Модели импеданса биоматериала для формирования дескрипторов в интеллектуальных системах диагностики инфекционных заболеваний

В результате проведенного исследования получены принципиально новые результаты, позволяющие создать интеллектуальные системы поддержки принятия решений по диагностике инфекционных заболеваний. Создана модель биоимпедансного анализа, основанная на многочастотной биоимпедансометрии, позволяющая осуществлять декомпозицию импеданса биоматериала на структурные элементы. На основе предложенной модели формировались дескрипторы, предназначенные для классификаторов, выполненных на обучаемых нейронных сетях. Для получения дескрипторов осуществлялось многочастотное зондирование биоматериала, на основе которого были построены графики Коула. Используя итерационные алгоритмы и эти графики были получены модели Войта импеданса биоматериала. Параметры этих моделей используются как дескрипторы для обучаемых классификаторов. На основе многочастотного зондирования получены алгоритмы дифференциального контроля импеданса ткани и импеданса жидкости, что позволит получить новые решающие правила для диагностики патологических состояний организма (сердечнососудистые, инфекционные и онкологические заболевания). В современном российском здравоохранении задача длительного наблюдения за состоянием человека практически всегда связана или с его госпитализацией, что неприемлемо как для трудоспособного населения, так и в ряде случаев для больных людей, или с арендой дорогостоящих мониторных систем на срок, не превышающий, как правило, 24-х часов, что не всегда достаточно для диагностических задач.

1. Патент РФ 2504328 «Устройство для контроля анизотропии электрической проводимости биоматериалов». Заявка №2012128471. Приоритет 06.07.2012. Опубликовано: 20.01.2014.

2. 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.

3. Popechitelev, E.P., Filist S.A. Methods and models for identification of biomaterials based on multifrequency impedance analysis. Proceedings of southwest state university. Series Control, computer engineering, information science. Medical instruments engineering. 2011;1:74-80. (In Russ)

4. Буянова Е.С., Емельянова Ю.В. Импедансная спектроскопия электролитических материалов Учебное пособие. Екатеринбург, УрГУ. 2008:70.

5. Shatalova O.V., Burmaka A.A., Korovin E.N. Impedance models in anomalous electrical conduction zones forming by in-vivo experiments for intelligent systems of socially important diseases diagnostic. International Russian Automation Conference (RusAutoCon). 2018:1-4.

6. Шаталова О.В. Итерационная многопараметрическая модель биоимпеданса в экспериментах in vivo. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019;9(1):26-38.

7. 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.

8. 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

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

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. 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.

13. 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.

14. Филист С.А., Шуткин А.Н., Шкатова Е.С., Дегтярев С.В., Савинов Д.Ю. Модель формирования функциональных систем с учетом менеджмента адаптационного потенциала. Биотехносфера. 2018;1(55):32-37.