Применение методов системного анализа и искусственного интеллекта для диагностики состояния динамического объекта на примере органа зрения. Ч. 1
Ключевые слова:
искусственный интеллект, системный анализ, динамический объект, принятие решений, диагностика, патология зрения
Аннотация
Настоящая работа связана с проблематикой конструирования перспективных систем поддержки принятия решений для помощи специалистам при диагностике состояний динамических объектов на примере задачи медицинской диагностики (ранней диагностики патологий сетчатки глаза). Предложено применение интегрированного подхода на основе методов системного анализа (построения амплитудно-частотных и фазочастотных характеристик, вейвлет-преобразования для предварительной обработки и анализа сигналов) и методов искусственного интеллекта (нечетких множеств, когнитивной графики).
Исследования и разработки проведены совместно специалистами НИУ «МЭИ» (кафедры прикладной математики и искусственного интеллекта (ПМИИ) и управления и интеллектуальных технологий (УИТ)) и физиологами ФГБУ «НМИЦ глазных болезней им. Г. Гельмгольца» (отдел клинической физиологии зрения им. С.В. Кравкова).
В первой части представлены общая проблема ранней диагностики патологий сетчатки глаза, предварительная обработка (препроцессинг) информации с целью выделения наиболее существенных данных для последующего анализа с применением методов системного анализа и искусственного интеллекта, применение методов системного анализа для расширения признакового пространства для диагностики. Во второй части планируется анализ применения методов нечеткой логики для ранней диагностики патологий сетчатки, методов когнитивной графики с применением онтологии и нечетких правил для образного представления состояний сетчатки.
Литература
1. Колосов О.С., Короленкова В.А., Пронин А.Д., Зуева М.В., Цапенко И.В. Построение амплитудно-частотных характеристик сетчатки глаза и формализация их параметров для использования в системах диагностики // Мехатроника, автоматизация, управление. 2018. № 19(7). С. 451—457.
2. Eremeev A.P., Tcapenko I.V. The Use of Cognitive Graphics in the Diagnosis of Complex Vision Pathologies // Intern. J. Information Theories and Appl. 2019. V. 26(1). Рр. 83—99.
3. Еремеев А.П., Ивлиев С.А. Методы и программные средства прототипа интеллектуальной системы поддержки принятия решений для анализа и диагностики сложных патологий зрения // Вестник МЭИ. 2020. № 5. С. 140—147.
4. Еремеев А.П., Колосов О.С., Зуева М.В., Цапенко И.В. Интеграция методов системного анализа и когнитивной графики при ранней диагностике патологий зрения // Труды XX Национ. конф. по искусственному интеллекту с междунар. участием. Т. 2. М.: Изд-во МЭИ, 2022. С. 313—329.
5. Robson A.G. e. a. ISCEV Standard for Full-field Clinical Electroretinography // Documenta Ophthalmologica. 2022. V. 144. No. 3. Pp. 165—177.
6. Robson A.G. e. a. ISCEV Guide to Visual Electrodiagnostic Procedures // Documenta Ophthalmologica. 2018. V. 136(1). Pp. 1—26.
7. Özbay Y., Ceylan R., Karlik B. Integration of Type-2 Fuzzy Clustering and Wavelet Transform in a Neural Network Based ECG Classifier // Expert Systems with Appl. 2011. V. 38. No. 1. Pр. 1004—1010.
8. Еремеев А.П., Ивлиев С.А. Анализ и диагностика сложных патологий зрения на основе вейвлет-преобразований и нейросетевого подхода // Интегрированные модели и мягкие вычисления в искусственном интеллекте: Сб. трудов VIII Междунар. науч.-техн. конф. М.: Физматлит, 2015. T. 2. С. 589—595.
9. Brynolfsson J., Sandsten M. Classification of One-dimensional Non-stationary Signals Using the Wigner-ville Distribution in Convolutional Neural Networks // Proc. XXV European Signal Proc. Conf. Institute of Electrical and Electronics Engineers Inc., 2017. Pp. 326—330.
10. Mallat S.G. A Wavelet Tour of Signal Processing: the SparseWay. Houston: Academic Press, 2009.
11. De Rouck A.F. History of the Electroretinography // In Principlesand Practice of Clinical Electrophysiology of Vision. London: Mit Press, 2006. Pp. 139—185.
12. Zueva M.V. e. a. Assessment of the Amplitude-frequency Characteristics of the Retina with Its Stimulation by Flicker and Chess Pattern-reversed Incentives and their Use to Obtain New Formalized Signs of Retinal Pathologies // Biomedical J. Sci. & Techn. Research. 2019. V. 19. No. 5. Pp. 14575—14583.
---
Для цитирования: Еремеев А.П., Колосов О.С., Зуева М.В., Цапенко И.В. Применение методов системного анализа и искусственного интеллекта для диагностики состояния динамического объекта на примере органа зрения. Ч. 1 // Вестник МЭИ. 2023. № 6. С. 135—143. DOI: 10.24160/1993-6982-2023-6-135-143
#
1. Kolosov O.S., Korolenkova V.A., Pronin A.D., Zueva M.V., Tsapenko I.V. Postroenie Amplitudno-chastotnykh Kharakteristik Setchatki Glaza i Formalizatsiya Ikh Parametrov dlya Ispol'zovaniya v Sistemakh Diagnostiki. Mekhatronika, Avtomatizatsiya, Upravlenie. 2018;19(7):451—457. (in Russian).
2. Eremeev A.P., Tcapenko I.V. The Use of Cognitive Graphics in the Diagnosis of Complex Vision Pathologies. Intern. J. Information Theories and Appl. 2019;26(1):83—99.
3. Eremeev A.P., Ivliev S.A. Metody i Programmnye Sredstva Prototipa Intellektual'noy Sistemy Podderzhki Prinyatiya Resheniy dlya Analiza i Diagnostiki Slozhnykh Patologiy Zreniya. Vestnik MEI. 2020;5:140—147. (in Russian).
4. Eremeev A.P., Kolosov O.S., Zueva M.V., Tsapenko I.V. Integratsiya Metodov Sistemnogo Analiza i Kognitivnoy Grafiki pri Ranney Diagnostike Patologiy Zreniya. Trudy XX Natsion. Konf. po Iskusstvennomu Intellektu s Mezhdunar. Uchastiem. T. 2. M.: Izd-vo MEI, 2022:313—329. (in Russian).
5. Robson A.G. e. a. ISCEV Standard for Full-field Clinical Electroretinography. Documenta Ophthalmologica. 2022;144;3:165—177.
6. Robson A.G. e. a. ISCEV Guide to Visual Electrodiagnostic Procedures. Documenta Ophthalmologica. 2018;136(1):1—26.
7. Özbay Y., Ceylan R., Karlik B. Integration of Type-2 Fuzzy Clustering and Wavelet Transform in a Neural Network Based ECG Classifier. Expert Systems with Appl. 2011;38;1:1004—1010.
8. Eremeev A.P., Ivliev S.A. Analiz i Diagnostika Slozhnykh Patologiy Zreniya na Osnove Veyvlet-preobrazovaniy i Neyrosetevogo Podkhoda. Integrirovannye Modeli i Myagkie Vychisleniya v iskusstvennom Intellekte: Sb. Trudov VIII Mezhdunar. Nauch.-tekhn. Konf. M.: Fizmatlit, 2015;2:589—595. (in Russian).
9. Brynolfsson J., Sandsten M. Classification of One-dimensional Non-stationary Signals Using the Wigner-ville Distribution in Convolutional Neural Networks. Proc. XXV European Signal Proc. Conf. Institute of Electrical and Electronics Engineers Inc., 2017:326—330.
10. Mallat S.G. A Wavelet Tour of Signal Processing: the SparseWay. Houston: Academic Press, 2009.
11. De Rouck A.F. History of the Electroretinography. In Principlesand Practice of Clinical Electrophysiology of Vision. London: Mit Press, 2006:139—185.
12. Zueva M.V. e. a. Assessment of the Amplitude-frequency Characteristics of the Retina with Its Stimulation by Flicker and Chess Pattern-reversed Incentives and their Use to Obtain New Formalized Signs of Retinal Pathologies. Biomedical J. Sci. &Techn. Research. 2019;19;5:14575—14583
---
For citation: Eremeev A.P., Kolosov O.S., Zueva M.V., Tsapenko I.V. Application of System Analysis and Artificial Intelligence Methods to Diagnose the Dynamic Object State Taking a Retina as an Example. Part 1. Bulletin of MPEI. 2023;6:135—143. (in Russian). DOI: 10.24160/1993-6982-2023-6-135-143
2. Eremeev A.P., Tcapenko I.V. The Use of Cognitive Graphics in the Diagnosis of Complex Vision Pathologies // Intern. J. Information Theories and Appl. 2019. V. 26(1). Рр. 83—99.
3. Еремеев А.П., Ивлиев С.А. Методы и программные средства прототипа интеллектуальной системы поддержки принятия решений для анализа и диагностики сложных патологий зрения // Вестник МЭИ. 2020. № 5. С. 140—147.
4. Еремеев А.П., Колосов О.С., Зуева М.В., Цапенко И.В. Интеграция методов системного анализа и когнитивной графики при ранней диагностике патологий зрения // Труды XX Национ. конф. по искусственному интеллекту с междунар. участием. Т. 2. М.: Изд-во МЭИ, 2022. С. 313—329.
5. Robson A.G. e. a. ISCEV Standard for Full-field Clinical Electroretinography // Documenta Ophthalmologica. 2022. V. 144. No. 3. Pp. 165—177.
6. Robson A.G. e. a. ISCEV Guide to Visual Electrodiagnostic Procedures // Documenta Ophthalmologica. 2018. V. 136(1). Pp. 1—26.
7. Özbay Y., Ceylan R., Karlik B. Integration of Type-2 Fuzzy Clustering and Wavelet Transform in a Neural Network Based ECG Classifier // Expert Systems with Appl. 2011. V. 38. No. 1. Pр. 1004—1010.
8. Еремеев А.П., Ивлиев С.А. Анализ и диагностика сложных патологий зрения на основе вейвлет-преобразований и нейросетевого подхода // Интегрированные модели и мягкие вычисления в искусственном интеллекте: Сб. трудов VIII Междунар. науч.-техн. конф. М.: Физматлит, 2015. T. 2. С. 589—595.
9. Brynolfsson J., Sandsten M. Classification of One-dimensional Non-stationary Signals Using the Wigner-ville Distribution in Convolutional Neural Networks // Proc. XXV European Signal Proc. Conf. Institute of Electrical and Electronics Engineers Inc., 2017. Pp. 326—330.
10. Mallat S.G. A Wavelet Tour of Signal Processing: the SparseWay. Houston: Academic Press, 2009.
11. De Rouck A.F. History of the Electroretinography // In Principlesand Practice of Clinical Electrophysiology of Vision. London: Mit Press, 2006. Pp. 139—185.
12. Zueva M.V. e. a. Assessment of the Amplitude-frequency Characteristics of the Retina with Its Stimulation by Flicker and Chess Pattern-reversed Incentives and their Use to Obtain New Formalized Signs of Retinal Pathologies // Biomedical J. Sci. & Techn. Research. 2019. V. 19. No. 5. Pp. 14575—14583.
---
Для цитирования: Еремеев А.П., Колосов О.С., Зуева М.В., Цапенко И.В. Применение методов системного анализа и искусственного интеллекта для диагностики состояния динамического объекта на примере органа зрения. Ч. 1 // Вестник МЭИ. 2023. № 6. С. 135—143. DOI: 10.24160/1993-6982-2023-6-135-143
#
1. Kolosov O.S., Korolenkova V.A., Pronin A.D., Zueva M.V., Tsapenko I.V. Postroenie Amplitudno-chastotnykh Kharakteristik Setchatki Glaza i Formalizatsiya Ikh Parametrov dlya Ispol'zovaniya v Sistemakh Diagnostiki. Mekhatronika, Avtomatizatsiya, Upravlenie. 2018;19(7):451—457. (in Russian).
2. Eremeev A.P., Tcapenko I.V. The Use of Cognitive Graphics in the Diagnosis of Complex Vision Pathologies. Intern. J. Information Theories and Appl. 2019;26(1):83—99.
3. Eremeev A.P., Ivliev S.A. Metody i Programmnye Sredstva Prototipa Intellektual'noy Sistemy Podderzhki Prinyatiya Resheniy dlya Analiza i Diagnostiki Slozhnykh Patologiy Zreniya. Vestnik MEI. 2020;5:140—147. (in Russian).
4. Eremeev A.P., Kolosov O.S., Zueva M.V., Tsapenko I.V. Integratsiya Metodov Sistemnogo Analiza i Kognitivnoy Grafiki pri Ranney Diagnostike Patologiy Zreniya. Trudy XX Natsion. Konf. po Iskusstvennomu Intellektu s Mezhdunar. Uchastiem. T. 2. M.: Izd-vo MEI, 2022:313—329. (in Russian).
5. Robson A.G. e. a. ISCEV Standard for Full-field Clinical Electroretinography. Documenta Ophthalmologica. 2022;144;3:165—177.
6. Robson A.G. e. a. ISCEV Guide to Visual Electrodiagnostic Procedures. Documenta Ophthalmologica. 2018;136(1):1—26.
7. Özbay Y., Ceylan R., Karlik B. Integration of Type-2 Fuzzy Clustering and Wavelet Transform in a Neural Network Based ECG Classifier. Expert Systems with Appl. 2011;38;1:1004—1010.
8. Eremeev A.P., Ivliev S.A. Analiz i Diagnostika Slozhnykh Patologiy Zreniya na Osnove Veyvlet-preobrazovaniy i Neyrosetevogo Podkhoda. Integrirovannye Modeli i Myagkie Vychisleniya v iskusstvennom Intellekte: Sb. Trudov VIII Mezhdunar. Nauch.-tekhn. Konf. M.: Fizmatlit, 2015;2:589—595. (in Russian).
9. Brynolfsson J., Sandsten M. Classification of One-dimensional Non-stationary Signals Using the Wigner-ville Distribution in Convolutional Neural Networks. Proc. XXV European Signal Proc. Conf. Institute of Electrical and Electronics Engineers Inc., 2017:326—330.
10. Mallat S.G. A Wavelet Tour of Signal Processing: the SparseWay. Houston: Academic Press, 2009.
11. De Rouck A.F. History of the Electroretinography. In Principlesand Practice of Clinical Electrophysiology of Vision. London: Mit Press, 2006:139—185.
12. Zueva M.V. e. a. Assessment of the Amplitude-frequency Characteristics of the Retina with Its Stimulation by Flicker and Chess Pattern-reversed Incentives and their Use to Obtain New Formalized Signs of Retinal Pathologies. Biomedical J. Sci. &Techn. Research. 2019;19;5:14575—14583
---
For citation: Eremeev A.P., Kolosov O.S., Zueva M.V., Tsapenko I.V. Application of System Analysis and Artificial Intelligence Methods to Diagnose the Dynamic Object State Taking a Retina as an Example. Part 1. Bulletin of MPEI. 2023;6:135—143. (in Russian). DOI: 10.24160/1993-6982-2023-6-135-143
Опубликован
2023-09-05
Выпуск
Раздел
Информатика и информационные процессы (технические науки) (2.3.8.)
