РЕЗУЛЬТАТЫ МОДЕЛИРОВАНИЯ ДОЛЖНЫХ ВЕЛИЧИН СИЛЫ ДЫХАТЕЛЬНЫХ МЫШЦ НА ОСНОВЕ МЕТОДА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
PDF

Ключевые слова

должные величины силы дыхательных мышц
линейная регрессия
нейронные сети

Как цитировать

Гельцер, Б. И., Шахгельдян, К. И., Курпатов, И. Г., & Котельников, В. Н. (2018). РЕЗУЛЬТАТЫ МОДЕЛИРОВАНИЯ ДОЛЖНЫХ ВЕЛИЧИН СИЛЫ ДЫХАТЕЛЬНЫХ МЫШЦ НА ОСНОВЕ МЕТОДА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ. Российский физиологический журнал им. И. М. Сеченова, 104(9), 1065—1074. https://doi.org/10.7868/S0869813918090058

Аннотация

В работе представлены результаты сравнительного анализа моделей расчета должных величин силы дыхательных мышц, разработанных на основе методов многофакторной линейной регрессии и искусственных нейронных сетей. Было обследовано 356 здоровых лиц (162 мужчины и 194 женщины) в возрасте от 18 до 89 лет, у которых оценивали уровень максимального экспираторного, инспираторного давлений в ротовой полости и SNIP-тест на аппарате MicroRPM (Великобритания). Точность 18 ранее разработанных линейных регрессионных моделей и моделей, построенных авторами, определяли с помощью средней относительной ошибки аппроксимации (СООА) на обучающей и тестовой выборках. Показано, что использование нейронных сетей значительно повышает точность расчетов должных величин. Это особенно заметно в мужской популяции, где уровень СООА был в диапазоне от 10.3 до 14.2 %, что указывало на высокое качество моделей. Уровень СООА у женщин лишь немногим уступал аналогичным данным у мужчин и варьировал от 15.7 до 16.6 %. Анализ соотношений фактически измеренных и должных величин силы дыхательных мышц в реальном времени позволит оценить выраженность респираторной мышечной дисфункции и осуществлять своевременную коррекцию нарушенных функций.
https://doi.org/10.7868/S0869813918090058
PDF

Литература

Авдеев С. Н. Оценка силы дыхательных мышц в клинической практике. Пульмонология и аллергология. 4: 12—17. 2008.

Гельцер Б. И., Курпатов И. Г., Котельников В. Н. Силовые характеристики дыхательных мышц у здоровых лиц: возрастные, гендерные и конституциональные особенности. Рос. физиол. журн. им. И. М. Сеченова. 103 (12): 1425—1433. 2017.

Кабаков Р. И. R в действии. Анализ и визуализация данных в программе R. Пер. с англ. П. А. Волковой. М. ДМК Пресс. 2014.

Мун С. А., Глушов А. Н., Штернис Т. А., Ларин С. А., Максимов С. А. Регрессионный анализ в медико-биологических исследованиях. Кемерово. КемГМА. 2012.

American Thoracic Society/European Respirotory Society. ARS/ERS statement on respiratory muscle testing. Am. J. Respir. Crit. Care Med. 166: 518—624. 2002.

Anastasiadis A., Magoulas G., Vrahatis V. New globally convergent training scheme based on the resilient propagation algorithm. Neurocomputing. 16: 253—270. 2005.

Black L. F., Hyatt R. E. Maximal respiratory pressures: normal values and relationship to age and sex. Am. Rev. Respir. Disease. 99: 696—702. 1969.

Evans J. A., Whitelaw W. A. The assessment of maximal respiratory mouth pressures in adults. Respir. Сare. 54 (10): 1348—1359. 2009.

Flach P. Machine learning. The art and science of algorithms that make sense of data. Cambridge University Press. 2012.

Gopalakrishna A., Vaishali K., Prem V., Aaron P. Normative values for maximal respiratory pressures in an Indian Mangalore population: A cross-sectional pilot study. Lung India. 28(4): 247—252. 2011.

Hyndman R. J., Athanasopoulos G. Forecasting: principles and practice. Sydney. Otexts. 2013.

Nikoletou D., Rafferty G., Man W. D., Mustfa N. et al. Sniff nasal inspiratory pressure in patients with moderate-to-severe chronic obstructive pulmonary disease: learning effect and short-term between-session repeatability. Respiration. 88 (5): 365—370. 2014.

O’Conner R., Segers L. S., Morris K. F., Nuding S. C. et al. A joint computational respiratory neural network-biomechanical model for breathing and warway defensive behaviors. Front. Physiol. 3: 1—28. 2012.

Perchiazzi G., Ryander Ch., Pallegrini M., Hogman M. et al. Monitoring of total positive end-expiratory pressure during mechanical ventilation by artificial neural networks. J. Сlin. Monitoring Сomputing. 31(3): 551—559. 2017.

Riedmiller M. Advanced supervised learning in multi-layer perceptrons — from backpropagation to adaptive learning algorithms. Intern. J. Computer Standards Interfaces. 16: 265— 278. 1994.

Uldrey Ch., Fitting J. W. C in healthy subjects. Thorax. 50 (4): 371—375. 1995.

Wilson S. H., Cooke N. T., Edwards R. H., Spiro S. G. Predicted normal values for maximal respiratory pressures in caucasian adults and children. Thorax. 39 (7): 535—538. 1984.

Zuur A. F., Ieno E. N., Elphick C. S. A protocol for data exploration to avoid common statistical problems. Methods Ecology Evolution. 1: 3—14. 2010.