🤽🏼 👩🏾‍🏫 🌈 कृत्रिम तंत्रिका नेटवर्क का उपयोग करके कार्डियोग्राम द्वारा धूम्रपान करने वाले को कैसे ढूंढें (और यह क्यों आवश्यक है) 🧖🏻 🕞 🥉

होबे पर पहले से ही गणितज्ञों और डेवलपर्स के लिए वैज्ञानिक प्रतियोगिता के बारे में लिखा गया था, जिसे कार्डियोवेसार्क मोबाइल कार्डियोग्राफ के रचनाकारों द्वारा लॉन्च किया गया था । संक्षेप में, प्रतियोगिता का सार एक एल्गोरिथ्म बनाना है जो अपने कार्डियोग्राम के आधार पर धूम्रपान न करने वालों के बीच धूम्रपान का पता लगा सकता है।

प्रतियोगिता के नेताओं में से एक पीएचडी था। रोमन इसकोव, एसोसिएट प्रोफेसर, डिपार्टमेंट ऑफ बायोमेडिकल एंड इलेक्ट्रॉनिक मीन्स एंड टेक्नोलॉजीज, इंस्टीट्यूट ऑफ इनोवेटिव टेक्नोलॉजीज, व्लादिमीर स्टेट यूनिवर्सिटी ने ए.जी. और एन.जी. Stoletovs। उन्होंने आरआर-इंटरवलोग्राम्स और कृत्रिम तंत्रिका नेटवर्क के आधार पर धूम्रपान करने वाले का निर्धारण करने के लिए एक विधि विकसित की - हम आज इसके बारे में बात करेंगे।

धूम्रपान करने वाले की तलाश क्यों करें

मशीन लर्निंग विशेषज्ञों द्वारा अध्ययन किए गए हैं जो बताते हैं कि ईसीजी सिग्नल केवल हृदय नहीं बल्कि सभी शरीर प्रणालियों के कामकाज के बारे में जानकारी देता है। इसके अलावा, प्रत्येक बीमारी अपने तरीके से ईसीजी सिग्नल को "मॉड्यूलेट" करती है, जिसका मतलब है कि मनुष्यों में संभावित स्वास्थ्य समस्याओं के बारे में जानकारी का निदान करने के लिए लगातार कार्डियोसाइकल के अंतराल और एम्पलीट्यूड में वृद्धि का संकेत हो सकता है, जिसमें उनकी घटना के प्रारंभिक चरण भी शामिल हैं। वी इंटरनेशनल कॉन्फ्रेंस की

एक रिपोर्ट में "गणितीय जीवविज्ञान और जैव सूचना विज्ञान" कॉन्सटेंटिन वोरोत्सोव के नाम पर संकलित केंद्र से लिया गया ए। डोरोडनित्स्यना आरएएस ने स्वस्थ लोगों में हृदयरोगों के बढ़ते अंतराल (डीआरएन), एमिटिट्यूड्स (डीएनटी) और एंगल्स (डीकेएन) के संकेतों में अंतर प्रदर्शित किया और लोगों की विभिन्न बीमारियों से पीड़ित हैं।

कार्डियोग्राम द्वारा धूम्रपान करने वाले की खोज करने से प्रतियोगिता का मुख्य लक्ष्य प्राप्त करने में मदद मिलेगी - एक परिणाम प्राप्त करने के लिए जो कार्डियोग्राम सिग्नल में विभिन्न अंगों के रोगों के मार्करों की पहचान करने के लिए ईसीजी और एल्गोरिदम का उपयोग करके उच्च-गुणवत्ता वाले डायग्नोस्टिक्स को ले जाने की संभावना या असंभवता को प्रदर्शित करेगा।

प्रस्तावित विधि का सार

इस समस्या का समाधान शरीर की कार्यात्मक अवस्था [आर.एम. बैवेस्की एट अल।] पर हृदय गति परिवर्तनशीलता (एचआरवी) की निर्भरता की परिकल्पना पर आधारित था। इस मॉडल में मस्तिष्क के माध्यम से परिधीय तंत्रिका तंत्र के माध्यम से प्रतिक्रिया शामिल है, जो आपको रक्त के प्रवाह को नियंत्रित करने की अनुमति देती है, जिसमें आप भी शामिल हैं। दिल की दर को गतिशील रूप से नियंत्रित करने सहित।

इसके आधार पर, विश्लेषण के लिए मुख्य संकेत आरआर-इंटरवलोग्राम चुना गया था। इस सिग्नल में दिल की लय को नियंत्रित करने की प्रक्रियाओं के बारे में सभी जानकारी शामिल है।

मानव शरीर पर निकोटीन और अन्य पदार्थों के प्रभाव के बारे में जानकारी निकालने में समस्या एचआरवी के मापदंडों को खोजने के लिए नीचे आती है जो धूम्रपान करने वालों और गैर-धूम्रपान करने वालों की कक्षाओं की सबसे बड़ी अलग क्षमता है। यह देखते हुए कि मापदंडों के संबंध की प्रकृति अस्वाभाविक हो सकती है, क्लासिफायर कृत्रिम तंत्रिका नेटवर्क की तकनीक पर आधारित थी।

प्रतियोगिता के लिए कार्डियोग्राम के प्रशिक्षण नमूने में 50/50% के अनुपात के साथ धूम्रपान करने वालों और धूम्रपान न करने वालों के 100 रिकॉर्ड शामिल थे। 250 कार्डियोग्राम सहित एक नियंत्रण चयन भी प्रस्तुत किया गया था - यह एनोटेशन प्रदान नहीं करता था, इसलिए इसे अनुसंधान के लिए उपयोग करना असंभव था।

इसलिए, शोधकर्ता को प्रशिक्षण नमूने को दो समान "उपसमूह" में तोड़ने की आवश्यकता है: प्रशिक्षण और परीक्षण।

परीक्षण और प्रशिक्षण उपप्रजातियों में प्रविष्टियों का चयन मनमाने ढंग से किया गया था, लेकिन उनमें से प्रत्येक में धूम्रपान करने वालों और गैर-धूम्रपान करने वालों के समान अनुपात की स्थिति के अधीन था। चूँकि प्रशिक्षण की सदस्यता में रिकॉर्ड्स की संख्या बहुत कम थी, इसलिए अंतिम चरण में, सबसे अच्छा मॉडल चुनने के बाद, हमें टेस्ट सबमिशन के रिकॉर्ड पर "सीखने को समाप्त" करना पड़ा।

इतना सरल नहीं है

मुकरने की घटना को कम करने के लिए,
प्रशिक्षण के लिए उपयोग किए गए डेटा सेट से एक स्थानीय सत्यापन सेट (20%) को यादृच्छिक रूप से आवंटित किया गया था। उन्होंने मॉडल मापदंडों को समायोजित करने में भाग नहीं लिया और मॉडल त्रुटियों की निगरानी के लिए सेवा की। जैसे ही सत्यापन सेट पर त्रुटि बढ़ती है, प्रशिक्षण रुक जाता है।

ऐसी संभावना है कि जो लोग इस तथ्य या निष्क्रिय धूम्रपान करने वालों को छिपाते हैं, वे "धूम्रपान न करें" वर्ग में आएंगे, और "धूम्रपान" वर्ग में महत्वहीन "धूम्रपान अनुभव" वाले लोग। इसलिए, प्राप्त मॉडलों में से सर्वश्रेष्ठ का उपयोग करके नमूने के तंत्रिका नेटवर्क विश्लेषण के आधार पर प्रशिक्षण डेटाबेस में संशोधन के साथ अध्ययन किया गया था। नतीजतन, उन रिकॉर्डों को संशोधित किया गया था जिनकी मॉडल के साथ विसंगति सबसे बड़ी थी। इस दृष्टिकोण ने एक स्वतंत्र (सत्यापन) नमूने में दक्षता में मामूली वृद्धि दिखाई। हालांकि, यह माना जा सकता है कि गलत लेबल भी इसमें मौजूद हैं, जो एक सीमित कारक है।

डाटा प्रोसेसिंग और विश्लेषण

एक धूम्रपान करने वाले व्यक्ति को पहचानने के लिए एक मॉडल के लिए एक सुविधा स्थान बनाने के लिए, शोधकर्ता ने विभिन्न ज्ञात सांख्यिकीय मापदंडों, हृदय गति परिवर्तनशीलता का आकलन करने के लिए विशेष मापदंडों, साथ ही साथ एक स्पेक्ट्रम और हृदय ताल का एक हिस्टोग्राम का अध्ययन किया।

मापदंडों को निम्नलिखित समूहों में विभाजित किया गया था:

entropy;
समय डोमेन पैरामीटर;
आवृत्ति डोमेन पैरामीटर;
हिस्टोग्राम आकार मापदंडों।

अध्ययन में आधार के धूम्रपान करने वालों और गैर-धूम्रपान करने वालों के वर्गों और उनके वितरण के बाद के संयुक्त विश्लेषण के लिए मापदंडों के पूरे सेट की गणना शामिल थी। केवल उन मापदंडों को चुना गया जिनके वितरण घनत्व में किसी भी क्षेत्र में महत्वपूर्ण विसंगतियां थीं।

इसके अलावा, हृदय ताल के स्पेक्ट्रा का अध्ययन किया गया था, आवृत्ति रेंज का चयन किया गया था जिसमें दो वर्गों का सबसे बड़ा अलगाव देखा गया था। फिर फीचर स्पेस में मजबूत रैखिक संबंधों को बाहर करने के लिए चयनित मापदंडों का क्रॉस-सहसंबंध विश्लेषण किया गया था।

प्रतिस्पर्धी निर्णय के विवरण में, शोधकर्ता नोट करता है कि सहसंबंध विश्लेषण द्वारा अनुकूलन के बिना और दिल ताल स्पेक्ट्रम के नमूनों का उपयोग करके मापदंडों के एक सेट के समानांतर अध्ययन किए गए थे। डेटा के परिणाम समाधान में प्रस्तुत नहीं किए जाते हैं क्योंकि वे सर्वोत्तम परिणाम नहीं दिखाते हैं।

नतीजतन, मापदंडों का निम्नलिखित सेट प्राप्त किया गया था:

1) EnLog - "लॉग एनर्जी" (लॉग एनर्जी एन्ट्रापी) की एन्ट्रॉपी;
2) एनटीआरएस - थ्रेसहोल्ड एन्ट्रॉपी;
3.4) EnSamp - पैरामीटर 1 और 5 के साथ दो नमूना एंट्रोपी (नमूना एंट्रॉपी);
5) एनएन 22 - 22 आरआर से अधिक लगातार आरआर-अंतराल की संख्या;
6) एचआरवीटीआई - हृदय ताल के हिस्टोग्राम के त्रिकोणीय सूचकांक;
7) एलएफ / एचएफ - स्पेक्ट्रम के उच्च आवृत्ति वाले हिस्से में कम आवृत्ति की शक्ति का अनुपात (एचआरएफ का आकलन करने के लिए मानक पैरामीटर);
8) LFn - स्पेक्ट्रम की कम आवृत्ति वाले हिस्से की शक्ति का अनुपात, स्पेक्ट्रम की कम आवृत्ति और उच्च आवृत्ति वाले भागों की शक्तियों का योग;
९) एसबीएक्सएन (४) - ०.० ९ ३ हर्ट्ज से ०.१२५ हर्ट्ज तक कुल स्पेक्ट्रम पावर (टीपी) में स्पेक्ट्रम शक्ति का अनुपात। यह पैरामीटर एक विशेष वर्णक्रमीय विश्लेषण के परिणामस्वरूप प्राप्त किया गया था;
10) SB1n - स्पेक्ट्रम पावर 0.0039 हर्ट्ज से 0.0391 हर्ट्ज तक की रेंज में। यह पैरामीटर एक विशेष वर्णक्रमीय विश्लेषण के परिणामस्वरूप प्राप्त किया गया था।

डेटा प्रोसेसिंग एल्गोरिथ्म को निम्नानुसार चरण दर चरण वर्णित किया जा सकता है:

पहला कदम कार्डियोइन्टरवलोग्राम (CIG) डाउनलोड करना है। फिर, मानक विचलन के स्तर 1 पर कट-ऑफ का उपयोग करके उत्सर्जन का निर्धारण किया जाता है। फिर उन्हें माध्यिका द्वारा प्रक्षेप के माध्यम से बाहर रखा गया है, CIG के स्पिगोट प्रक्षेप को एक समतुल्य मात्राबद्ध तालबद्ध संकेत (RG) प्राप्त करने के लिए किया जाता है।

निरंतर घटक को हटाने के लिए, औसत मूल्य को रिदमोग्राम से घटाया गया था, जिसके बाद गिब्स प्रभाव को दबाने के लिए इसे तुर्किक विंडो द्वारा संसाधित किया गया था। इसके बाद, प्रोसेस्ड रिदमोग्राम के लिए तेजी से फूरियर ट्रांसफॉर्म किया गया, और इस ट्रांसफॉर्मेशन के जटिल मूल्यों से निरपेक्ष मूल्य की गणना के लिए, यह एक दिल ताल स्पेक्ट्रम प्राप्त करना संभव था।

उपरोक्त मापदंडों की गणना CIG (वर्णक्रमीय मापदंडों को छोड़कर) का उपयोग करके की गई थी, और फिर उन्हें 0 से 1 तक एक गतिशील रेंज प्राप्त करने के लिए सामान्यीकृत किया

गया था। मॉडल निम्नानुसार प्राप्त किया गया था:

सबसे पहले, अवधारणात्मक तंत्रिका नेटवर्क (NS) को छिपी परतों में क्रमिक रूप से न्यूरॉन्स की बढ़ती संख्या के साथ प्रशिक्षित किया गया था। (पहले वर्णित पद्धति के अनुसार)। परिणाम विभिन्न आकारों के तंत्रिका नेटवर्क मॉडल का एक सेट है, जिससे आप तंत्रिका नेटवर्क के इष्टतम आकार का चयन कर सकते हैं।

इसके बाद, हमने एनए सेट का एक परीक्षण सदस्यता पर विश्लेषण किया और उसमें से,
सर्वश्रेष्ठ को AUC पैरामीटर का उपयोग करके चुना गया।

तीसरा कदम था, उनके न्यूनतम अंतर को प्राप्त करने के लिए संवेदनशीलता और विशिष्टता को संतुलित करके आरओसी विश्लेषण का उपयोग करके चयनित मॉडलों के कटऑफ सीमा को समायोजित करना। 50% से कम संवेदनशीलता या विशिष्टता मान अस्वीकार किए गए।

इस तकनीक का उपयोग करके निम्नलिखित एनएस संरचनाओं की जांच की गई:

दो-परत, एक छिपे हुए सिग्मॉइड परत और सिग्मॉइड आउटपुट (एसएस) के साथ;
दो छिपे हुए टेपिंग सिग्मोइएडल लेयर्स और सिग्मोएडल आउटपुट (एसएसडीएस) के साथ तीन-परत;
दो छिपे हुए टेपिंग सिग्मोइडल लेयर्स और लीनियर आउटपुट (SSdP) के साथ थ्री-लेयर।

परिणाम

परीक्षण के परिणामों से यह देखा जाता है कि औसतन क्लासिफायर के प्रदर्शन संकेतक 60-70% के क्षेत्र में हैं।

उसी समय, शोधकर्ता नोट करता है कि प्रतियोगिता के लिए प्रदान किए गए प्रशिक्षण और परीक्षण के नमूने में गलत लेबल थे। यह उसके द्वारा प्रस्तावित मॉडलों की दक्षता को कम कर देता है, जिसका अर्थ है कि "स्वच्छ" डेटा का उपयोग करते समय, कोई बनाए गए क्लासिफायर की दक्षता में वृद्धि की उम्मीद कर सकता है।

इसके अलावा, अध्ययन के लेखक के अनुसार, प्रशिक्षण डेटाबेस के आकार में वृद्धि भी सकारात्मक भूमिका निभा सकती है।

एक स्वतंत्र डेटा नमूने का उपयोग करते हुए, शोधकर्ता 63% पर संवेदनशीलता और 71% पर विशिष्टता प्राप्त करने में सक्षम था।

एक वैज्ञानिक प्रतियोगिता के हिस्से के रूप में किए गए कार्य का परिणाम हृदय गति परिवर्तनशीलता और धूम्रपान से जुड़े शरीर में कार्यात्मक परिवर्तनों के बीच एक सैद्धांतिक और प्रयोगात्मक रूप से पुष्टि किए गए कनेक्शन की उपस्थिति को दर्शाता है।

धूम्रपान करने वाले की तलाश क्यों करें

प्रस्तावित विधि का सार

इतना सरल नहीं है

डाटा प्रोसेसिंग और विश्लेषण

परिणाम

More articles: