Гибридный генетический алгоритм для идентификации параметров нелинейных моделей с ограничениями в задачах импеданса биоматериала

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.

1. Grimnes S., Martinsen О.G. Bioimpedance and Bioelectricity Basics. Academic Press, 2015. 490 p.

2. Корсунский Н.А. Биоимпедансный анализ в пульмонологии // Медицинские технологии. 2020. Т. 15, № 3. С. 45–52.

3. Fuks L.F., et al. Low-frequency impedance spectroscopy for extracellular matrix analysis // Annals of Biomedical Engineering. 2021. Vol. 49. P. 267–275.

4. Мультимодальный классификатор медицинского риска на основе многоэлектродного биоимпедансного преобразователя / А.В. Серебровский, Н.А. Корсунский, А.В. Лях, В.Н. Мишустин, О.В. Шаталова, Л.В. Шульга // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 3. С. 121-143. https://doi.org/10.21869/2223-1536-2024-14-3-121-143.

5. Корсунский Н.А. и др. Базовый отсчет в биоимпедансной диагностике // Вестник новых медицинских технологий. 2023. Т. 10, № 2. С. 112–118.

6. Корсунский Н.А. Нейросетевые методы в биомедицинской диагностике // Искусственный интеллект в медицине. 2022. Т. 8, № 4. С. 22–30.

7. Алгоритм оптимизации модели Войта в классификаторах функционального состояния живых систем / А.В. Мирошников, О.В. Шаталова, М.А. Ефремов, Н.С. Стадниченко, А.Ю. Новоселов, А.В. Павленко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т.12, № 2. С. 59-75. https://doi.org/10.21869/2223-1536-2022-12-2-59-75.

8. State-of-the-art in artificial neural network applications: A survey / I. A. Oludare, A. Jantan, V.D. Kemi, H. Asrshad // Heliyon. 2018. Vol. 4, № 11. P. 160–204. DOI 10.1016/j.heliyon.2018.e00938.

9. Метрологические аспекты автоматизированного метода измерения биоимпеданса / Е. А. Печерская, В. В. Антипенко, О. В. Карпанин [и др.] // Приборы, системы и изделия медицинского назначения. 2020. № 3 (33). С. 78–84.

10. Agrebi S., Larbi A. Use of artificial intelligence in infectious diseases // Medical Decision Makin. 2020. Vol. 6, № 3. P. 415 – 438. DOI 10.1016/B978-0-12-817133-2.00018-5.

11. Begoli E., Agrebi S., Larbi A. The need for uncertainty quantification in machine-assisted medical decision making // Nature Machine Intelligence. 2019. Vol. 1, № 1. P. 20 – 23. DOI 10.1038/s42256-018-0004-1.

12. Goldberg D.E. Genetic Algorithms in Optimization. Addison-Wesley, 1989. 412 p.7. National Instruments. PXIe-5122 User Manual. 2021. 87 p.

13. Martinsen О.G., et al. Instrumentation for bioimpedance spectroscopy // Journal of Electrical Bioimpedance. 2019. Vol. 10. P. 1–8. DOI: 10.2478/joeb-2019-0001

14. Nocedal J., Wright S. Numerical Optimization. Springer, 2006. 664 p.

15. Zhang Y., et al. Hybrid optimization in medicine // Journal of Computational Physics. 2021. Vol. 445. P. 110567. DOI: 10.1016/j.jcp.2021.110567

16. Sarvamangala D.R. Evolutionary algorithms in biomedical engineering // Evolutionary Intelligence. 2022. Vol. 15. P. 151–173. DOI: 10.1007/s12065-020-00540-3

17. Байбурин Р.Х. Биомедицинские датчики // Биомедицинские технологии. 2020. Т. 15. С. 34–40.

18. Rinaldi S., et al. Clinical validation of bioimpedance models // Medical Engineering & Physics. 2020. Vol. 85. P. 63–71.

19. Wu K., et al. Portable bioimpedance systems: Design and applications // Scientific Reports. 2022. Vol. 12. P. 6789. DOI: 10.1038/s41598-022-10888-4

20. Oludare I.A. et al. Adaptive filtering in bioimpedance signals // Heliyon. 2018. Vol. 4. P. e00938. DOI: 10.1016/j.heliyon.2018.e00938