RU2257845C2 - Способ дифференциальной диагностики вида атаксии - Google Patents
Способ дифференциальной диагностики вида атаксии Download PDFInfo
- Publication number
- RU2257845C2 RU2257845C2 RU2002105928/14A RU2002105928A RU2257845C2 RU 2257845 C2 RU2257845 C2 RU 2257845C2 RU 2002105928/14 A RU2002105928/14 A RU 2002105928/14A RU 2002105928 A RU2002105928 A RU 2002105928A RU 2257845 C2 RU2257845 C2 RU 2257845C2
- Authority
- RU
- Russia
- Prior art keywords
- ataxia
- coefficient
- vector
- classification
- statokinesiogram
- Prior art date
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
Изобретение относится к области медицины, а именно к неврологии. Проводят тестирование на стабилографической платформе при выполнении обследуемым заданий по поддержанию вертикальной позы. При выполнении каждого задания фиксируют и измеряют траекторию движения центра давления тела на платформу. Затем полученную статокинезиограмму анализируют с помощью векторного анализа и определяют нормированную площадь статокинезиограммы, средний радиус отклонения тела, показатель качества функции равновесия в виде коэффициента λ экспоненциальной зависимости f(n)=1-еλn, относительной частоты вершин векторов в равных по площадям концентрических зонах статокинезиограммы, нарастающую площадь вектора, коэффициент резкого изменения направления движения, средние линейные и угловые скорости и ускорения, а также коэффициенты асимметрии угловой скорости и ускорения. Затем, используя статистический метод деревьев классификации, диагностируют вид атаксии. Способ расширяет арсенал диагностических средств для определения вида атаксии. 8 табл. 4 ил.
Description
Изобретение относится к области медицинской диагностики и позволяет установить характер такого недостаточно изученного заболевания центральной нервной системы, как атаксия.
Для оценки новизны и изобретательского уровня заявленного решения рассмотрим ряд известных технических средств аналогичного назначения.
Известны способы оценки функционального и морфологического состояния центральной нервной системы, представляющие собой, как правило, сложнейшие дорогостоящие лабораторные и компьютерные комплексы, требующие наложения на пациента огромного количества электродов, инвазивных вмешательств и значительного времени на проведение обследования, см., например, патент РФ №2016543, А 61 М 5/05.
Известен способ качественной оценки функции равновесия, включающий векторный анализ статокинезиограммы, полученной при тестировании обследуемого человека на стабилографической платформе, и формирование показателя, характеризующего способность человека сохранять равновесие, суть которого заключается в том, что вершины всех векторов, предварительно приведенные в центр оси координат, разделяют концентрическими кругами равной площади на несколько зон, после чего определяют количество вершин векторов в каждой зоне, затем определяют относительную частоту вершин векторов в каждой зоне и строят график кумулятивной зависимости относительной частоты вершин векторов в зоне от порядкового номера зоны, после чего аппроксимируют полученный график по экспоненциальному закону f(n)=1-еλn, при этом коэффициент λ принимают за показатель, характеризующий качество функции равновесия, см. патент РФ №2175851.
Известен способ оценки общего функционального состояния человека, включающий тестирование обследуемого человека на стабилографической платформе, съем, запись и анализ стабилографических показателей и формирование конечной оценки общего функционального состояния, согласно которому тестирование проводят в несколько этапов с разной степенью сложности выполняемых человеком заданий по поддержанию вертикальной позы, моделирующих различное количество получаемой человеком информации и степень экстремальности ситуации, измеряют и фиксируют траекторию движения центра давления тела человека на стабилографическую платформу, после чего анализируют траекторию движения центра давления путем векторного анализа полученной статокинезиограммы, формируют интегральный показатель качества функции равновесия в виде коэффициента λ экспоненциальной зависимости f(n)=1-еλn, аппроксимирующей график кумулятивной зависимости относительной частоты вершин векторов в равных по площади концентрических зонах статокинезиограммы, сравнивают показатель качества функции равновесия с заранее заданным значением или интервалом значений и по результатам сравнения делают вывод об общем функциональном состоянии человека, см. патент РФ №2165733.
По наибольшему количеству сходных признаков и достигаемому при использовании результату данное техническое решение выбрано в качестве прототипа заявляемого изобретения.
Стабилография пока не нашла применения в качестве метода автоматизированной дифференциальной диагностики различных заболеваний центральной нервной системы. Она рассматривается преимущественно как метод количественного пространственно-временного анализа поддержания человеком вертикальной позы в биомеханике, физиологии, диагностике заболеваний вестибулярного аппарата и неврологии. Тем не менее функция равновесия тела человека является одной из базисных и интегральных в организме. Качество функции равновесия индивидуально для каждого человека. В зависимости от различных заболеваний центральной нервной системы организма параметры функции равновесия изменяются весьма характерно.
Недостатком прототипа, также как и других известных методов диагностики, является отсутствие возможности автоматизированного математического диагностирования различных заболеваний центральной нервной системы по результатам анализа стабилометрической информации, что не позволяет достоверно установить у обследуемого человека характер одного из многочисленных видов атаксии, природа которой изучена еще недостаточно.
Задачей изобретения является автоматизированная дифференциальная диагностика характера атаксии по комплексу показателей векторного анализа статокинезиометрической информации с гарантированной возможностью определения принадлежности конкретного обследуемого к одной из известных групп атаксии центрального происхождения (вестибулярная, мозжечковая, сенситивная) в зависимости от значений набора его параметров статокинезиограммы.
Сущность заявляемого изобретения выражается в следующей совокупности существенных признаков, достаточной для достижения указанного выше технического результата.
Согласно изобретению способ дифференциальной диагностики характера атаксии, включающий тестирование обследуемого человека на стабилографической платформе, регистрацию и анализ стабилографических показателей и последующую автоматизированную диагностику, характеризующийся тем, что тестирование проводят в несколько этапов с разной степенью сложности выполняемых обследуемым человеком заданий по поддержанию на стабилографической платформе вертикальной позы, при этом на каждом этапе измеряют и фиксируют траекторию движения центра давления обследуемого тела человека на стабилографическую платформу, затем полученную статокинезиограмму анализируют с помощью векторного анализа и определяют показатели характера движения тела обследуемого человека, после чего с использованием метода деревьев классификации устанавливают наиболее вероятный характер атаксии обследуемого человека.
В этом заключается совокупность существенных признаков, обеспечивающая получение технического результата во всех случаях, на которые распространяется испрашиваемый объем правовой охраны.
Кроме этого, заявленное решение имеет факультативные признаки, характеризующие его частные случаи, конкретные формы его материального воплощения либо особые условия его использования, а именно:
- первый этап тестирования проводят в течение 20 секунд с открытыми глазами, второй этап тестирования проводят в течение 20 секунд с закрытыми глазами, на третьем этапе обследуемому человеку предлагают в течение 20 секунд минимизировать колебания центра давления своего тела на стабилографическую платформу с использованием зрительной биологической обратной связи, на четвертом этапе обследуемому человеку предлагают с использованием биологической обратной связи в течение 20 секунд совершить плавное перемещение центра давления своего тела на стабилографическую платформу по кругу по часовой и против часовой стрелки,
- с помощью векторного анализа определяют нормированную длину статокинезиограммы, среднюю скорость, нормированную площадь статокинезиограммы, средний радиус отклонения тела, коэффициент изменения функции линейной скорости λ экспоненциальной зависимости f(n)=1-еλn, аппроксимирующей график кумулятивной зависимости относительной частоты вершин векторов в равных по площади концентрических зонах статокинезиограммы, сравнивают показатель качества функции равновесия с заранее заданным значением или интервалом значений, качество функции равновесия - процентное отношение площади S1, ограниченной экспоненциальной зависимостью f(n)=1-еλn и осью абсцисс, и площади S2, ограниченной асимптотой данной экспоненциальной зависимости и осями координат, нарастающую площадь вектора, коэффициент резкого изменения направления движения, среднюю линейную скорость, амплитуду изменения линейной скорости, период линейной скорости, среднее линейное ускорение, амплитуду изменения линейного ускорения, период изменения линейного ускорения, среднюю угловую скорость, коэффициент изменения угловой скорости по модулю, среднее угловое ускорение, коэффициент асимметрии углового ускорения.
Заявленное техническое решение является новым, так как характеризуется наличием новой совокупности признаков, отсутствующей во всех известных нам объектах техники аналогичного назначения.
Непосредственный технический результат, который может быть получен при реализации заявленной совокупности признаков, заключается в новом методе тестирования, в получении нового набора показателей и в использовании нового способа анализа стабилографической информации.
Получение упомянутого технического результата обеспечивает появление у объекта изобретения в целом ряда новых полезных свойств, а именно обеспечение возможности определения принадлежности заболевания обследуемого человека к одному из ранее известных классов атаксии в зависимости от значений определенного набора признаков статокинезиограммы обследуемого.
Указанное позволяет признать заявленное техническое решение соответствующим критерию "изобретательский уровень".
Сущность изобретения поясняется графическими материалами, где на фиг.1-4 изображены деревья дифференциальной диагностики атаксии по данным соответственно первой - четвертой проб.
Способ реализуют следующим образом.
Датчиком, с помощью которого происходит съем информации, является стабилографическая платформа. С ее помощью измеряются координаты центра давления испытуемого человека на плоскость опоры платформы. ПЭВМ, входящая в исследовательский комплекс, производит анализ траектории перемещения центра давления (статокинезиограммы) с помощью специальной программы с использованием метода векторного анализа. Рассчитываются стабилографические показатели: ДЛН (нормированная длина статокинезиограммы - средняя скорость, мм/с), ПЛЩД (нормированная площадь статокинезиограммы, мм2/с), СРРАД (средний радиус отклонения тела, мм), КИФЛС (коэффициент изменения функции линейной скорости λ экспоненциальной зависимости f(n)=1-еλn, аппроксимирующей график кумулятивной зависимости относительной частоты вершин векторов в равных по площади концентрических зонах статокинезиограммы, сравнивают показатель качества функции равновесия с заранее заданным значением или интервалом значений), КФР (качество функции равновесия в виде процентного отношения площади S1, ограниченной экспоненциальной зависимостью f(n)=1-еλn и осью абсцисс, и площади S2, ограниченной асимптотой данной экспоненциальной зависимости и осями координат, НПВ (нарастающая площадь вектора в с), КРИНД (коэффициент - % резкого изменения направления движения, >45°, ЛСС (линейная скорость средняя), АЛС (амплитуда изменения линейной скорости), ПЛС (период линейной скорости), ЛУС (линейное ускорение среднее), АЛУ (амплитуда изменения линейного ускорения), ПЛУ (период изменения линейного ускорения), УСС (угловая скорость средняя), КАУС (коэффициент изменения угловой скорости в % по модулю), УУС (угловое ускорение среднее), КАУУ (коэффициент асимметрии углового ускорения в %).
Тестирование проводят в несколько этапов с разной степенью сложности выполняемых человеком заданий по поддержанию вертикальной позы, моделирующих на каждом этапе различное количество получаемой человеком информации и степень экстремальности ситуации. Испытуемый человек становится на стабилографическую платформу и, сохраняя вертикальную позу, стоит на ней в течение 20 секунд сначала с открытыми глазами. Этот первый этап эквивалентен работе человека при условии достаточного количества внешней сенсорной информации. Второй этап длится также 20 секунд, но с закрытыми глазами. Этот этап моделирует работу человека в условиях недостатка зрительной информации. Третий этап тестирования заключается в том, что, глядя на экран монитора, человек в течение 20 секунд пытается минимизировать колебания перемещения центра давления своего тела на стабилографическую платформу, наблюдая за маркером, отражающим координаты его тела (используется зрительная биологическая обратная связь). Этот этап эквивалентен экстремальной ситуации. На четвертом этапе тестирования человеку предлагают с использованием биологической обратной связи в течение 20 секунд совершить плавное перемещение центра давления своего тела на стабилографическую платформу по кругу сначала по часовой, а затем против часовой стрелки. Обследуемый во время движения пытается совмещать «свой» маркер с маркером, задающим круговую траекторию движения. В такой ситуации оцениваются характеристики активного следящего движения тела человека.
На каждом этапе тестирования измеряют и фиксируют траекторию движения центра давления тела человека на стабилографическую платформу, после чего анализируют траекторию движения центра давления (статокинезиограммы) путем векторного анализа. На оси координат статокинезиограммы точками отмечают вершины всех векторов, начала которых предварительно приводят в центр оси координат. В результате определяют следующие показатели характера движения тела обследуемого человека:
- коэффициент изменения функции линейной скорости, КИФЛС;
- нормированная площадь векторограммы, НПВ;
- количество резких изменений направления движения, КРИНД;
- линейная скорость средняя, ЛСС;
- амплитуда изменения линейной скорости, АЛС;
- период изменения линейной скорости, ПЛС;
- линейное ускорение среднее, ЛУС;
- амплитуда изменения линейного ускорения, АЛУ;
- период изменения линейного ускорения, ПЛУ;
- угловая скорость средняя, УСС;
- амплитуда изменения угловой скорости, АУС;
- период изменения угловой скорости, ПУС;
- коэффициент асимметрии угловой скорости, КАУС;
- угловое ускорение среднее, УУС;
- амплитуда изменения углового ускорения, АУУ;
- период изменения углового ускорения, ПУУ;
- коэффициент асимметрии углового ускорения, КАУУ;
- нормированная длина статокинезиограммы, ДЛН;
- нормированная площадь статокинезиограммы, ПЛЩД;
- средний радиус отклонения тела, СРРАД.
После этого используют метод деревьев классификации, с помощью которого устанавливают наиболее вероятный характер атаксии.
Рассмотрим подробнее особенности метода деревьев классификации, позволяющие использовать его для достижения поставленной нами задачи. Отличительными чертами описываемого метода являются его иерархическая природа и гибкость. Процедуры принятия решения дискриминантного анализа и деревьев классификации выглядят похожими, так в обеих участвуют решающие уравнения и коэффициенты. Однако имеется принципиальное различие между одновременным принятием решения в дискриминантном анализе и последовательным (иерархическим) в методе деревьев классификации, заключающееся в выполнении регрессии. Иерархическую структуру дерева классификации легко себе уяснить, сравнив используемую при нем процедуру принятия решения с тем, что происходит при проведении дискриминантного анализа. Классический линейный дискриминантный анализ данных выдает набор коэффициентов, задающих вполне определенные линейные комбинации предиктных показателей по числу прогнозируемых классов. По максимальному значению рассчитанных уравнений определяют группу (класс), к которой необходимо отнести классифицируемый объект. Значение дискриминантных функций для каждого объекта будет вычисляться как комбинация результатов измерений предиктных переменных с весами, которые задаются соответствующими коэффициентами дискриминантной функции. При этом в расчет одновременно принимаются значения всех предиктных переменных.
Процедура принятия решения в методе деревьев классификации имеет иерархический вид: пусть имеются пороговые значения признаков Р, А и Т, а также конкретные значения признаков р, а и t и исследуемый объект следует отнести к одной из двух групп, тогда правило формулируется так: "Если р - Р меньше или равно нулю, то исследуемый объект следует отнести в группу 1, иначе если а - А меньше или равно нулю, то исследуемый объект следует отнести в группу 1, иначе если t - Т меньше или равно нулю, то исследуемый объект следует отнести в группу 1, иначе исследуемый объект следует отнести в группу 2.
В рассматриваемом примере риск представляет собой дихотомическую зависимую переменную, и прогнозирование с помощью дискриминантного анализа осуществляется путем одновременной множественной регрессии риска на три предиктных переменных для всех пациентов. С другой стороны, прогнозирование методом деревьев классификации состоит из трех отдельных последовательных этапов простого регрессионного анализа: сначала берется регрессия риска на переменную Р, затем - на переменную А, если задача не решена на первом шаге, и наконец - на переменную Т, если задача не решена на втором шаге.
Здесь отчетливо проявляется различие одновременного принятия решения в дискриминантном анализе и последовательного (иерархического) - в методе деревьев классификации. Рекурсивность метода деревьев классификации заключается в возможности повторного использования отдельных предиктных признаков.
Другая отличительная черта метода деревьев классификации - это присущая ему гибкость. Это выражается в уже отмеченной способности метода деревьев классификации последовательно изучать эффект влияния отдельных переменных. Есть еще целый ряд причин, делающих метод деревьев классификации более гибким средством, чем традиционные методы анализа. Способность метода деревьев классификации выполнять одномерное ветвление для анализа вклада отдельных переменных дает возможность работать с предиктными переменными различных типов, как количественными, так и качественными. Таким образом, при построении одномерных ветвлений метод деревьев классификации позволяет использовать для ветвления как непрерывные, так и категорированные переменные. Иными словами, на способ измерения предиктной переменной накладываются гораздо более слабые ограничения.
В линейном дискриминантном анализе количество линейных дискриминантных функций равно числу классов зависимой переменной. Обязательным условием применения дискриминантного анализа является наличие линейной связи между предиктными признаками и классифицирующим. При рекурсивном подходе, который используется в методе деревьев классификации, этого ограничения нет. Например, для десяти предиктных переменных и всего двух классов зависимой переменной можно использовать десятки последовательных ветвлений по линейным комбинациям. Это выгодно отличается только от двух ветвлений по линейным комбинациям, предлагаемым в данном случае традиционным нерекурсивным линейным дискриминантным анализом. При этом значительная часть информации, содержащейся в предиктных переменных, может остаться неиспользованной. Метод деревьев классификации подробно описан в литературе по математическому анализу.
Таким образом, метод деревьев классификации является альтернативным методу дискриминантного анализа и позволяет повысить эффективность и вероятность диагностирования характера атаксии по характеристикам стабилограммы. Для выработки решающего правила классификации больных с различными видами атаксии использовался модуль Деревья классификации (Classification Trees) ППП Statistica 5.5 for Windows. Для построения модели использовались все характеристики стабилограммы, полученные при четырех пробах и включенные в матрицу исходных данных. Классифицирующим признаком являются группы обследованных с помощью стабилограммы:
- здоровые - 1 группа;
- больные с лабиринтной атаксией - 2 группа;
- больные с мозжечковой атаксией - 3 группа;
- больные с сенситивной атаксией - 4 группа.
Рассмотрим вариант прогноза характера атаксии по результатам первой пробы
В результате компьютерной обработки с помощью метода деревьев классификации из 20 первично учтенных характеристик в окончательную реверсивную модель прогноза характера атаксии оказались включенными следующие 11 характеристик стабилограммы:
- нарастающая площадь вектора, НПВ;
- период угловой скорости, ПУС;
- линейное ускорение среднее, ЛУС;
- период линейной скорости, ПЛС;
- коэффициент асимметрии угловой скорости, КАУС;
- средний радиус, СРРАД;
- период линейного ускорения, ПЛУ;
- амплитуда углового ускорения, АУУ;
- угловое ускорение среднее, УУС;
- количество резких изменений направления движения, КРИНД;
- коэффициент асимметрии угловой скорости, КАУС.
Последовательность решения задачи и значения коэффициентов модели приведены в таблице 1, дерево классификации - на фиг.1, матрица классификации данных исследования - в таблице 2.
Для более полного представления о методе деревьев классификации рассмотрим детальнее данные, представленные на фиг.1 и в таблице 1, которые являются идентичными друг другу. Одновременное представление данных в табличном и графическом видах обусловлено тем, что на графике наглядно прослеживается путь дифференциальной диагностики по данным конкретного исследования, а в таблице более наглядно отражена последовательность выработки решающего правила.
В начале выработки решающего правила по данным обучающей матрицы все объекты относятся к одному классу и размещаются на первом узле. В нашем случае все больные 2 (12 человек), 3 (18 человек) и 4 (15 человек) групп, а также здоровые - 1 группа (21 человек) отнесены к первой группе. Задача, решаемая на первом узле дерева, заключается в том, чтобы по значению одного наиболее значимого из предиктных признаков произвести деление всей совокупности наблюдений на две группы. У нас таким признаком явилась нарастающая площадь вектора (НПВ) со значением 1,495. Все обследуемые лица, у которых НПВ 1,495 (30 человек), относятся по левому плечу на узел 2 в группу 1, а те обследуемые, у которых показатель НПВ имел значение больше чем 1,495 (36 человек), по правому плечу относятся на узел 3 в группу 4. Таким образом, состоялось первое ветвление, за которым следует второе по другим признакам.
Так 36 человек с четвертого узла разделились следующим образом: те обследуемые, у которых признак линейное ускорение среднее (ЛУС) ≤ 0,56 (26 человек) относятся по левому плечу на узел 6 в группу 4. Те обследуемые, у которых признак линейное ускорение среднее (ЛУС) > 0,56 (10 человек) относятся по правому плечу на терминальный, не имеющий последующего деления узел 7 в группу 3, которая для них является окончательной. Т.е. эти 10 человек в соответствии с выработанным решающим правилом отнесены в группу больных с мозжечковой атаксией.
Классификация завершается с последним ветвлением и последним терминальным узлом. При этом некоторые признаки могут использоваться несколько раз с разными значениями - рекурсивно. Так признак НПВ использовался при ветвлении с первого узла и 17, ЛУС - с 3, 8 и 11.
Как следует из таблицы 1 и фиг.1, такие характеристики, как нарастающая площадь вектора, линейное ускорение среднее, амплитуда углового ускорения, принимают участие в классификации рекурсивно дважды с разными коэффициентами, а линейное ускорение среднее - трижды.
Рассмотрим методику диагностики характера атаксии на двух примерах.
Пример 1.
У здорового пациента определены следующие характеристики стабилографических признаков, включенных в модель: НПВ=0,73; ПУС=1,88; ЛУС=0,17; ПЛС=0,68; КАУС=-11,5; СРРАД=8,97; ПЛУ=0,4; АУУ=1,08; УУС=0,7; КРИНД=17,21. Поскольку наблюдаемое значение НПВ=0,73 меньше его коэффициента в модели (1,495) на первом узле, пациента следует отнести в группу здоровых на узел 2; ПУС больше его коэффициента на узле 2 (1,88>1,755) - последующий узел 5 - группа здоровых. КАУС=-11,5 меньше чем его коэффициент на узле 5 (-1,5), пациента отнесем в группу 1 на 10 узел; ПЛУ=0,4, что больше критического = 0,435, пациента отнесем в группу 1 на 17 узел, на котором значение коэффициента НПВ=0,79, что больше наблюдаемого значения, и пациента следует отнести к первой группе на 24 узел. Этот узел является терминальным, классификация завершается и обследуемого пациента следует отнести в группу здоровых. Таким образом, наблюдение и прогноз совпали.
Пример 2.
У больного с мозжечковой атаксией выявлены следующие характеристики стабилографических признаков, включенных в модель: НПВ=2,08; ПУС=1,89; ЛУС=0,23; ПЛС=0,83; КАУС=-6; СРРАД=14,7; ПЛУ=0,39; АУУ=1,11; УУС=0,6; КРИНД=15,96. Поскольку НПВ=2,08 больше коэффициента 1,495 на первом узле, пациента следует отнести в группу больных с сенситивной атаксией на узел 3; ЛУС меньше его коэффициента на узле 3 (0,23<0,56) - переход на узел 6 в группу больных с сенситивной атаксией; СРРАД=14,7, что меньше коэффициента =15,565, вследствие чего переходим к узлу 12 в группу больных с мозжечковой атаксией; АУУ=1,11 - переход на узел 21 в группу больных с мозжечковой атаксией, так как значение коэффициента меньше наблюдаемого; КРИНД=15,96, что превышает значение модельного коэффициента и предопределяет переход к 27 узлу и, следовательно, пациента следует отнести в группу больных с мозжечковой атаксией; КАУС=-6 больше чем его коэффициент на 27 узле = -14,75 - перейдем к 31 (терминальному) узлу и окончательно пациента отнесем в группу больных с мозжечковой атаксией. И этот прогноз соответствует наблюдению в опыте.
| Таблица 2. | ||||||
| Классификационная матрица данных исследования при первой пробе | ||||||
| Вид атаксии | % соответствия прогноза опыту | Норма | Лабиринтная | Мозжечковая | Сенситивная | Всего |
| Норма | 100,00 | 21 | 21 | |||
| Лабиринтная | 91,67 | 11 | 1 | 12 | ||
| Мозжечковая | 94,44 | 17 | 1 | 18 | ||
| Сенситивная | 100 | 15 | 15 | |||
| Всего | 96,67 | 21 | 11 | 18 | 16 | 66 |
В таблице 2 по строкам приведена классификация соответственно базе данных, а по столбцам - классификация соответственно прогнозу. Как следует из таблицы 2, информационная способность модели, выработанной по данным перовой пробы методом деревьев классификации, обладает достаточно высокой информационной способностью, равной 96,67%.
Рассмотрим вариант прогноза характера атаксии по результатам второй пробы.
В окончательную реверсивную модель прогноза вида атаксии оказались включенными следующие 9 характеристик из 20, определяемых по результатам анализа статокинезиограммы:
- коэффициент изменения функции линейной скорости, КИФЛС;
- площадь, ПЛЩД;
- угловое ускорение среднее, УУС;
- период линейной скорости, ПЛС;
- коэффициент амплитуды углового ускорения, КАУУ;
- амплитуда углового ускорения, АУУ;
- количество резких изменений направления движения, КРИНД;
- период угловой скорости, ПУС;
- нарастающая площадь вектора, НПВ.
Последовательность решения задачи и значения коэффициентов модели приведены в таблице 3, дерево классификации - на фиг.2, матрица классификации данных исследования - в таблице 4.
| Таблица 3. | |||||||||
| Последовательность решения задачи классификации по данным второй пробы | |||||||||
| № п. |
Левое плечо | Правое плечо | Номер наблюдаемой группы | Группа прогноза | Классификационный признак | ||||
| 1 | 2 | 3 | 4 | значение | код | ||||
| 1 | 2 | 3 | 21 | 12 | 18 | 15 | 1 | 0,035 | КИФЛС |
| 2 | 0 | 0 | 12 | 0 | 3 | ||||
| 3 | 4 | 5 | 21 | 12 | 6 | 15 | 1 | 41,065 | ПЛЩД |
| 4 | 6 | 7 | 19 | 4 | 3 | 1 | 1 | 0,975 | УУС |
| 5 | 8 | 9 | 2 | 8 | 3 | 14 | 4 | 0,705 | ПЛС |
| 6 | 10 | 11 | 19 | 4 | 1 | 1 | 1 | -18,5 | КАУУ |
| 7 | 0 | 0 | 2 | 0 | 3 | ||||
| 8 | 12 | 13 | 2 | 4 | 2 | 0 | 2 | 0,985 | АУУ |
| 9 | 14 | 15 | 0 | 4 | 1 | 14 | 4 | 0,86 | УУС |
| 10 | 0 | 2 | 0 | 0 | 2 | ||||
| 11 | 16 | 17 | 19 | 2 | 1 | 1 | 1 | -1,5 | КАУУ |
| 12 | 18 | 19 | 0 | 3 | 2 | 0 | 2 | 0,895 | УУС |
| 13 | 20 | 21 | 2 | 1 | 0 | 0 | 1 | 17,955 | КРИНД |
| 14 | 22 | 23 | 0 | 3 | 0 | 1 | 2 | 0,34 | ЛУС |
| 15 | 24 | 25 | 0 | 1 | 1 | 13 | 4 | 0,915 | УУС |
| 16 | 26 | 27 | 19 | 2 | 0 | 1 | 1 | 12,595 | КРИНД |
| 17 | 0 | 0 | 1 | 0 | 3 | ||||
| 18 | 0 | 2 | 0 | 0 | 2 | ||||
| 19 | 0 | 1 | 2 | 0 | 3 | ||||
| 20 | 2 | 0 | 0 | 0 | 1 | ||||
| 21 | 0 | 1 | 0 | 0 | 2 | ||||
| 22 | 0 | 0 | 0 | 1 | 4 | ||||
| 23 | 0 | 3 | 0 | 0 | 2 | ||||
| 24 | 0 | 0 | 1 | 13 | 4 | ||||
| 25 | 0 | 1 | 0 | 0 | 2 | ||||
| 26 | 0 | 1 | 0 | 0 | 2 | ||||
| 27 | 28 | 29 | 19 | 1 | 0 | 1 | 1 | 2,185 | ПУС |
| 28 | 30 | 31 | 18 | 0 | 0 | 1 | 1 | 4,64 | НПВ |
| 29 | 32 | 33 | 1 | 1 | 0 | 0 | 1 | 15,835 | КРИНД |
| 30 | 17 | 0 | 0 | 0 | 1 | ||||
| 31 | 34 | 35 | 1 | 0 | 0 | 1 | 1 | 4,91 | НПВ |
| 32 | 0 | 1 | 0 | 0 | 2 | ||||
| 33 | 1 | 0 | 0 | 0 | 1 | ||||
| 34 | 0 | 0 | 0 | 1 | 4 | ||||
| 35 | 1 | 0 | 0 | 0 | 1 | ||||
Как следует из таблицы 3, большинство признаков рекурсивно участвуют в классификации объектов исследования дважды, а коэффициент резкого изменения направления движения - даже трижды.
| Таблица 4. | ||||||
| Классификационная матрица данных исследования при второй пробе | ||||||
| Вид атаксии | % соответств- ия прогноза опыту | Норма | Лабиринтная | Мозжечковая | Сенситивная | Всего |
| Норма | 100,00 | 21 | 21 | |||
| Лабиринтная | 91,67 | 11 | 1 | 12 | ||
| Мозжечковая | 94,44 | 17 | 1 | 18 | ||
| Сенситивная | 100 | 15 | 15 | |||
| Всего | 96,67 | 21 | 11 | 18 | 16 | 66 |
В таблице 4 по строкам приведена классификация соответственно базе данных, а по столбцам - классификация соответственно прогнозу.
Представленные в таблице 4 данные свидетельствуют, что нами получена модель классификации с высоким уровнем информационной способности (96,67%), которая аналогична информативности модели, разработанной по данным первой пробы.
Рассмотрим прогноз характера атаксии по результатам третьей пробы. В модель прогноза характера атаксии оказались включенными следующие характеристики:
- амплитуда линейной скорости, АЛС;
- площадь, ПЛЩД;
- коэффициент амплитуды углового ускорения, КАУУ;
- коэффициент амплитуды угловой скорости, КАУС;
- коэффициент изменения функции линейной скорости, КИФЛС;
- линейное ускорение среднее, ЛУС;
- угловое ускорение среднее, УУС;
- нарастающая площадь вектора, НПВ;
- амплитуда углового ускорения, АУУ;
- период угловой скорости, ПУС.
Последовательность решения задачи и значения коэффициентов модели приведены в таблице 5, дерево классификации - на фиг.3, матрица классификации данных исследования - в таблице 6.
| Таблица 5. | |||||||||
| Последовательность решения задачи классификации по данным третьей пробы | |||||||||
| № п. |
Левое плечо | Правое плечо | Номер наблюдаемой группы | Группа прогноза | Классификационный признак | ||||
| 1 | 2 | 3 | 4 | значение | код | ||||
| 1 | 2 | 3 | 21 | 12 | 18 | 15 | 1 | 12,59 | АЛС |
| 2 | 4 | 5 | 21 | 11 | 5 | 15 | 1 | 424,82 | ПЛЩД |
| 3 | 0 | 1 | 13 | 0 | 3 | ||||
| 4 | 6 | 7 | 19 | 6 | 3 | 2 | 1 | -3,55 | КАУУ |
| 5 | 8 | 9 | 2 | 5 | 2 | 13 | 4 | 0,38 | КАУС |
| 6 | 10 | 11 | 18 | 5 | 0 | 1 | 1 | 0,07 | КИФЛС |
| 7 | 12 | 13 | 1 | 1 | 3 | 1 | 3 | 0,36 | ЛУС |
| 8 | 14 | 15 | 2 | 1 | 2 | 13 | 4 | -5,27 | КАУС |
| 9 | 0 | 4 | 0 | 0 | 2 | ||||
| 10 | 16 | 17 | 6 | 5 | 0 | 0 | 1 | 0,87 | УУС |
| 11 | 18 | 19 | 12 | 0 | 0 | 1 | 1 | -17,81 | КАУУ |
| 12 | 20 | 21 | 1 | 1 | 0 | 0 | 1 | 2,13 | НПВ |
| 13 | 0 | 0 | 3 | 1 | 3 | ||||
| 14 | 22 | 23 | 0 | 1 | 2 | 0 | 3 | 0,95 | АУУ |
| 15 | 24 | 25 | 2 | 0 | 0 | 13 | 4 | 1,91 | ПУС |
| 16 | 26 | 27 | 6 | 1 | 0 | 0 | 1 | 2,31 | ПУС |
| 17 | 0 | 4 | 0 | 0 | 2 | ||||
| 18 | 0 | 0 | 0 | 1 | 4 | ||||
| 19 | 12 | 0 | 0 | 0 | 1 | ||||
| 20 | 1 | 0 | 0 | 0 | 1 | ||||
| 21 | 0 | 1 | 0 | 0 | 2 | ||||
| 22 | 0 | 0 | 2 | 0 | 3 | ||||
| 23 | 0 | 1 | 0 | 0 | 2 | ||||
| 24 | 1 | 0 | 0 | 0 | 1 | ||||
| 25 | 28 | 29 | 1 | 0 | 0 | 13 | 4 | 0,46 | АУС |
| 26 | 6 | 0 | 0 | 0 | 1 | ||||
| 27 | 0 | 1 | 0 | 0 | 2 | ||||
| 28 | 1 | 0 | 0 | 0 | 1 | ||||
| 29 | 0 | 0 | 0 | 13 | 4 | ||||
Как следует из таблицы 5, некоторые признаки рекурсивно участвуют в классификации объектов исследования дважды.
| Таблица 6. | ||||||
| Классификационная матрица данных исследования при третьей пробе | ||||||
| Вид атаксии | % соответствия прогноза опыту | Норма | Лабиринтная | Мозжечковая | Сенситивная | Всего |
| Норма | 100,00 | 21 | 21 | |||
| Лабиринтная | 91,67 | 11 | 1 | 12 | ||
| Мозжечковая | 94,44 | 18 | 18 | |||
| Сенситивная | 100 | 1 | 14 | 15 | ||
| Всего | 96,67 | 21 | 11 | 20 | 14 | 66 |
В таблице 6 по строкам приведена классификация соответственно базе данных, а по столбцам - классификация соответственно прогнозу. Представленные в таблице 6 данные свидетельствуют, что нами получена модель классификации с высоким уровнем информационной способности (96,67%), которая аналогична информативности модели, разработанной по данным первой и второй проб.
Рассмотрим прогноз характера атаксии по результатам четвертой пробы.
Модель прогноза характера атаксии построена на основе следующих характеристик:
- количество резких изменений направления движения, КРИНД;
- амплитуда линейного ускорения, АЛУ;
- средний радиус, СРРАД;
- угловое ускорение среднее, УУС;
- период линейной скорости, ПЛС;
- коэффициент амплитуды углового ускорения, КАУУ;
- коэффициент амплитуды угловой скорости, КАУС;
- период углового ускорения, ПУУ;
- линейное ускорение среднее, ЛУС;
- амплитуда углового ускорения, АУУ.
Последовательность решения задачи и значения коэффициентов модели приведены в таблице 7, дерево классификации - на фиг.4, матрица классификации данных исследования - в таблице 8.
| Таблица 7. | |||||||||
| Последовательность решения задачи классификации по данным четвертой пробы | |||||||||
| № п. |
Левое плечо | Правое плечо | Номер наблюдаемой группы | Группа прогноза | Классификационный признак | ||||
| 1 | 2 | 3 | 4 | значение | код | ||||
| 1 | 2 | 3 | 21 | 12 | 18 | 15 | 1 | 16,11 | КРИНД |
| 2 | 4 | 5 | 21 | 12 | 7 | 15 | 1 | 0,495 | АЛУ |
| 3 | 0 | 0 | 11 | 0 | 3 | ||||
| 4 | 6 | 7 | 21 | 12 | 6 | 8 | 1 | 30,09 | СРРАД |
| 5 | 8 | 9 | 0 | 0 | 1 | 7 | 4 | 0,72 | УУС |
| 6 | 10 | 11 | 7 | 10 | 3 | 8 | 2 | 0,885 | ПЛС |
| 7 | 12 | 13 | 14 | 2 | 3 | 0 | 1 | 0,315 | АЛУ |
| 8 | 0 | 0 | 1 | 0 | 3 | ||||
| 9 | 0 | 0 | 0 | 7 | 4 | ||||
| 10 | 14 | 15 | 7 | 5 | 2 | 8 | 4 | -8,365 | КАУУ |
| 11 | 0 | 5 | 1 | 0 | 2 | ||||
| 12 | 16 | 17 | 13 | 1 | 0 | 0 | 1 | 0,785 | УУС |
| 13 | 18 | 19 | 1 | 1 | 3 | 0 | 3 | -6,19 | КАУС |
| 14 | 20 | 21 | 2 | 3 | 2 | 8 | 4 | 2,045 | ПУУ |
| 15 | 22 | 23 | 5 | 2 | 0 | 0 | 1 | 0,74 | ПЛС |
| 16 | 13 | 0 | 0 | 0 | 1 | ||||
| 17 | 0 | 1 | 0 | 0 | 2 | ||||
| 18 | 0 | 0 | 3 | 0 | 3 | ||||
| 19 | 24 | 25 | 1 | 1 | 0 | 0 | 1 | 11,685 | КРИНД |
| 20 | 26 | 27 | 1 | 3 | 1 | 0 | 2 | 0,655 | ЛУС |
| 21 | 28 | 29 | 1 | 0 | 1 | 8 | 4 | 0,745 | УУС |
| 22 | 0 | 2 | 0 | 0 | 2 | ||||
| 23 | 5 | 0 | 0 | 0 | 1 | ||||
| 24 | 1 | 0 | 0 | 0 | 1 | ||||
| 25 | 0 | 1 | 0 | 0 | 2 | ||||
| 26 | 30 | 31 | 1 | 3 | 0 | 0 | 2 | 0,65 | АУУ |
| 27 | 0 | 0 | 1 | 0 | 3 | ||||
| 28 | 1 | 0 | 0 | 0 | 1 | ||||
| 29 | 0 | 0 | 1 | 8 | 4 | ||||
| 30 | 1 | 0 | 0 | 0 | 1 | ||||
| 31 | 0 | 3 | 0 | 0 | 2 | ||||
| Таблица 8. | ||||||
| Классификационная матрица данных исследования при четвертой пробе | ||||||
| Вид атаксии | % соответствия прогноза опыту | Норма | Лабиринтная | Мозжечковая | Сенситивная | Всего |
| Норма | 100,00 | 21 | 21 | |||
| Лабиринтная | 91,67 | 12 | 12 | |||
| Мозжечковая | 94,44 | 1 | 16 | 1 | 18 | |
| Сенситивная | 100 | 15 | 15 | |||
| Всего | 96,57 | 21 | 13 | 16 | 16 | 66 |
В таблице 8 по строкам приведена классификация соответственно базе данных, а по столбцам - классификация соответственно прогнозу. Представленные в таблице 8 данные свидетельствуют, что нами получена модель классификации с высоким уровнем информационной способности (96,67).
Таким образом, для дифференциальной диагностики характера атаксии более адекватным и чувствительным является метод деревьев классификации, который, учитывая нелинейный характер связи предиктных и группировочного признаков и рекурсивно используя признаки, включенные в модель, обеспечивает довольно высокую (около 97%) информационную способность моделей прогноза при всех четырех пробах. При этом получаем весьма простой в использовании линейный алгоритм дифференциальной диагностики атаксии в виде дерева классификации.
Возможность промышленного применения заявленного технического решения подтверждается результатами успешных испытаний данной методики при дифференциальной диагностике характера атаксии у большого числа пациентов.
Использование заявленного решения по сравнению со всеми известными средствами аналогичного назначения обеспечивает следующие преимущества:
- возможность оперативной диагностики различных видов атаксии,
- возможность оперативной скрининговой оценки здоровья больших контингентов людей при экспертизе.
Claims (1)
- Способ дифференциальной диагностики вида атаксии, включающий определение характера двигательных нарушений, отличающийся тем, что проводят тестирование на стабилографической платформе при выполнении обследуемым заданий по поддержанию вертикальной позы, при выполнении каждого задания фиксируют и измеряют траекторию движения центра давления тела на платформу, затем полученную статокинезиограмму анализируют с помощью векторного анализа и определяют нормированную площадь статокинезиограммы, средний радиус отклонения тела, показатель качества функции равновесия в виде коэффициента λ экспоненциальной зависимости f(n)=1-еλn, относительной частоты вершин векторов в равных по площадям концентрических зонах статокинезиограммы, нарастающую площадь вектора, коэффициент резкого изменения направления движения, средние линейные и угловые скорости и ускорения, а также коэффициенты асимметрии угловой скорости и ускорения, затем, используя статистический метод деревьев классификации, диагностируют вид атаксии.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2002105928/14A RU2257845C2 (ru) | 2002-03-05 | 2002-03-05 | Способ дифференциальной диагностики вида атаксии |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2002105928/14A RU2257845C2 (ru) | 2002-03-05 | 2002-03-05 | Способ дифференциальной диагностики вида атаксии |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2002105928A RU2002105928A (ru) | 2003-11-20 |
| RU2257845C2 true RU2257845C2 (ru) | 2005-08-10 |
Family
ID=35845216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2002105928/14A RU2257845C2 (ru) | 2002-03-05 | 2002-03-05 | Способ дифференциальной диагностики вида атаксии |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2257845C2 (ru) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2545894C2 (ru) * | 2013-09-02 | 2015-04-10 | Общество С Ограниченной Ответственностью "Биомедтехника" | Способ диагностики двигательных расстройств |
| RU2796323C1 (ru) * | 2022-10-06 | 2023-05-22 | Государственное бюджетное учреждение здравоохранения Московской области "Московский областной научно-исследовательский клинический институт им. М.Ф. Владимирского" (ГБУЗ МО МОНИКИ им. М.Ф. Владимирского) | Способ прогнозирования восстановления двигательных функций верхней конечности у больных после инсульта |
-
2002
- 2002-03-05 RU RU2002105928/14A patent/RU2257845C2/ru not_active IP Right Cessation
Non-Patent Citations (1)
| Title |
|---|
| Атаксия. Справочник невропатолога. Под ред. Е.В.ШМИДТА. - М.: Медицина, 1976, с.37-42. * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2545894C2 (ru) * | 2013-09-02 | 2015-04-10 | Общество С Ограниченной Ответственностью "Биомедтехника" | Способ диагностики двигательных расстройств |
| RU2796323C1 (ru) * | 2022-10-06 | 2023-05-22 | Государственное бюджетное учреждение здравоохранения Московской области "Московский областной научно-исследовательский клинический институт им. М.Ф. Владимирского" (ГБУЗ МО МОНИКИ им. М.Ф. Владимирского) | Способ прогнозирования восстановления двигательных функций верхней конечности у больных после инсульта |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khatamino et al. | A deep learning-CNN based system for medical diagnosis: an application on Parkinson’s disease handwriting drawings | |
| Machado et al. | Human activity data discovery from triaxial accelerometer sensor: Non-supervised learning sensitivity to feature extraction parametrization | |
| Buettner et al. | Machine learning based diagnosis of diseases using the unfolded EEG spectra: Towards an intelligent software sensor | |
| CN107016233A (zh) | 运动行为和认知能力的关联分析方法及系统 | |
| CN106419938B (zh) | 一种基于运动能量释放估算的注意缺陷多动障碍(adhd)检测系统 | |
| WO2022057840A1 (zh) | 脑认知功能检测系统 | |
| CN111413492A (zh) | 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 | |
| CN109223006A (zh) | 一种精神分裂症诊断系统 | |
| Mykhalyk et al. | Modern hardware and software solution for identification of abnormal neurological movements of patients with essential tremor | |
| Wang et al. | A CNN-based personalized system for attention detection in wayfinding tasks | |
| Mohaidat et al. | Instrument detection for the intracorporeal suturing task in the laparoscopic box trainer using single-stage object detectors | |
| CN114334150A (zh) | 一种评估人体健康状态的方法和装置 | |
| CN114847875A (zh) | 多动症的功能性近红外光谱和红外热像的识别方法 | |
| Chen et al. | An interpretable deep learning optimized wearable daily detection system for Parkinson’s disease | |
| Sánchez-Fernández et al. | Kinetic tremor analysis using wearable sensors and fuzzy inference systems in Parkinson's disease | |
| CN116421202B (zh) | 基于脑电快速周期性视觉刺激奇异范式的大脑视觉功能快速检测方法、装置及存储介质 | |
| RU2257845C2 (ru) | Способ дифференциальной диагностики вида атаксии | |
| US5719784A (en) | Order-based analyses of cell and tissue structure | |
| CN116738352A (zh) | 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置 | |
| EP1012777B1 (en) | Methods for objectification of subjective classifications | |
| Paunksnis et al. | The use of information technologies for diagnosis in ophthalmology | |
| KR102591797B1 (ko) | 치매조기진단 시스템 및 이를 이용한 치매조기진단 방법 | |
| RU2165733C2 (ru) | Способ оценки общего функционального состояния человека | |
| Liu et al. | Identifying the measurement noise in glaucomatous testing: an artificial neural network approach | |
| Tigges et al. | Identification of input variables for feature based artificial neural networks-saccade detection in EOG recordings |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20090306 |