Интеллектуальный модуль анализа данных в информационных системах с помощью искусственных нейронный сетей

Об авторах:

Захаров Александр Анатольевич, доктор технических наук, заведующий базовой кафедрой «Безопасные ИТ умного города», Тюменский государственный университет; a.a.zakharov@utmn.ru

Оленников Евгений Александрович, кандидат технических наук, доцент, заведующий кафедрой информационной безопасности, Тюменский государственный университет; e.a.olennikov@utmn.ru

Паюсова Татьяна Игоревна, старший преподаватель кафедры информационной безопасности Института математики и компьютерных наук Тюменского государственного университета

Аннотация:

Целью данного исследования является разработка алгоритма определения оптимальной архитектуры искусственной нейронной сети для анализа медицинских и иных данных на основе эволюционного алгоритма, реализованного в рамках облачного сервиса, доступ к которому организован на базе протоколов Единой государственной информационной системы в сфере здравоохранения Российской Федерации. Нейросетевые методы и эволюционные алгоритмы относятся к эвристическим методам оптимизации. Принципы работы таких моделей и генетических алгоритмов основываются на процессах, происходящих в живой природе. Модели искусственных нейронных сетей позволяют решать задачи классификации, прогнозирования, регрессии. Генетические алгоритмы используются для решения задач оптимизации и моделирования. Авторами предложен алгоритм определения оптимальной нейросетевой архитектуры с помощью генетического алгоритма для анализа медицинских и иных данных, в котором объединение последнего с нейросетевой моделью является равноправным, поэтому оба метода применяются одновременно. Операторы генетического алгоритма используются для рекомбинаций решений-кандидатов, полученных с помощью работы нейросетевой модели. В ходе иследования был разработан облачный сервис, реализующий представленный алгоритм.

Список литературы:

1.             Гильманов А. А. Медицинские информационные системы. Использование информационных медицинских систем в управлении лечебно-профилактическим учреждением / А. А. Гильманов, В. Г. Шерпутовский, А. Н. Хисамутдинов. Казань: КГМУ, 2011.

2.             Единая государственная информационная система здравоохранения (ЕГИСЗ) // TADVISER, 2005-2015. URL: http://tadviser.ru/a/279359

3.             Захаров А. А. Научный анализ данных в медицинской информационной системе на примере определения факторов, влияющих на уровень С-реактивного белка с помощью нейронных сетей / А. А. Захаров, Е. А. Оленников, Т. И. Паюсова,
Т. И. Петелина, Н. А. Мусихина, Л. И. Гапон, И. В. Осипова, А. Г. Такканд,
О. Е. Белослудцева // Вестник ТюмГУ. 2014. № 7. С. 251-258.

4.             Мартынов А. В. Гибридный алгоритм решения задачи коммивояжера /
А. В. Мартынов, В. М. Курейчик // Известия ЮФУ. Технические науки. 2015. № 4 (165). URL: http://cyberleninka.ru/article/n/gibridnyy-algoritm-resheniya-zadachi-kommivoyazhera

5.             Паюсова Т. И. Алгоритм определения факторов, влияющих на уровень
C-реактивного белка у пациентов с ишемической болезнью сердца с помощью нейронных сетей / Т. И. Паюсова // Математическое и информационное моделирование: сборник научных трудов. Тюмень: Издательство ТюмГУ. 2015.
Вып. 14. С. 193-205.

6.             Проект дорожной карты по развитию ЕГИСЗ // Портал оперативного взаимодействия участников ЕГИСЗ. URL: http://portal.egisz.rosminzdrav.ru

7.             Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский; пер. с польск. И. Д. Рудинского. М.: Горячая линия — Телеком, 2006. 452 c.

8.             Требования к МИС по обеспечению взаимодействия с ФЭР. Описание интеграционных профилей // Портал оперативного взаимодействия участников ЕГИСЗ. URL: http://portal.egisz.rosminzdrav.ru/files

9.             Эльянов М. М. Медицинские информационные технологии: каталог / М. М. Эльянов, А. П. Баранов. М.: CapitalPress, 2012. Вып. 12. 320 с.

10.         Яхъяева Г. Э. Основы искусственных нейронных сетей. Материал из курса: Основы теории нейронных сетей. URL: http://cogsys.ru/sites/default/files/library/NeuroNets.pdf

11.         Baxt W. G. Use of an artificial neural network for the diagnosis of myocardial infarction / W. G. Baxt // Ann Intern Med. 1991. No 115. Pp. 843-848.
Doc: 10.7326/0003-4819-115-11-843.

12.         Chern H. Y. Cooperative Coevolution of Multi-Agent Systems / H. Y. Chern, R. Miikkulainen // Technical Report AI01-287. The University of Texas at Austin, 2001.

13.         Ding W. Autonomic nervous function and baroreflex sensitivity in hypertensive diabetic patients / W. Ding, L. Zhou, Y. Bao, Y. Yang, B. Lu // Acta Cardiol. 2011. No 66.
Pp. 465-470.

14.         Gomez F. J. Active Guidance for a Finless Rocket using Neuroevolution / F. J. Gomez, R. Miikkulainen // Proceedings of the Genetic Evolutionary Computation Conference (GECCO). 2003.

15.         Gomez F. J. Incremental evolution of complex general behavior / F. J. Gomez,
R. Miikkulainen // Adaptive Behavior. 1997. No 5. Рp. 317-342.

16.         Harrison R. F. Artificial neural network models for prediction of acute coronary syndromes using clinical data from the time of presentation / R. F. Harrison, R. L. Kennedy // Ann Emerg Med. 2005. No 46. Pp. 431-439. Doc. 10.1016/j.annemergmed.2004.09.012.

17.         Ottenbacher K. J. Comparison of logistic regression and neural network analysis applied to predicting living setting after hip fracture / K. J. Ottenbacher, R. T. Linn, P. M. Smith, S. B. Illig, M. Mancuso // Ann Epidemiol. 2004. No 14. Pp. 551-559.

18.         Whitley D. Genetic Algorithms and Neural Networks / D. Whitley // Genetic Algorithms in Engineering and Computer Science. John Wiley, 1995. Рp. 203-216.