WWW.DOC.KNIGI-X.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Различные документы
 

«Введение. Растущие объемы информации, появление новейших диагностических и лечебных технологий требуют новых подходов к обработке и интерпретации ...»

WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007

Дата поступления: 20.09.2007

ОПРЕДЕЛЕНИЕ ПЕРВИЧНЫХ И ВТОРИЧНЫХ КЛИНИЧЕСКИХ

СИНДРОМОВ ПРИ ХРОНИЧЕСКОМ

ПОСТТРАВМАТИЧЕСКОМ СТРЕССОВОМ РАССТРОЙСТВЕ

С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Н. Л. Бундало, Д. А. Россиев

Красноярская государственная медицинская академия, г. Красноярск Введение. Растущие объемы информации, появление новейших диагностических и лечебных технологий требуют новых подходов к обработке и интерпретации медицинских данных, к возможности накопления, хранения и использования опыта квалифицированных специалистов. Для современных научных исследований в медицине, в том числе и в психиатрии, недостаточно использовать стандартные статистические методы для обработки материала. В различных областях медицины все чаще используются новые технологии работы с данными, универсальные инструменты с возможностью гибкой постановки задач, применимые ко всем областям биологии и медицины, обладающие большой информационной емкостью, не нуждающиеся в длительном времени для разработки. Всем вышеперечисленным требованиям могут отвечать системы, способные самонастраиваться на решение задач. Созданные только один раз исходно одинаковыми, они способны обучаться и решать различные медицинские задачи. Возможности настройки нового класса экспертных систем должны распространяться вплоть до индивидуального пользователя, например до конкретного врача, имеющего возможность обучать экспертную систему на своем собственном опыте и тех данных, которые ему доступны.

Анализ существующих методов обработки информации и метаалгоритмов решения задач показал, что вышеперечисленным требованиям достаточно хорошо удовлетворяют, в частности, нейроинформационные технологии, базирующиеся на искусственных нейронных сетях. В основе функционирования нейронных сетей лежат алгоритмы, моделирующие распространение сигналов по нейронам и синапсам нервной системы.

Существует достаточно большой набор архитектур и метаалгоритмов функционирования нейронных сетей, при этом задачи, решаемые современной нейроинформатикой, в большинстве случаев требуют подгонки архитектуры и алгоритмов обучения нейросетей под определенный класс задач или даже конкретную задачу [1]. Поэтому внедрение в психиатрию универсальной технологии создания медицинских экспертных систем, нейросетей при работе с медицинской информацией является актуальной задачей.

WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007 Искусственные нейронные сети – это набор математических и алгоритмических методов для решения широкого круга задач, в которых совокупность подходов основывается на принципах работы биологических нейронных сетей [2]. Компьютерные нейросети представляют собой сеть элементов – искусственных нейронов, связанных между собой синаптическими соединениями. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов [3]. Обычно нейронная сеть оперирует цифровыми, а не символьными величинами. Большинство моделей нейронных сетей требуют обучения на образцах задач (определенного класса) с уже известными решениями. В процессе обучения нейросеть приобретает способность решать задачи данного класса, в том числе те, которые не входили в обучающую выборку [1].

Нейронные сети характеризуются универсальностью, являясь инструментом для решения разного рода задач, связанных с обработкой информации, таких как: гибкое моделирование для нелинейной аппроксимации многомерных функций; прогнозирование во времени процессов, зависящих от многих переменных; классификация по многим признакам, дающая возможность разбить входное пространство на области; распознавание образов; ассоциативный поиск; нахождение закономерностей в массивах данных [4, 5, 6].

Компьютерные нейросистемы свободны от ограничений обычных компьютеров благодаря параллельной обработке и сильной связанности нейронов [7, 8].

Имеется множество подходов к изучению природы мышления, простирающихся от духовных до анатомических. Эксперименты показывают, что функционирование мозга трудно для наблюдения и при изучении его организации возникают затруднения. По мнению некоторых авторов, многие методы научного исследования, изменившие представления о физической реальности человека, оказались бессильными в понимании механизмов функционирования мозга [9]. Нейросетевое моделирование позволяет лучше понять организацию нервной системы человека и животных на средних уровнях: память, обработка сенсорной информации, моторика. Есть основания полагать, что в перспективе компьютерные нейросети позволят понять принципы, на которых построено функционирование высших функций нервной системы: сознание, эмоции, мышление [10].

Именно нейросетевая обработка данных в настоящее время обусловила появление нового направления в развитии искусственного интеллекта. Работы по вербализации структуры нейронных сетей приближают нейросетевое направление разработки искусственного интеллекта к классическим экспертным системам [11]. Это делает возможным в перспективе понять и объяснить процессы принятия решения человеком [12].

WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007 Компьютерное нейросетевое моделирование имеет ряд преимуществ перед обычными методами статистического анализа [13].

Так, нейросети дают стандартный способ решения многих нестандартных задач.

При этом в отличие от специализированных программ и моделей, когда существует возможность лучше решить один класс задач, одна нейросеть может решить не только эту задачу, но и много других задач разных классов, что позволяет избежать проектирования системы для решения каждой новой специализированной проблемы. Преимущество нейронных сетей состоит в их универсальности, что позволяет трансформировать разноплановые задачи в однотипные [14].

В отличие от специализированных программ, когда необходимо для решения каждой новой задачи сформулировать алгоритм ее решения и произвести программирование ЭВМ, нейросети используют иной процесс – обучение. Компьютерная нейросеть имеет возможность самостоятельно учиться и повышать свою «квалификацию»

на имеющихся примерах [3,15, 16, 17].

Гибкость структуры – еще одно преимущество нейронных сетей: оно позволяет различными способами комбинировать простые составляющие нейросети, к которым относятся нейроны и связи между ними. За счет этого на одной элементной базе и даже внутри одной нейросети можно создавать и реализовывать решения различных задач [17].

В компьютерном нейросетевом моделировании заложены важнейшие свойства биологических нейросетей, например, параллельность обработки информации. Каждый нейрон формирует свой выходной сигнал только на основе сигналов, полученных со своих входов, и собственного внутреннего состояния под воздействием общих механизмов регуляции нервной системы [18].

Одним из свойств биологических нейронных сетей является самоорганизация. В процессе работы биологические нейронные сети самостоятельно обучаются решению разнообразных задач [19]. Неизвестно никаких принципиальных ограничений сложности задач, решаемых биологическими нейронными сетями. Нервная система сама формирует алгоритмы своей деятельности, уточняя и усложняя их в течение жизни [7, 20].

Выбрав одну из моделей искусственной нейросети, создав сеть и выполнив алгоритм обучения, исследователь может обучить сеть решению поставленной задачи [14, 21].

После обучения сеть становится нечувствительной к малым изменениям входных сигналов (шуму или вариациям входных образов) и дает правильный результат на выходе, т.е. приобретает способность к обобщению [22].

WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007 Одним из преимуществ искусственных нейронных сетей в сравнении с другими методами статистического анализа является высокая производительность обработки материала и реализуемость нейронных сетей [15, 16].

Практическая медицина – одна из самых популярных отраслей народного хозяйства, где использование компьютерных нейросетей находит большие возможности для внедрения [14, 21, 23].

В медицине компьютерные нейронные сети получают все большее распространение и используются для постановки или уточнения диагноза, выбора метода лечения и прогноза течения заболевания. В приложении к медицинской диагностике нейросети дают возможность значительно повысить специфичность метода, не снижая его чувствительности. Например, нейронная сеть, диагностирующая инфаркт, работает с большим набором параметров, влияние которых на постановку диагноза невозможно оценить. При этом нейросеть оказывается способной принимать решения, основываясь на выявляемых скрытых закономерностях в многомерных данных.

Диагностика является частным случаем классификации образов, причем наибольшую ценность представляет классификация тех образов, которые отсутствуют в наборе, обучающем нейросеть. В этом проявляется преимущество нейросетевых технологий – они способны осуществлять классификацию явлений, обобщая прежний опыт и применяя его в новых случаях. Широкое применение нейросетевые системы нашли в самых различных областях биологии и медицины, таких как физиология [24], кардиология [25], неврология [26, 27], онкология [28], офтальмология [23], иммунология [29], эпидемиология [27, 24] и многих других.

Одной из областей отечественной медицины, где еще недостаточно используются нейросети при обработке информации, несмотря на их большие возможности, является психиатрия. Однако такой опыт уже накапливается [30, 31, 32, 33, 34, 35].

Цель исследования выявление с использованием многослойной нейронной сети ведущих психопатологических синдромов в клинической картине хронического ПТСР и прогнозирующих его развитие.

Материалы и методы. Всего было добровольно обследовано 382 человека с признаками хронического посттравматического стрессового расстройства (ПТСР). Из них мужчин было 245 (64,14±2,45 %) человек, женщин – 137 (35,86±2,45 %). Средний возраст составил – 28,47±0,58 лет.

WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007 У всех субъектов в анамнезе выявлялись хронические психические травмы, которые в соответствии со шкалой тяжести психосоциальных стрессов можно было отнести к тяжелым, очень тяжелым и катастрофическим [36].

Респонденты были представлены двумя категориями: А) военные, неоднократно участвовавшие в антитеррористической кампании в Чеченской Республике (не менее чем через 6 месяцев после последнего выхода из зоны военных действий); Б) гражданские – в анамнезе у которых выявлены стрессы острого (после которых прошло не более 6 месяцев), либо хронического характера.

Всем им было добровольно проведено клиническое обследование, а также психометрическое – по «Миссисипской шкале» (МШ), применяемой для диагностики ПТСР, и по «Опроснику выраженности психопатологической симптоматики» (ОВПС) с целью изучения клинической картины расстройства [37].

По МШ вычислялась общая сумма баллов (до 70 баллов - «здоров», 70 и более – «ПТСР»). Результаты клинического обследования сопоставлялись с полученными данными по МШ.

По ОВПС определялись количественные показатели дистресса, а также синдромов:

SOM (соматизации), OC (обсессивно-компульсивного), DEP (депрессивного), ANX (тревожного), PHOB (фобического), PAR (паранойяльного), PSY (дереализациидеперсонализации). Полученные данные выражались двумя результирующими показателями: числовым индексом и его оценкой в виде заключения «болен» или «здоров», исходя из числовых значений, характерных для здоровых людей, приведенных в литературе [37].

У всех обследованных респондентов клинические признаки ПТСР выявлялись на протяжении не менее 3 месяцев, у многих пациентов – на протяжении 6 и более, что свидетельствовало о хроническом течении ПТСР [37].

В статистическую обработку результатов исследования входил расчет М – среднего арифметического значения для количественных показателей и Р – для качественных; m – ошибки среднего арифметического и доли; – доверительного интервала для среднего арифметического значения с вероятностью 0,95. При использовании параметрических методов статистического анализа предварительно определялось соответствие совокупностей закону нормального распределения. При соответствии данных нормальному распределению для их сравнения использовали t – критерий Стьюдента, в противном случае – критерии Вилкоксона, Манна-Уитни. Для установления линейной WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007 зависимости между изучаемыми признаками использовалась методика вычисления коэффициента линейной корреляции Пирсона.

Кроме того, был применен метод нейросетевого моделирования [14]. С этой целью использовалась многослойная нейронная сеть. Для решения поставленных задач в рамках компьютерной программной реализации была выбрана и использовалась прикладная программа «NeuroPro» Института вычислительного моделирования СО РАН, г.

Красноярск [38]. Структура данной программы оптимизирована для прикладного применения в различных отраслях народного хозяйства, в том числе в медицине [15].

Нейроимитатор «NeuroPro» обладает широким спектром возможностей, что позволило признать его удовлетворяющим потребностям проводимого исследования и возможности использования в качестве основного компьютерного программного обеспечения для построения нейросетевой модели прогнозирования развития ПТСР.

Результаты и обсуждение. Для получения клинических критериев диагностики, принятой в психиатрии (симптом, синдром, болезнь), первоначально была проанализирована взаимозависимость между показателями синдромов, полученных по ОВПС, и изучена их динамика.

Анализ показал, что значения изучаемых клинических синдромов имеют высокую прямую корреляционную связь (табл. 1). Такая высокая степень корреляции свидетельствует о синхронной динамике показателей клинических шкал. При увеличении числовых значений любого синдрома возрастали числовые значения и всех остальных синдромов.

Таблица 1 Значения коэффициента корреляции Пирсона между показателями клинических синдромов по ОВПС Синдромы Синдромы

SOM OC DEP ANX PHOB PAR PSY

Соматизации (SOM) - 0,78(**) 0,77(**) 0,84(**) 0,68(**) 0,64(**) 0,71(**) Обсессивно- 0,78(**) - 0,88(**) 0,91(**) 0,80(**) 0,77(**) 0,81(**) компульсивный (OC) Депрессивный (DEP) 0,77(**) 0,88(**) - 0,89(**) 0,80(**) 0,75(**) 0,83(**) Тревожный (ANX) 0,84(**) 0,91(**) 0,89(**) - 0,81(**) 0,73(**) 0,83(**) Фобический (PHOB) 0,68(**) 0,80(**) 0,80(**) 0,81(**) - 0,66(**) 0,75(**) Паранойяльный (PAR) 0,64(**) 0,77(**) 0,75(**) 0,73(**) 0,66(**) - 0,79(**) Дереализации-депер- 0,71(**) 0,81(**) 0,83(**) 0,83(**) 0,75(**) 0,79(**) сонализации (PSY) Примечание: ** - p 0,01 Числовые значения индексов всех клинических синдромов возрастали практически одновременно с небольшими колебаниями в большую или меньшую сторону.

WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007 Наибольшему колебанию были подвержены показатели паранойяльного (PAR) и дереализационно-деперсонализационного (PSY) синдромов, особенно при их высоких значениях. Полученные результаты позволили определить, что хроническое ПТСР – полисимптомное, расстройство, проявляющееся полиморфной клинической картиной. Это объясняет причину определенных трудностей у психиатров при диагностике хронического ПТСР. Поэтому выявление первичных (ведущих) клинических проявлений, синдромов характерных для данного расстройства, способствовало бы более точной диагностике. С целью решения данной задачи целесообразно использование таких нетривиальных статистических подходов и методов, каким является нейросетевое моделирование. Неоспоримым преимуществом искусственных нейронных сетей в данном случае является их возможность обнаруживать в системе и успешно моделировать такие формы взаимосвязей, которые недоступны при простом аналитическом изучении или использовании обычных статистических методов.

Исследование ПТСР с помощью нейросетей имело 2 задачи:

1) Выявление таких синдромов, которые имели бы однозначное влияние на формирование дистресса при ПТСР, т.е. были бы ведущими (первичными) синдромами в формировании клинической картины расстройства.

2) Отстранение тех синдромов, влияние которых на формирование дисстресса было вторичным.

Входными параметрами для искусственной нейронной сети были количественные показатели (индексы) клинических синдромов, а выходным, прогнозируемым в строящейся модели параметром, явился уровень дистресса (индекс GSI по ОВПС), являющийся результирующим показателем степени выраженности клинических признаков при ПТСР.

При создании проекта (макета) нейросети были установлены следующие параметры:

1. Число слоев нейронов – 10.

2. Число нейронов в одном слое – 100.

3. Функция трансформации сигнала – сигмоида.

4. Надежность прогноза выходных данных – 1 (максимальная).

5. Значение необучаемой константы – 1 (максимальное, для проявления лучших интерполяционных и экстраполяционных способностей у обученной сети).

Искусственная нейронная сеть была настроена на достижение наиболее эффективных результатов при построении клинической модели ПТСР.

WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007 В создаваемой модели реализована сеть слоистой архитектуры, в которой все нейроны были сгруппированы в 10 слоев, при этом нейроны внутри одного слоя работали параллельно. Каждый нейрон в слое принимал все выходные сигналы нейронов предыдущего слоя, а его выходной сигнал рассылался всем нейронам следующего слоя.

Каждый нейрон сети имеет адаптивный сумматор, вычисляющий взвешенную сумму приходящих на нейрон сигналов, и следующий за ним нелинейный элемент. Веса адаптивных связей при создании сети изначально принимают случайные значения и при обучении сети изменяются в диапазоне [-1,1].

Обучение нейронной сети проводилось на количественных показателях синдромов по ОВПС в виде набора векторов данных - 382 единицы наблюдения.

В каждом векторе данных в модели выделялись сигналы, которые подавались в сеть, и сигналы, которые требовалось получить от сети при заданных входных параметрах. Обучение сети строилось как минимизация функции отличий между ответом сети и требуемыми значениями. Минимизация выполнялась по всем векторам обучающего множества и происходила путем подстройки обучаемых параметров сети, в которой сеть выдавала выходной сигнал, наиболее близкий к требуемому. В процессе обучения были использованы градиентные методы, в которых градиент функции оценки по настраиваемым параметрам вычисляется по принципу двойственности, включающей вычисление в линейном приближении абсолютных величин изменения функции и оценки отличий при удалении из сети элемента или входного сигнала.

После завершения формального обучения, для достижения задачи построения клинической модели ПТСР было выполнено исключение наименее информативных входных сигналов (показателей отдельных синдромологических шкал), что осуществлялось за счет проведения упрощения нейронной сети, т.е. удаление из ее структур, не влияющих значительно (в пределах заданной точности) на результат нейронов и синапсов. Упрощение нейронной сети на основе вычисленных показателей значимости позволило отсеять малозначимые, "шумовые" входные сигналы, и оставить элементы, действительно необходимые для принятия моделью правильного решения, в соответствие с поставленной задачей.

Упрощение нейронной сети было произведено в следующих направлениях:

1. Сокращение числа входных сигналов – удаление наименее значимых входных сигналов и неоднородных входов. Удалено входов 4 из 7.

2. Сокращение числа нейронов – удаление наименее значимых нейронов сети.

Удалено нейронов 72 из 100 (среднее значение для слоя).

WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007

–  –  –

Упрощение нейронной сети позволило достичь менее сложной конфигурации модели, не теряя точности прогноза. Результаты обучения показали 100%-ю прогнозируемость выходных сигналов по данным обучения.

Анализ полученной нейронной сети показал, что клиническая картина данной модели хронического ПТСР определяется тремя ведущими синдромами дереализациидеперсонализации (PSY), обсессивно-компульсивным (ОC) и тревожным (ANX) (табл. 2).

Значимость синдромов по сравнению друг с другом принципиально не отличается.

Необходимо отметить, что показатели остальных синдромов на стадии упрощения были полностью исключены из модели.

Таким образом, согласно построенной нейросетевой модели, для развития клинической картины хронического ПТСР и ее динамики ключевое значение имеют синдромы (перечислены в порядке уменьшения значимости): дереализациидеперсонализации (PSY), обсессивно-компульсивный (ОC), тревожный (ANX), которые были обозначены, как первичные (базовые или ведущие) синдромы. Остальные синдромы депрессивный (DEP), фобический (PHOB), соматизации (SOM) и паранойяльный (PAR) являются вторичными.

Описанные выше результаты исследования позволили в дальнейшем выделить клинические стадии хронического ПТСР, исходя из соотношения и степени выраженности первичных и вторичных синдромов: стадию начальных клинических проявлений (легкая степень тяжести хронического ПТСР), невротическую стадию (средняя степень тяжести расстройства) и стадию психотизма (тяжелая степень хронического ПТСР) [39].

Выводы:

WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007

1. Применение методов нейросетевого моделирования целесообразно при проведении исследований в психиатрии, открывая новые возможности научных исследований.

2. С помощью нейросетевого моделирования выделены при хроническом ПТСР первичные синдромы (обсессивно-компульсивный, тревожный и дереализации-деперсонализации) и вторичные (депрессивный, соматизации, фобический и паранойяльный).

Литература.

1. Горбань, А. Н. Возможности нейронных сетей / А. Н. Горбань / Нейроинформатика. – Новосибирск: Наука, СО РАН, 1998. – 48 с.

2. Головко, В. А. Нейронные сети: обучение, организация и применение Кн. 4: Учеб.

пособие для вузов / Общ. ред. А.И. Галушкина. – М.: ИПРЖР, 2001. – 256 с.

3. Царегородцев В. Г. Зависимость между константой Липшица обучающей выборки и свойствами и скоростью обучения нейронной сети // Вычислительные технологии. – 2003. – Т. 7. – Региональный вестник Востока. – 2003, № 3 (Совм. выпуск. - Ч. 3). – С. 233

- 240.

4. Круглов, В. В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. – М.: Горячая Линия - Телеком, 2001. – 382 с.

5. Лоскутов, А. Нейросетевые алгоритмы прогнозирования и оптимизации систем / А.

Лоскутов, А. Назаров. – М.: Наука и Техника, 2004. – 384 с.

6. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6.: ДИАЛОГ-МИФИ, 2002. – 496 с.

7. Истодин, К. Самоорганизация и «самоуправляемые вычисления», инициатива IBM Research по «Autonomic Computing» / К. Истодин. - М.: Академия тринитаризма, 2003. – 84 c.

8. Оссовский, С. Нейронные сети для обработки информации / С. Осовский. - М.:

Финансы и статистика, 2002. – 218 c.

9. Искусственный интеллект. Базы знаний и экспертные системы / А. М. Дворянкин, А. В. Кизим, И. Г. Жукова и др. - Волгоград, 2003. – 140 с.

10. Девятников, В. В. Системы искусственного интеллекта / В. В. Девятников. - М.:

Изд-во МГТУ им. Н.Э. Баумана, 2001. – 116 c.

11. Контрастирование, оценка значимости параметров, оптимизация их значений и их интерпретация в нейронных сетях / С. Е. Гилев, Д. А. Коченов, Е. М. Миркес, Д. А.

WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007 Россиев // Нейроинформатика и ее приложения: Матер. III Всерос. семинара, 6-8 октября 1995. / Под ред. А. Н. Горбаня. - Красноярск: Изд-во КГТУ, 1995. – Ч. 1. - С. 66-78.

12. Комарцова, Л. Г. Нейрокомпьютеры / Л. Г. Комарцова, А. В. Максимов. - М.:

МГТУ им. Н. Э. Баумана, 2002. – 216 c.

13. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д.

Рутковская, М. Пилиньский, Л. Рутковский. – М.: Горячая Линия - Телеком, 2005. – 452 с.

14. Россиев, Д. А. Самообучающиеся нейросетевые экспертные системы в медицине:

теория, методология, инструментарий, внедрение: Автореф. дис. … д-ра мед. наук / Д. А.

Россиев. – Красноярск, 1995. – С. 29.

15. Царегородцев В. Г. Архитектура и требования к возможностям программынейроимитатора для решения современных индустриальных задач // Вычислительные технологии. – 2003. – Т. 7. – Региональный вестник Востока.– 2003, № 3. (Совм. выпуск. Ч. 3). – С. 220 - 226.

16. Царегородцев, В. Г. Редукция размеров нейросети не приводит к повышению обобщающих способностей / В. Г. Царегородцев // Нейроинформатика и её приложения:

Матер. XII Всерос. семинара, Красноярск, 2004. – С. 163-165.

17. Царегородцев, В. Г. Определение оптимального размера нейросети обратного распространения через сопоставление средних весов синапсов / В. Г. Царегородцев // Материалы XIV Международной конференции по нейрокибернетике. – Ростов / Дон, 2005. - Т.2. – С. 60-64.

18. Хайкин, С. Нейронные сети: Полный курс / С. Хайкин. - Вильямс, 2005. – 1104 с.

19. Аксенов О. Ю. Методика формирования обучающих выборок для распознающей системы / О.Ю. Аксенов // Нейроинформатика – 2004: науч. сессия МИФИ-2004: VI Всерос. конф. – 2004. – Ч. 2. – С. 215-222.

20. Истодин, К. Наваждение Геделя и «метафизика» самоприменимости / К. Истодин // М.: Академия тринитаризма, 2003. – 66 c.

21. Россиев, Д. А. Медицинская нейроинформатика / Д. А. Россиев // Нейроинформатика. - Новосибирск: Наука СО РАН, 1998. – 54 с.

22. Соколов, В. А. Определение характеристик гипермедиа объекта с применением нейросети / В. А. Соколов // Тез. докл. ежегодной науч.-техн. конф. студентов, аспирантов и молодых специалистов МИЭМ. - М.: МГИЭМ, 2003. – С. 67-68.

23. Россиев, Д. А. Нейросетевая диагностика и дифференциальная диагностика злокачественных опухолей сосудистой оболочки глаза / Д. А. Россиев, Е. В. Бутакова // WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007 Нейроинформатика и ее приложения: Матер. III Всерос. семинара, 6-8 октября 1995. / Под ред. А. Н.Горбаня. - Красноярск: Изд-во КГТУ, 1995. – Ч. 1. - С. 167-194.

24. Подтверждение с помощью нейросетевого классификатора существования гомеостатических уровней в группе практически здоровых людей / А. А. Савченко, Д. А.

Россиев, К. Г. Ноздрачев, С. А. Догадин // Нейроинформатика и ее приложения: Тез. докл.

Всерос. рабочего семинара, 7 - 10 октября 1994. – Красноярск, 1994. – С. 49.

25. Прогнозирование возникновения фибрилляции предсердий как осложнения инфаркта миокарда с помощью нейронных сетей / С. Е. Головенкин, Д. А. Россиев, Б. В.

Назаров и др. // Диагностика, информатика и метрология: Тез. науч.-техн. конф., г. СанктПетербург, 28-30 июня 1994. - СПб., 1994. – С. 349.

26. Народов, А. А. Оценка компенсаторных возможностей головного мозга при его органических поражениях с помощью искусственных нейронных сетей / А. А. Народов, Д.

А. Россиев, И. Г. Захматов // Молодые ученые - практическому здравоохранению. – Красноярск, 1994. – С. 30.

27. Савченко, А. А. Применение нейросетевого классификатора для изучения и диагностики вилюйского энцефалита / А. А. Савченко, Д. А. Россиев, Л. Б. Захарова // Нейроинформатика и нейрокомпьютеры: Тез. докл. рабочего семинара, Красноярск, 8-11 октября 1993. – Красноярск, 1993. – С. 17.

28. Горбань, А. Н. НейроКомп или 9 лет нейрокомпьютерных исследований в Красноярске / А. Н. Горбань // Актуальные проблемы информатики, прикладной математики и механики. - Новосибирск - Красноярск: Изд-во СО РАН, 1996. - Ч. 3. – С.

13-37.

29. Применение нейросетей для изучения и диагностики иммунодефицитных состояний / Д. А. Россиев, А. А. Савченко, С. Е. Гилев и др. // Нейроинформатика и нейрокомпьютеры: Тез. докл. рабочего семинара 8-11 октября 1993. - Красноярск: Ин-т биофизики СО РАН, 1993. – С. 32.

30. Обучаемые имитаторы нейрофизиологической активности / А. В. Андрейчиков, С.

И. Барцев, Л. Г. Смолянинова, А. А. Сумароков // Нейроинформатика и ее приложения:

Тез. докл. III Всерос. семинара. – Красноярск, 1995. – С. 36.

31. Барцев, С. И. Компьютерные нейросетевые модели мозга в изучении природы шизофрении / С. И. Барцев, Л. Г. Смолянинова, А. А. Сумароков // Сборник аннотированных отчетов Фонда Науки Красноярского края. – Красноярск, 1995. – С. 73WWW.MEDLINE.RU ТОМ 8, ПСИХИАТРИЯ, ДЕКАБРЬ 2007 Дата поступления: 20.09.2007

32. Прогнозирование выраженности психопатологической симптоматики ПТСР с помощью нейронных сетей с учителем / Н. Л. Бундало, Д. А. Абросов, Н. В. Решетникова, Л. А. Жуков // Нейроинформатика и ее приложения: Материалы ХII Всероссийского семинара. Красноярск, 1-3 октября 2004 г. / Под ред. А.Н. Горбаня, Е.М. Миркеса, ИВМ СО РАН. – Красноярск, 2004. – С. 26-27.

33. Выявление взаимосвязи клинических признаков (симптомов) на примере посттравматического стрессового расстройства с помощью нейронных сетей с учителем / Н. Л. Бундало, Л. А. Жуков, О. В. Корчевская, Н. В. Решетникова // Сибирское мед.

обозрение. – 2005. - №1. – С. 53-61.

34. Влияние выраженности психопатологической симптоматики с помощью нейронных сетей / О. В. Корчевская, Л. А. Жуков, Н. В. Решетникова Бундало Н.Л., Абросов Д.А. // Непрерывное экологическое образование и экологические проблемы: Сб.

ст. по матер. Всерос. науч.-практ. конф. – Т. 2. – Красноярск: СибГТУ, 2004. – С. 125 -129.

35. Сумароков, А. А. Соматогенные и психосоциальные факторы при шизофрении:

Автореф. дис… д-ра мед. наук / А. А. Сумароков. – Томск, 2002. – С. 35.

36. Каплан, Г. И. Клиническая психиатрия / Г. И. Каплан, Б. Дж. Сэдок. / Пер. с англ. В 2 т. – М.: Медицина, 1994. – Т. 1. – 672 с.

37. Тарабрина, Н. В. Практикум по психологии посттравматического стресса / Н. В.

Тарабрина.– СПб: Питер, 2001. – 272 с.

38. Царегородцев, В. Г. Нейроимитатор NeuroPro / В. Г. Царегородцев //

Нейроинформатика и ее приложения: Тез. докл. VI Всерос. семинара, 1998. – Красноярск:

КГТУ, 1998. – С. 189-191.

39. Заявка 2007101454/14 Российская Федерация, МПК А 61 И 5/16 от 15.01.2007 Способ диагностики посттравматического стрессового расстройства / Бундало Н. Л. //

Похожие работы:

«Химия растительного сырья. 2001. №3. С. 71–78. УДК 615.322:581.19 ХИМИЧЕСКОЕ ИССЛЕДОВАНИЕ ФЛАВОНОИДОВ ПОЛЫНИ ГОРЬКОЙ (ARTEMISIA ABSINTHIUM L.), П. СИВЕРСА (A. SIEVERSIANA WILLD.) И П. ЯКУТСКОЙ (A. JACUTICA DROB.) * Е.Н. Сальникова,...»

«ХИМИЯ РАСТИТЕЛЬНОГО СЫРЬЯ. 2011. №3. С. 137–142. УДК 547.972 ФЛАВОНОИДЫ НАДЗЕМНОЙ ЧАСТИ И КОРНЕЙ PSEUDOSOPHORA ALOPECUROIDES (L.) SWEET Э.Х. Ботиров1*, М.М. Тожибоев2, В.М. Боначева1, А.А. Дренин1...»

«МИНИСТЕРСТВО ЗДРАВООХРАНЕНИЯ РЕСПУБЛИКИ БЕЛАРУСЬ УТВЕРЖДАЮ Первый заместитель министра Д.Л. Пиневич 28.11.2012 г. Регистрационный № 155-1112 МЕТОД ЛЕЧЕНИЯ ДИСТАЛЬНОГО ПРИКУСА, СФОРМИРОВАННОГО ЗА СЧЕТ РЕТРОПОЛОЖЕНИЯ НИЖНЕЙ ЧЕЛЮСТИ, НЕСЪЕМНЫМИ АППАРАТАМИ ФУНКЦИОНАЛЬНОГО ДЕЙСТВИЯ инструкция по применению УЧРЕЖДЕНИЕ-РАЗ...»

«0 МОЛОДЕЖНЫЙ НАУЧНЫЙ ФОРУМ: ЕСТЕСТВЕННЫЕ И МЕДИЦИНСКИЕ НАУКИ Электронный сборник статей по материалам VIII студенческой международной заочной научно-практической конференции № 1 (8) Январь 2014 г. Издается с марта 201...»

«Министерство сельского хозяйства Российской Федерации Департамент научно-технологической политики и образования ФГБОУ ВО "Красноярский государственный аграрный университет" Институт прикладной биотехнологии и ветеринарной медицины Программа производственной практики для студентов по специальности 111100.62 –...»

«ФУТУРИЗМ И РУССКАЯ РЕВОЛЮЦИЯ Поликарпова Софья Павловна Санкт-Петербургская государственная академия ветеринарной медицины Электронная почта: Sofya.polikarpova.96@mail.ru Аннотация Как раньше, так и сейчас людей волновал вопрос дальнейш...»

«Государственное образовательное учреждение высшего профессионального образования "Курский государственный медицинский университет Федерального агентства по здравоохранению и социальному развитию" ЦЕНТРАЛЬНО-ЧЕРНОЗЕМНЫЙ НАУЧНЫЙ ЦЕНТР РАМН РОССИЙСКАЯ АКАДЕМИЯ ЕСТЕСТВЕННЫХ НАУК КУРСКИ...»

«1 ДУХОВНО-НРАВСТВЕННОЕ ВОСПИТАНИЕ МОЛОДЕЖИ – ПРОБЛЕМЫ И ПУТИ РЕШЕНИЯ Есауленко И.Э., Попов В.И. ГБОУ ВПО Воронежская государственная медицинская академия имени Н.Н. Бурденко Минздрава России Из всех творений самое прекрасное — получивший прекрасное воспитание человек. Эпиктет Демок...»









 
2017 www.doc.knigi-x.ru - «Бесплатная электронная библиотека - различные документы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.