Корсунский Никита Александрович – аспирант.
ул. 50 лет Октября, д. 94, Курск 305040
Nikita A. Korsunsky - Post-Graduate Student, Southwest State University.
50 Let Oktyabrya str. 94, Kursk 305040
Томакова Римма Александровна - доктор технических наук, профессор, профессор кафедры программной инженерии.
ул. 50 лет Октября, д. 94, Курск 305040
Researcher ID WoS O-6164-2015
Rimma A. Tomakova - Dr. of Sci. (Engineering), Professor, Professor of the Software Engineering Department, Southwest State University.
50 Let Oktyabrya str. 94, Kursk 305040
Researcher ID WoS O-6164-2015
Старков Вадим Артемович - студент кафедры программной инженерии.
ул. 50 лет Октября, д. 94, Курск 305040
Vadim A. Starkov - Student of the Software Engineering Department, Southwest State University.
50 Let Oktyabrya str. 94, Kursk 305040
Цель исследования. Цель исследования заключается в оценке эффективности гибридного алгоритма, сочетающего генетический алгоритм (ГА) и метод наименьших квадратов (МНК), предназначенный для идентификации параметров биоимпеданса в задачах диагностики легочных патологий. Основное внимание уделено повышению точности измерений (норма невязки ≤ 0.09) и разработке рекомендаций по интеграции метода в программно-аппаратные комплексы (ПАК) для биомедицинской диагностики.
Методы. Исследование выполнено на базе модуля E20-10 («L-Card»), формирующего синусоидальные сигналы, с использованием электродов ЭКГ. для минимизации паразитных емкостей. Параметры биоимпеданса идентифицированы с помощью гибридного алгоритма, в котором генетический поиск сочетался с методом наименьших квадратов, включая регуляризацию (λ=0.1). Анализ данных проводился методом Коула, а управление измерениями — через ПО, реализованное на Delphi, обеспечившее обработку сигналов в реальном времени.
Результаты направлены на создание основы для автоматизации интерпретации данных с использованием нейросетевых техно-логий, направленных для классификации заболеваний с точностью не менее 97.5%. На основе модуля E20-10 и комплекса, разработанного для измерения и биологического анализа. Среднее расстояние между данными модели и Xperiment составляет 4% (стандартное 0,09 бесчеловечно). Ошибка идентификации REXTRA не превышает 2,1%, что подтверждает надежность метода в условиях клинического вмешательства.
Заключение. Исследование подтвердило, что гибридный алгоритм обеспечивает высокую точность (норма невязки 0,09) и способность регенерировать при определении биологических параметров. Анализ характеристик амплитудной и частотной фазы, которые позволили разработать классификации, которые могут автоматизировать постановку диагноза заболевания легких. Результаты показали, что потенциал метода создания медицинского диагностического пакета, который может работать в режиме реального времени (1 сек на анализ). Тем не менее, для клинической реализации необходимы дополнительные исследования живых субъектов, а также адаптация алгоритмов с различными заболеваниями.
Purpose of research. The research objective is to evaluate the effectiveness of a hybrid algorithm combining a genetic algorithm (GA) and a least squares method (LSM) designed to identify bioimpedance parameters in the tasks of pulmonary pathology diagnostics. The main attention is paid to improving the measurement accuracy (the norm of the residual ≤ 0.09) and developing recommendations for integrating the method into software and.
Methods. The study was performed on the basis of the E20-10 module ("L-Card"), which generates sinusoidal signals using ECG electrodes. to minimize parasitic containers. The bioimpedance parameters were identified using a hybrid algorithm in which genetic search was combined with the least squares method, including regularization (λ=0.1). Data analysis was carried out using the Cole method, and measurement control was carried out through software implemented in Delphi, which provided real—time signal processing.
Results. Based on the E20-10 module and a complex developed for measurement and biological analysis. The average distance between the model data and Xperiment is 4% (standard deviation of 0.09). The REXTRA identification error does not exceed 2.1%, which confirms the reliability of the method in clinical settings.
Conclusion. The study has confirmed that the hybrid algorithm provides high accuracy (residual norm of 0.09) and the ability to regenerate when determining biological parameters. Analysis of the characteristics of the amplitude and frequency phase, which allowed the development of classifications that can automate the diagnosis of lung diseases. The results showed that the potential of the method is to create a medical diagnostic package that can work in real time (1 sec per analysis). However, additional research on living subjects is required for clinical implementation, as well as the adaptation of algorithms for various diseases.
The authors declare that there are no conflicts of interest present.