Филист С.А., Шаталова О.В., Ефремов М.А. Гибридная нейронная сеть с макрослоями для медицинских приложений. Нейрокомпьютеры. Разработка и применение. 2014;6:35–39.

9. Ефремов М.А., Шаталова О.В., Федянин В.В., Шуткин А.Н. Гибридные многоагентные классификаторы в биотехнических системах диагностики заболеваний и мониторинга лекарственных назначений. Нейрокомпьютеры: разработка, применение. 2015;6:42–47.

10. Суржикова С.Е., Филист С.А., Жилин В.В., Курочкин А.Г. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков. Прикаспийский журнал: управление и высокие технологии. 2015;3:85–95.

11. Филист С.А., Томакова Р.А., Яа З.Д. Универсальные сетевые модели для задач классификации биомедицинских данных. Известия Юго-Западного государственного университета. 2012;4(43):44–50.

12. Киселев А.В., Петрова Т.В., Дегтярев С.В., Рыбочкин А.Ф., Филист С.А., Шаталова О.В., Мишустин В.Н. Нейросетевые модули с виртуальными потоками для классификации и прогнозирования функционального состояния сложных систем. Известия Юго-Западного государственного университета. 2018;4(79):123–134.

13. Емельянов С. Г., Рыбочкин А. Ф., Филист С. А., Халед А. Р. Нейросетевой решающий модуль для исследования живых систем. Известия Курского государственного технического университета. 2008;(2):77–82.

14. Филист С.А., Алексенко В.А., Кассим Кабус Гибридные информационные технологии по экспресс-диагностике инфекционных заболеваний на основе многочастотного анализа пассивных свойств биотканей. Известия ЮФУ. Технические науки. Тематический выпуск. «Медицинские информационные системы». 2010;8(109):12–17.

15. Кассим К.Д.А., Ключиков И.А., Шаталова О.В., Яа З.Д. Параметрические модели биоимпеданса для идентификации функционального состояния живой системы. Биомедицинская радиоэлектроника. 2012;4:50–56.

16. Филист С.А., Шаталова О.В., Богданов А.С. Модели биоимпеданса при нелинейной вольтамперной характеристике и обратимом пробое диэлектрической составляющей биоматериала. Бюллетень сибирской медицины. 2014;13(4):129–135.

17. Филист С.А., Кузьмин А.А., Кузьмина М.Н. Биотехническая система для контроля импеданса биоматериалов в экспериментах invivo. Биомедицинская радиоэлектроника. 2014;9:38–42.

18. Мирошников А. В., Стадниченко Н. С., Шаталова О. В., Филист С. А. Модели импеданса биоматериала для формирования дескрипторов в интеллектуальных системах диагностики инфекционных заболеваний. Моделирование, оптимизация и информационные технологии. 2020;8(4),3–4.

19. Shatalova O.V., Filist S.A., Korenevskiy N.A. et al. Application of fuzzy neural network model and current-voltage analysis of biologically active points for prediction post-surgery risks. Computer Methods in Biomechanics and Biomedical Engineering. 2021;24(13):1504–1516. Available from: https://doi.org/10.1080/10255842.2021.1895128. DOI: 10.1080/1895128.

20. Филист С.А., Шаталова О.В., Протасова З.У., Стадниченко Н.С. Способ классификации биологических объектов на основе многомерного биоимпедансного анализа и устройство для его реализации. Российская Федерация; RU2752594C1 (Патент) 2021.

21. Филист С.А., Шаталова О.В., Ефремов М.А. Гибридная нейронная сеть с макрослоями для медицинских приложений. Нейрокомпьютеры. Разработка и применение. 2014;6:35–39.

22. Zhilin V.V., Filist S.A., Rakhim K.A., Shatalova O.V. A method for creating fuzzy neural-network models using the MATLAB package for biomedical applications. Biomedical Engineering. 2008;42(2);64.