Отправить статью по E-mail Применение методов искусственного интеллекта к задаче диагностики заболеваний дыхательных путей
- Авторы: Катермина Т.С.1, Сибагатули А.Ф.1
-
Учреждения:
- Нижневартовский государственный университет
- Выпуск: Том 9, № 2 (2022)
- Страницы: 92-103
- Раздел: Статьи
- URL: https://bakhtiniada.ru/2313-223X/article/view/147140
- DOI: https://doi.org/10.33693/2313-223X-2022-9-2-92-103
- ID: 147140
Цитировать
Открытый доступ
Доступ предоставлен
Только для подписчиков
Аннотация
В статье рассматривается проблема диагностики заболеваний органов дыхания. Авторы выбрали в качестве возможного направления решения поставленной задачи нейросетевую сверточною модель, разработали и показали ее возможную архитектуру. Также в работе показано, какие этапы предобработки данных необходимо произвести для наилучшего результата обучения модели. Диагностику заболеваний дыхательных путей авторы предлагают проводить при помощи анализа характеристик аудиозаписей дыхания человека. Подобные аудиозаписи уже производятся, что позволило использовать для обучения сети набор данных, находящийся в свободном доступе в сети Интернет. Работа содержит перечень характеристик аудиозаписей дыхания, которые можно использовать для анализа и постановки предварительного диагноза. Немаловажная часть работы - анализ существующих современных научных подходов, позволяющих так или иначе упростить работу медицинского персонала и помочь сохранить здоровье пациента. Приведенные результаты обучения нейросетевой модели показывают, какие заболевания можно с большой уверенностью диагностировать автоматически, а какие более трудно определить и требуют дополнительных исследований.
Полный текст
Открыть статью на сайте журналаОб авторах
Татьяна Сергеевна Катермина
Нижневартовский государственный университет
Email: nggu-lib@mail.ru
кандидат технических наук; доцент кафедры информатики и методики преподавания информатики Ханты-Мансийский автономный округ - Югра, Тюменская область, г. Нижневартовск, Российская Федерация
Азат Фаритович Сибагатули
Нижневартовский государственный университет
Email: sibagatulin.azat@yandex.ru
бакалавр Ханты-Мансийский автономный округ - Югра, Тюменская область, г. Нижневартовск, Российская Федерация
Список литературы
- Bengio Y., Goodfellow I.J., Courville A. Deep Learning. Book in preparation for MIT Press, 2015.
- Chauhan N.S. Audio data analysis using deep learning with Python [Electronic resource]. URL: https://www.kdnuggets.com/2020/02/audio-data-analysis-deep-learning-python-part-1.html (data of accesses: 10.06.2022)
- Chen M., Li H., Fan H. et al. ConCeptCNN: A novel multi-filter convolutional neural network for the prediction of neurodevelopmental disorders using brain connectome // Med. Physics. 2022. Vol. 49. No. 5. Pp. 3171-3184. doi: 10.1002/mp.15545
- Cires D., Meier U., Masci J., Schmidhuber J. Multi-column deep neural network for traffic sign classification // Neural Networks. 2012. Vol. 32. Pp. 333-338.
- Cires D., Giusti A., Gambardella L.M., Schmidhuber J. Deep neural networks segment neuronal membranes in electron microscopy images // Advances in Neural Information Processing Systems. 2012. Pp. 2843-2851.
- Dieleman S., Brakel P., Schrauwen B. Audiobased music classification with a pretrained convolutional network // Proceedings of the 12th International Society for Music Information Retrieval (ISMIR) Conference. 2011. Pp. 669-674.
- Gandhi R. Naive bayes classifier [Electronic resource]. URL: https://towardsdatascience.com/naive-bayes-classifier-81d512f50a7c (data of accesses: 10.06.2022).
- Graves A., Mohamed A., Hinton G. Speech recognition with deep recurrent neural networks. ICASSP, 2013.
- Guan M. et al. Natural language processing and recurrent network models for identifying genomic mutation-associated cancer treatment change from patient progress notes // JAMIA Open. 2019. Vol. 2. No. 1. Pp. 139-149.
- Phan H. et al. Audio scene classification with deep recurrent neural networks // Interspeech. 2017. URL: https://www.researchgate.net/publication/315096213_Audio_Scene_Classification_with_Deep_Recurrent_Neural_Networks
- Karol J. Environmental sound classification with convolutional neural networks // IEEE International Workshop on Machine Learning for Signal Processing (MLSP). 2015.
- Kosmas I., Papadopoulos T., Michalakelis C. Applying Internet of things in healthcare: A survey. 2021. URL: http://dx.doi.org/10.31031/prm.2021.04.000592
- Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems. 2012. Pp. 1097-1105.
- Mydukuri R., Kallam S., Patan R. et al. Deming least square regressed feature selection and Gaussian neuro-fuzzy multi-layered data classifier for early COVID prediction // Expert Systems. 2022. Vol. 39. No. 5. doi: 10.1111/exsy.12694.
- Nagarajan R., Thirunavukarasu R. A neuro-fuzzy based healthcare framework for disease analysis and prediction // Multimedia Tools and Applications. 2022. Vol. 81. Pp. 11737-11753.
- Noble W. What is a support vector machine? // Nat. Biotechnol. 2006. No. 24. Pp. 1565-1567. URL: https://doi.org/10.1038/nbt1206-1565
- Olah C. Understanding LSTM Networks [Electronic resource]. URL: http://colah.github.io/posts/2015-08-Understanding-LSTMs/ (data of accesses: 10.06.2022).
- Rocha B.M., Filos D., Mendes L. et al. Α respiratory sound database for the development of automated classification // In Precision Medicine Powered by pHealth and Connected Health. Singapore: Springer, 2018. Pp. 51-55.
- Sermanet P. et al. Pedestrian detection with unsupervised multi-stage feature learning // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE. 2013. Pp. 3626-3633.
- Simard P.Y., Steinkraus D., Platt J.C. Best practices for convolutional neural networks applied to visual document analysis // ICDAR. 2003. Vol. 3. Pp. 958-962.
- Srivastava N. et al. Dropout: a simple way to prevent neural networks from overfitting // J. Mach. Learn. Res. 2014. No. 15. Pp. 1929-1958.
- Shafiekhani S., Namdar P., Rafiei S. A COVID-19 forecasting system for hospital needs using ANFIS and LSTM models: A graphical user interface unit // Digital Health. 2022. doi: 10.1177/20552076221085057.
- Sharma A., Banerjee P.S., Sharma A., Yadav A. A French to English language translator using recurrent neural network with attention mechanism. In: Nanoelectronics, circuits and communication systems / V. Nath, J. Mandal (eds.) // NCCS 2018. Lecture Notes in Electrical Engineering. 2020. Vol. 642. URL: https://doi.org/10.1007/978-981-15-2854-5_38
- Taunk K., De S., Verma S., Swetapadma A. A brief review of nearest neighbor algorithm for learning and classification // International Conference on Intelligent Computing and Control Systems (ICCS). 2019.
- Qasim A., Pettirsch A. Recurrent Neural Networks for video object detection. 2020. URL: https://arxiv.org/abs/2010.15740
- Гуляев М.А., Жубр А.М., Цаллагова М.М. Применение регрессионного анализа в медицине // Наука настоящего и будущего. 2019. Т. 1. С. 16-19.
- Савушкина О.И., Черняк А.В., Каменева М.Ю. и др. Возможности импульсной осциллометрии в диагностике обструкции дыхательных путей легкой степени выраженности // Пульмонология. 2018. Т. 28. № 4. С. 391-398. URL: https://doi.org/10.18093/0869-0189-2018-28-4-391-398
- Трушина Е.Ю., Костина Е.М., Молотилов Б.А. и др. Способ дифференциальной диагностики типов воспаления дыхательных путей у больных бронхиальной астмой и хронической обструктивной болезнью легких. Патент на изобретение G01N 33/48, 2019. URL: https://elibrary.ru/item.asp?id=37349980
Дополнительные файлы
