Non-parametric model of learning for a system of diagnostics of psycho- physiological qualities

Poriadin Anton graduate student, Department of Information and Computer Systems, Volga State University of Technology 424000, Russia, Marii El, g. Ioshkar-Ola, Ploshchad' Lenina, 3 lazy.ant10@gmail.com

Oparin Kirill graduate student, Department of Information and Computer Systems, Volga State University of Technology 424000, Russia, Marii El oblast', g. Ioshkar-Ola, ul. Ploshchad' Lenina, 3 kirill.oparin@hotmail.com

Современная психофизиология обладает огромным набором методов и инструментальных средств для оценки психофизиологических особенностей человека. Эта область активно развивается и подстраивается под постоянно меняющиеся требования. Результаты, полученные с помощью психофизиологической диагностики, находят свое применение в разных областях человеческой жизнедеятельности: от профориентации до отслеживания состояния человека перед допуском к работе. Инструментальные средства, использующиеся для диагностики, прошли долгий путь развития от бумажно-бланковых методик и методик наблюдения за пациентом до программно-аппаратных комплексов и мобильных приложений. Одним из направлений повышения качества диагностики и поиска новых закономерностей является использование нейронных сетей.

В результате исследования эффекта от использования НС для медицинской диагностики получены следующие результаты: во многих случаях нейронные сети смогли диагностировать заболевание в два раза точнее, чем эксперт. При этом нейронные сети обладают рядом значительных преимуществ, таких как:

• Возможность проведения дистанционной диагностики, что является достаточно важным критерием для большого количества людей у которых отсутствует возможность обратиться к хорошему специалисту;
• Стабильность результатов диагностики, вне зависимости от настроения эксперта и межличностного взаимодействия;
• Возможность не только вывести результат, но и обнаружить сложные зависимости.
• Выявление тенденций, характерных для людей определенной профессии, либо проживающих в определенной местности.

Доказано ^[1], использование нейронных сетей обладает и рядом недостатков, например, обучающаяся нейронная сеть может наследовать пробелы в знаниях специалиста, если они попадут в обучающую выборку. Следовательно, предъявляются высокие требования к качеству входных данных. Соответственно, используя данные, полученные от нескольких специалистов разных (но при этом связанных) профилей или медицинского консилиума, можно предположить, что НС превзойдет среднестатистического врача-консультанта.

Целью данной работы является анализ существующих решений, использующих нейронные сети в медицинской диагностике и попытка применения одной из рассмотренных моделей для диагностики психофизиологических особенностей человека с использованием данных, получаемых в результате прохождения разработанных тестов.

Для проведения медицинской диагностики используется большое количество параметров, зачастую 100 и более. Применение нейронных сетей обусловлено тем, что значения этих параметров могут сильно отличаться от человека к человеку, т.к. зависят от множества факторов, что создает трудности даже у опытных экспертов.

Подход с использованием НС также позволяет повысить точность диагностики, по сравнению с анализом результатов, полученных с использованием традиционных методов амплитудно-временного анализа ^[2]. При составлении обучающей выборки в случаях применения НС для медицинской диагностики рекомендуется использовать диагноз, поставленный с учетом частных решений нескольких экспертов, согласно мажоритарному принципу (в соответствии с решением большинства). В данном случае, каждое решение эксперта должно соответствовать одному из двух суждений:

• подозрение на инфаркт миокарда;
• признаков инфаркта не обнаружено.

Для реализации нейросетевого анализа была выбрана НС LVQ (Learning Vector Quantization).

Рис. 1. Структура НС LVQ

Значение сигнала на выходе НС LVQ определяется по следующей формуле:

`Y_(k)=F_("lin") (sum_(j=1)^s w_(jk)^(2) * F_("compet") (sqrt(sum_(i = 1)^(N) (x_(i) - w_(im)^(1))^(2)))_(j))` (1)

где – i-й элемент входного вектора, – i-й элемент вектора весов m-го нейрона конкурирующего слоя, – j-й элемент вектора весов k-го нейрона линейного слоя, – передаточная функция конкурирующего слоя, выявляющая нейрон-победитель, – линейная функция активации нейронов распределительного слоя, N – размерность входного вектора НС, S – количество нейронов в конкурирующем слое, – значение k-го выхода НС.

Результаты тестирования показали, что использование обученной подобной НС, по сравнению с классическим амплитудно-временным анализом, эффективнее на 10%.

Необходимость использования нейронных сетей ^[3] обусловлена сложностью взаимосвязей между физиологическими и психологическими явлениями, которые основаны на взаимодействии различных систем организма и отличаются нелинейной и многоуровневой структурой.

Для отображения взаимосвязи между физиологическими и психологическими явлениями используется нейронная сеть, обученная методом обратного распространения ошибки. Данная нейронная сеть состоит из нескольких слоев нейронов, где каждый нейрон слоя i связан с каждым нейроном слоя i + 1. В данном примере реализовано три слоя:

• Первый слой представлен элементарными физиологическими параметрами;
• Второй – физиологическими функциональными системами;
• Третий, зависящий от первых двух – когнитивными и регуляторными способностями.

В качестве входных параметров используется двенадцать факторных оценок, вычисленных из первичных физиологических параметров. Например, ритмичность передних и латеральных отделов коры головного мозга, реактивность НС, сосудистые реакции, изменения АД на эмоциональную нагрузку и другие. Выходные данные представляют параметры эмоциональной компетентности детей. В процессе анализа модели НС были выявлены взаимосвязи между физиологическими показателями и той или иной функциональной системой, что позволило формализовать диагностику эмоциональной компетентности, учитывая физиологические характеристики ребенка.

Диагностика психологических показателей по имеющимся физиологическим параметрам с использованием НС способствует созданию инструмента, позволяющего объединить существующие психологические и физиологические методики диагностики психофизиологического состояния человека ^[3],[4]. На текущий момент проблема заключается в том, что физиологические и психологические методики разрабатывались в отрыве друг от друга, не учитывая взаимосвязь психической и физиологической систем человека. Использование нейронных сетей для решения этой проблемы позволяет объединить существующие психологические и физиологические методики диагностики психофизиологического состояния человека.

Успешное применение нейронных сетей в области медицинской диагностики послужило основой данного исследования по использованию нейронных сетей для классификации психофизиологического состояния человека в разрабатываемой системе. В системе представлен набор разносторонних тестов для выявления психофизиологических особенностей человека. На сегодняшний день реализовано два психофизиологических теста: тест реакции на движущийся объект (РДО) и теппинг-тест.

Разработанный РДО тест предполагает, что испытуемый по возможности точно будет реагировать на момент пересечения перемещающихся в разных направлениях объектов и неподвижной метки. Данный тест в основном использовался для определения соотношения процессов возбуждения и торможения. Преобладание точных ответов говорит о высоком функциональном состоянии нервной системы, высокое число ошибок опережения – о преобладании процессов возбуждения, высокое число ошибок запаздывания – о преобладании тормозных процессов. Реализованный тест, благодаря небольшим изменениям, также помогает оценить функциональную асимметрию головного мозга.

Теппинг-тест служит для оценки силы нервной системы человека по психомоторным показателям ^[5]. Сила нервных процессов является показателем работоспособности нервных клеток и нервной системы в целом. Сильная нервная система выдерживает большую по величине и длительности нагрузку, чем слабая. Методика основана на определении динамики максимального темпа движения рук. Опыт проводится последовательно сначала правой, а затем левой рукой. Полученные в результате варианты динамики максимального темпа могут быть условно разделены на пять типов, соответствующих силе нервной системы. По инструкции испытуемый должен в максимальном темпе повторить заданную последовательность нажатий использую компьютерную мышь или сенсорную платформу. Реализованный тест отслеживает изменения максимально темпа движения кистью руки и предоставляет следующие данные для анализа: количество ошибок, среднее время нажатия, продолжительность теста, количество нажатий каждые пять секунд.

Для сбора статистических данных была проведена серия из 5 экспериментов с участием учащихся спортивной школы и студентов. Всего было протестировано 30 человек. Возраст испытуемых от 14 до 22 лет. Итоговое решение о психофизиологическом состоянии человека выносится на основе мнения нескольких экспертов. Полученные в результате экспериментов данные являются обучающей выборкой для нейронной сети.

Определим количество нейронных сетей. Поскольку каждый тест предполагает разную размерность входного вектора данных для нейронной сети и служит для определения разного количества психологических параметров, целесообразно использовать отдельную НС для каждого реализованного в системе теста.

Для решения поставленной задачи была реализована НС, подробно рассмотренная в ^[3]. Данная НС является многослойной сетью, обученной по методу обратного распространения ошибки.

Рис. 2. Многослойная нейронная сеть с обратным распространением ошибки и одним скрытым слоем

Пример входного и выходного векторов для НС обрабатывающей результаты РДО теста. Для обработки в НС передается 6 результатов теста, состоящих из 2 параметров и 15 отклонений. Ниже представлен пример данных одного из результатов тестирования:

• Скорость движения объектов: 100 пикс/сек;
• Направление движения объектов: слева направо;
• Отклонения (15 попыток): -1, -4, -3, -3, -4, 5, -3, -4, -4, -3, 1, -4, 0, -6, -2.

Таким образом, размерность входного вектора N = 17 * 6 = 102.

Нейронная сеть способна распознать следующие свойства нервной системы:

• Сила нервной системы: сильная/слабая;
• Функциональная асимметрия головного мозга: левая / правая / не выражена;
• Соотношение процессов возбуждения и торможения: возбуждение / торможение / сбалансированные.

Размерность выходного вектора K определяется как произведение количества вариантов значений каждого их распознаваемых свойств нервной системы и равняется K = 2 * 3 * 3 = 18.

В статье показано, что НС является эффективным инструментом для исследования такой стохастической системы, как человек. Использование НС в системе психофизиологической диагностики повышает точность, за счет выявления скрытых зависимостей между различными системами человека. Стоит помнить, что психофизиологическое состояние человека зависит от состояния множества факторов, таких как физиологическое состояние, эмоциональная область, поведенческая сфера. Подобная иерархия соответствует структуре многослойной НС, представленной на рис. 2 и обладающей следующими свойствами:

• Наличие нелинейных взаимоотношений между первым и последним слоями можно определить количеством слоев и количеством нейронов в каждом слое;
• Каждый промежуточный слой символизирует один из уровней системы и отдельно интерпретируется.

Возможность использования НС для обработки результатов психофизиологических тестов, была подтверждена с помощью обобщенного описания нейронной сети и примеров входного и выходного векторов НС обрабатывающей результаты РДО теста.

Таким образом, обосновано что применение НС для обработки результатов в разработанных тестах повысит точность диагностики.