RU2752594C1 - Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation - Google Patents

Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation Download PDF

Info

Publication number
RU2752594C1
RU2752594C1 RU2020115879A RU2020115879A RU2752594C1 RU 2752594 C1 RU2752594 C1 RU 2752594C1 RU 2020115879 A RU2020115879 A RU 2020115879A RU 2020115879 A RU2020115879 A RU 2020115879A RU 2752594 C1 RU2752594 C1 RU 2752594C1
Authority
RU
Russia
Prior art keywords
model
electrodes
bioimpedance
biomaterial
cole
Prior art date
Application number
RU2020115879A
Other languages
Russian (ru)
Inventor
Сергей Алексеевич Филист
Ольга Владимировна Шаталова
Зейнаб Усама Протасова
Никита Сергеевич Стадниченко
Original Assignee
Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет" (ЮЗГУ)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет" (ЮЗГУ) filed Critical Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет" (ЮЗГУ)
Priority to RU2020115879A priority Critical patent/RU2752594C1/en
Application granted granted Critical
Publication of RU2752594C1 publication Critical patent/RU2752594C1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body

Abstract

FIELD: medical diagnostics.
SUBSTANCE: invention relates to medical diagnostics, namely, to methods for classifying data obtained as a result of bioimpedance research. Electrodes are applied to the studied segment of a biological object. Multi-frequency probing of the biological object is carried out to obtain Cole graphs, and construction of a model of the segment of the biological object in the form of passive two-poles is carried out. Classification of obtained data is carried out according to the calculated parameters of two-poles. Electrodes in a matrix of N electrodes are switched sequentially in pairs using multiplexers in such a way as to obtain N/2 electrode pairs, each of which corresponds to N/2 geometric directions of the electric field in biomaterial. For each of the directions, a Cole graph of biomaterial is constructed under the corresponding electrodes in the range of probing frequencies. For each direction of the electric field, a Woyt model of biomaterial is constructed by means of a recursive procedure for solving systems of nonlinear equations obtained based on graphs to determine the parameters of the model.
EFFECT: improving accuracy and efficiency of classification are achieved.
1 cl, 15 dwg

Description

Изобретение относится к области медицинской диагностики, а именно к способам диагностики, профилактики и лечения заболевании, основанным на исследовании электрических характеристик биологических объектов.The invention relates to the field of medical diagnostics, in particular to methods for diagnosing, preventing and treating a disease based on the study of the electrical characteristics of biological objects.

Известен способ определения объема жидкостных секторов организма путем накладывания электродов на тело и пропускания зондирующих токов низкой и высокой частоты с последующим измерением импеданса, отличающийся тем, что попарно соединенные между собой электроды накладывают на кожу верхних и нижних конечностей пациента, измеряют первый импеданс при пропускании через тело зондирующего тока частотой 20…40 кГц и второй импеданс при пропускании зондирующего тока частотой 400…800 кГц, учитывают удельное сопротивление плазмы крови, а также рост пациента и с помощью первого импеданса рассчитывают объем внеклеточной жидкости, а второго - объем внутриклеточной жидкости, по сумме названных двух объемов определяют объем общей жидкости в организме [Патент 2093069 РФ. Способ определения объемов жидкостных секторов организма Ю.Н. Волков, В.Г. Покровский, И.П. Николаева, В.Н. Семенов, И.С. Курапеев. - №5013462/14; Заявл. 18.11.91; Опубл. в БИ, 1997, №29].There is a known method for determining the volume of the liquid sectors of the body by applying electrodes to the body and passing probing currents of low and high frequency, followed by measuring the impedance, characterized in that the electrodes connected in pairs are applied to the skin of the patient's upper and lower extremities, the first impedance is measured when passing through the body probing current with a frequency of 20 ... 40 kHz and the second impedance when passing a probing current with a frequency of 400 ... 800 kHz, take into account the resistivity of the blood plasma, as well as the patient's growth, and using the first impedance calculate the volume of extracellular fluid, and the second - the volume of intracellular fluid, according to the sum of the named two volumes determine the volume of total fluid in the body [Patent 2093069 RF. Method for determining the volume of fluid sectors of the body Yu.N. Volkov, V.G. Pokrovsky, I.P. Nikolaeva, V.N. Semenov, I.S. Kurapeev. - No. 5013462/14; Appl. 11/18/91; Publ. in BI, 1997, No. 29].

Для реализации данного способа используется модель Максвелла с тремя параллельными ветвями и четырьмя неизвестными параметрами, которые определяют, как r4 и r3 - параметры "клетки", r2 - параметр "межклеточной жидкости" и r1 - параметр "внутрисосудистой жидкости" (фиг. 1). Так как полагают, что на одной частоте измеряются две составляющие импеданса: действительную и мнимую, то для определения четырех неизвестных достаточно провести измерения биоимпеданса на двух частотах.To implement this method, the Maxwell model with three parallel branches and four unknown parameters is used, which determine how r4 and r3 are the "cell" parameters, r2 is the "intercellular fluid" parameter and r1 is the "intravascular fluid" parameter (Fig. 1). Since it is believed that two impedance components are measured at one frequency: real and imaginary, then to determine four unknowns, it is enough to measure bioimpedance at two frequencies.

Недостаток способа связан с тем, что модель биообъекта в виде пассивного двухполюсника с тремя ветвями не исчерпывает всех морфологических свойств биологического объекта. Модель игнорирует низкочастотные свойства электропроводности биологического объекта, а также в модели отсутствуют реактивные составляющие биоимпеданса, а значит не учитываются резонансные свойства структурных элементов импеданса биообъекта. Кроме того, модель имеет очень приближенный характер, так как нет обоснования того, что измерения на двух частотах отражают все биохимические свойства биообъекта и его структурных элементов.The disadvantage of this method is associated with the fact that the model of a biological object in the form of a passive two-port network with three branches does not exhaust all the morphological properties of a biological object. The model ignores the low-frequency properties of the electrical conductivity of a biological object, and the model also lacks the reactive components of the bioimpedance, which means that the resonance properties of the structural elements of the biological object's impedance are not taken into account. In addition, the model has a very approximate character, since there is no substantiation that measurements at two frequencies reflect all the biochemical properties of a biological object and its structural elements.

Известен способ определения показателя гематокрита, включающий измерение электропроводности крови на основе биоимпедансных исследований, отличающийся тем, что укрепляют электроды на лодыжках и запястьях человека, одновременно регистрируют связанную с электропроводностью крови переменную составляющую сопротивления тела человека на частотах 20…40 кГц и 200…300 кГц, а показатель гематокрита Н определяют из выраженияA known method for determining the hematocrit index, including measuring the electrical conductivity of blood based on bioimpedance studies, characterized in that the electrodes on the ankles and wrists of a person are strengthened, at the same time the variable component of the resistance of the human body associated with the electrical conductivity of blood is recorded at frequencies of 20 ... 40 kHz and 200 ... 300 kHz, and the hematocrit H index is determined from the expression

Figure 00000001
Figure 00000001

где R1 - амплитуда переменной составляющей сопротивления тела человека на частоте 20…40 кГц, Ом; R2 - амплитуда переменной составляющей сопротивления тела человека на частоте 200…300 кГц, Ом [Патент №2209430 РФ, МПК 7 G01N 33/48. Способ определения показателя гематокрита / Пеккер Я.С., Тестов А.Л. - 2003.].where R 1 is the amplitude of the variable component of the resistance of the human body at a frequency of 20 ... 40 kHz, Ohm; R 2 - the amplitude of the variable component of the resistance of the human body at a frequency of 200 ... 300 kHz, Ohm [Patent No. 2209430 RF, IPC 7 G01N 33/48. Method for determining the hematocrit index / Pekker Y.S., Testov A.L. - 2003.].

При получении уравнения (1) математическая модель описывает электрические свойства крови как гетерогенной системы. Полагалось, что переменная составляющая сопротивления тела человека определяется в основном электропроводностью крови, а также степенью кровенаполнения сосудов и что степень кровенаполнения от частоты зондирующего тока не зависит. Так как используется отношение амплитуд переменных составляющих сопротивления на частотах 20…40 кГц и 200…300 кГц, то это отношение будет определяться электрическими свойствами крови. Переменный ток частотой ниже 40 кГц распространяется преимущественно по сосудам, клетки являются для него непроводящей средой, так как их удельное сопротивление значительно выше удельного сопротивления жидких сред на этих частотах. Таким образом, электропроводность крови определяется электропроводностью плазмы, эритроциты являются непроводящей средой. На частотах ниже 20 кГц увеличивается сопротивление кожи, выше 40 кГц - часть тока проходит через клетки, что искажает результат. На частотах 200…300 кГц эритроциты начинают принимать участие в актах проводимости. Верхний предел ограничения обуславливается тем, что свыше 300 кГц изменений электропроводности не наблюдается.When obtaining equation (1), the mathematical model describes the electrical properties of blood as a heterogeneous system. It was assumed that the variable component of the resistance of the human body is determined mainly by the electrical conductivity of the blood, as well as the degree of blood circulation in the vessels, and that the degree of blood filling does not depend on the frequency of the probing current. Since the ratio of the amplitudes of the variable components of the resistance is used at frequencies of 20 ... 40 kHz and 200 ... 300 kHz, this ratio will be determined by the electrical properties of blood. An alternating current with a frequency below 40 kHz spreads mainly through the vessels; cells are a non-conductive medium for it, since their resistivity is much higher than the resistivity of liquid media at these frequencies. Thus, the electrical conductivity of blood is determined by the electrical conductivity of the plasma; erythrocytes are a non-conductive medium. At frequencies below 20 kHz, the skin resistance increases, above 40 kHz, part of the current passes through the cells, which distorts the result. At frequencies of 200 ... 300 kHz, erythrocytes begin to take part in conduction acts. The upper limit of the limitation is due to the fact that more than 300 kHz changes in electrical conductivity are not observed.

Недостаток способа связан с тем, что при выводе формулы (1) использовано две простые и весьма приближенные математические модели, отражающие зависимость электропроводности крови от гематокрита на частотах 20…40 кГц и зависимость электропроводности крови от гематокрита на частотах 200…300 кГц, в которых в качестве параметров используются электропроводности плазмы крови и цитоплазмы эритроцитов, а также вводится допущение, что электропроводность плазмы крови практически не зависит от частоты.The disadvantage of this method is due to the fact that when deriving formula (1), two simple and very approximate mathematical models were used, reflecting the dependence of blood electrical conductivity on hematocrit at frequencies of 20 ... 40 kHz and the dependence of blood electrical conductivity on hematocrit at frequencies of 200 ... 300 kHz, in which in as parameters, the electrical conductivity of blood plasma and erythrocyte cytoplasm are used, and the assumption is made that the electrical conductivity of blood plasma is practically independent of frequency.

Анализ этих допущений и результаты экспериментальных исследований показали, что они вносят серьезную погрешность при измерении сопротивления биожидкостей.Analysis of these assumptions and the results of experimental studies have shown that they introduce a serious error in measuring the resistance of biofluids.

Наиболее близким аналогом к предлагаемому в качестве изобретения является способ сегментарной трехчастотной биоимпедансометрии, заключающийся в представлении импеданса биообъекта в виде пятизвенной модели, каждое звено которой состоит из двух последовательно соединенных пассивных двухполюсников, содержащих две параллельных ветви, одна из которых RB, соответствует вкладу внеклеточной жидкости в общее сопротивление биоткани, а вторая - соответствует емкостному сопротивлению клеточной мембраны xC и внутриклеточной жидкости RК. При этом параметры модели рассчитываются по результатам решения системы из трех уравненийThe closest analogue to the one proposed as an invention is a method of segmental three-frequency bioimpedance measurement, which consists in representing the impedance of a biological object in the form of a five-link model, each link of which consists of two series-connected passive bipoles containing two parallel branches, one of which R B corresponds to the contribution of the extracellular fluid into the total resistance of biological tissue, and the second corresponds to the capacitance of the cell membrane x C and intracellular fluid R K. In this case, the parameters of the model are calculated based on the results of solving a system of three equations

Figure 00000002
Figure 00000002

где Z1, Z2, Z3 - измеренные импедансы на трех частотах, k - статистические коэффициенты.where Z 1 , Z 2 , Z 3 are the measured impedances at three frequencies, k are statistical coefficients.

Первые две частоты выбраны по следующим критериям: частота 28 кГц - близкая к оптимальной частота регистрации пульсовой волны в тканях сегментов туловища; частота 115 кГц - близкая к оптимальной частота регистрации реограммы мозга. Выбор третьей частоты зондирующего тока в общем случае может быть любым, но на практике она выбирается исходя из задачи достижения оптимизации погрешностей измерений согласно следующему сформированному критерию: погрешность вычисления должна быть меньше методической погрешности измерения объема жидкости биоимпедансными методами [Волков Н.Ю., Илларионов В.В., Соловьев М.Н., Юлдашев З.М. Метод оценки объемов внеклеточной и внутриклеточной жидкости тела человека с помощью трехчастотной биоимпедансометрии // Биотехносфера. - 2018. - №1. - С. 19-22]. В общем случае модель имеет пятизвенную структуру, однако, как утверждают авторы, она может быть преобразована в шестизвенную при измерении импедансов абдоминального и торакального сегментов с использованием дополнительного электрода на туловище обследуемого, или в девяти - или десятизвенную, при разбиении сегментов конечностей на подсегменты путем сдвига электродов по конечности и повторного измерения импедансов.The first two frequencies were selected according to the following criteria: frequency 28 kHz - close to the optimal frequency of recording the pulse wave in the tissues of the trunk segments; frequency 115 kHz - close to the optimal frequency of registration of the brain rheogram. The choice of the third frequency of the probing current in the general case can be any, but in practice it is selected based on the task of achieving optimization of measurement errors according to the following formed criterion: the calculation error should be less than the methodical error of measuring the volume of liquid by bioimpedance methods [Volkov N.Yu., Illarionov V V.V., Soloviev M.N., Yuldashev Z.M. A method for assessing the volume of extracellular and intracellular fluid of the human body using three-frequency bioimpedansometry // Biotechnosphere. - 2018. - No. 1. - S. 19-22]. In the general case, the model has a five-bar structure, however, according to the authors, it can be converted into a six-bar one when measuring the impedances of the abdominal and thoracic segments using an additional electrode on the subject's trunk, or nine or ten bars, when dividing limb segments into subsegments by shifting limb electrodes and re-measurement of impedances.

Недостатком данного способа является то, что для повышения точности оценки сопротивления внутриклеточной жидкости и косвенной оценки состава тела человека у разных групп обследуемых необходимо учитывать также индивидуальные особенности строения тела человека, и, как следствие, возникают проблемы с вычислениями коэффициентов k в (2).The disadvantage of this method is that in order to increase the accuracy of assessing the resistance of the intracellular fluid and indirectly assessing the composition of the human body in different groups of subjects, it is also necessary to take into account the individual characteristics of the structure of the human body, and, as a consequence, problems arise with calculating the coefficients k in (2).

Наиболее близким к изобретению по устройству является устройство для измерения импеданса биологических тканей, содержащее последовательно соединенные матрицу электродов, включающую N электродов; блок коммутации, N сигнальных входов-выходов которого соединены с соответствующими N электродами электродной матрицы, инструментальный усилитель, второй вход которого соединен со вторым выходом блока коммутации; блок детекторов; многоканальный аналого-цифровой преобразователь (АЦП), два первых аналоговых входа которого соединены с соответствующими выходами блока детекторов; микроконтроллер, четыре первых выхода которого соединены с соответствующими входами управления блока коммутации, а пятый выход соединен с четвертым входом АЦП, и электронно-вычислительной машиной (ЭВМ), первый цифро-аналоговый преобразователь, вход которого подключен к шестому выходу микроконтроллера, а выход подключен ко второму входу блока детекторов, второй цифро-аналоговый преобразователь, вход которого подключен к седьмому выходу микроконтроллера, а выход - к третьему входу блока детекторов, усилитель мощности, вход которого подключен к выходу первого цифро-аналогового преобразователя, а первый выход - к первому токовому входу блока коммутации, и блок измерения тока, вход которого подключен ко второму выходу усилителя мощности, первый выход - ко второму токовому входу блока коммутации, второй выход подключен к третьему аналоговому входу многоканального АЦП, а блок коммутации включает два аналоговых мультиплексора и два аналоговых демультиплексора, N аналоговых входов каждого из мультиплексоров соединены с соответствующими N электродами электродной матрицы, а N аналоговых выходов каждого из демультиплексоров соединены с соответствующими N электродами электродной матрицы, адресные входы каждого из двух мультиплексоров и двух демультиплексоров соединены соответственно с первыми четырьмя выходами микроконтроллера, первый выход первого мультиплексора соединен с первым входом инструментального усилителя, выход второго мультиплексора соединен со вторым входом инструментального усилителя, вход первого демультиплексора соединен с первым выходом усилителя мощности, а вход второго демультиплексора соединен с первым выходом блока измерения тока.The closest to the invention according to the device is a device for measuring the impedance of biological tissues, containing a series-connected array of electrodes, including N electrodes; a switching unit, the N signal inputs-outputs of which are connected to the corresponding N electrodes of the electrode matrix, an instrumental amplifier, the second input of which is connected to the second output of the switching unit; block of detectors; a multichannel analog-to-digital converter (ADC), the first two analog inputs of which are connected to the corresponding outputs of the detector unit; a microcontroller, the first four outputs of which are connected to the corresponding control inputs of the switching unit, and the fifth output is connected to the fourth input of the ADC, and an electronic computer (computer), the first digital-to-analog converter, the input of which is connected to the sixth output of the microcontroller, and the output is connected to the second input of the detector unit, the second digital-to-analog converter, the input of which is connected to the seventh output of the microcontroller, and the output to the third input of the detector unit, the power amplifier, the input of which is connected to the output of the first digital-to-analog converter, and the first output to the first current input switching unit, and a current measuring unit, the input of which is connected to the second output of the power amplifier, the first output to the second current input of the switching unit, the second output is connected to the third analog input of the multichannel ADC, and the switching unit includes two analog multiplexers and two analog demultiplexers, N analog inputs of each ltyplexers are connected to the corresponding N electrodes of the electrode matrix, and the N analog outputs of each of the demultiplexers are connected to the corresponding N electrodes of the electrode matrix, the address inputs of each of the two multiplexers and two demultiplexers are connected, respectively, to the first four outputs of the microcontroller, the first output of the first multiplexer is connected to the first input of the instrumental amplifier, the output of the second multiplexer is connected to the second input of the instrumentation amplifier, the input of the first demultiplexer is connected to the first output of the power amplifier, and the input of the second demultiplexer is connected to the first output of the current measuring unit.

Недостатком устройства является отсутствие возможности осуществлять классификацию получаемых в результате биоимпедансных исследований данных и беспроводной связи с ЭВМ.The disadvantage of the device is the inability to carry out the classification of data obtained as a result of bioimpedance studies and wireless communication with a computer.

Технической задачей предлагаемых способа и устройства является повышение точности и оперативности классификации биологических объектов при инфекционных заболеваниях.The technical task of the proposed method and device is to improve the accuracy and efficiency of the classification of biological objects in infectious diseases.

Поставленная задача по способу решается посредством того, что в известном способе классификации биообъекта, основанном на биоимпедансном анализе, в котором для классификации сегмента биообъекта строится его модель в виде пассивного двухполюсника, накладываются электроды на выделенный сегмент и осуществляется многочастотное зондирование на стольких частотах, сколько требуется для определения параметров модели пассивного двухполюсника, и по полученным параметрам двухполюсника осуществляется классификация биообъекта, в качестве электродов используется матрица N электродов, электроды в которой с помощью мультиплексоров последовательно попарно коммутируются таким образом, чтобы получить N/2 электродных пар, каждая из которых соответствует N/2 направлениям электрического поля в биоматериале. Для каждого направления электрического поля строится модель сегмента биоматериала, соответствующая этому направлению. В качестве модели сегмента биоматериала используется рекурсивная модель Войта. Для каждой из моделей Войта строится график Коула биоматериала под соответствующими электродами в диапазоне частот от Ωmin до Ωmax и выполняется рекурсивная процедура решения систем нелинейных уравнений по определению параметров модели начиная от первого звена модели Войта и последовательно, наращивая звенья в модели Войта до тех пор, пока функционал ошибки аппроксимации графика Коула для соответствующей модели Войта не достигнет допустимого значения. В каждой модели Войта осуществляется преобразование множества

Figure 00000003
в множество
Figure 00000004
где i - номер звена в j-й модели Войта,
Figure 00000005
- номер модели Войта для j-го сочетания электродов,
Figure 00000006
Используя множество
Figure 00000007
как дескрипторы, классифицируется биологический объект посредством обучаемого классификатора, построенного по иерархическому принципу.The problem posed by the method is solved by the fact that in the known method of classification of a biological object based on bioimpedance analysis, in which, to classify a segment of a biological object, its model is built in the form of a passive two-pole, electrodes are applied to the selected segment and multifrequency sensing is carried out at as many frequencies as required for the parameters of the model of a passive two-terminal network are determined, and the biological object is classified according to the obtained parameters of the two-terminal network, a matrix of N electrodes is used as electrodes, the electrodes in which are serially connected in pairs using multiplexers so as to obtain N / 2 electrode pairs, each of which corresponds to N / 2 directions of the electric field in biomaterial. For each direction of the electric field, a model of a biomaterial segment is built corresponding to this direction. Voight's recursive model is used as a model of a biomaterial segment. For each of the Voigt models, a Cole plot of the biomaterial is plotted under the corresponding electrodes in the frequency range from Ω min to Ω max and a recursive procedure for solving systems of nonlinear equations is performed to determine the model parameters starting from the first link of the Voigt model and sequentially increasing the links in the Voigt model until then until the functional of the Cole plot approximation error for the corresponding Voight model reaches an acceptable value. In each Voigt model, a transformation of the set
Figure 00000003
in a multitude
Figure 00000004
where i is the number of the link in the j-th Voight model,
Figure 00000005
- Voight model number for the j-th combination of electrodes,
Figure 00000006
Using the set
Figure 00000007
as descriptors, a biological object is classified by means of a trainable classifier built according to a hierarchical principle.

Поставленная задача по устройству решается посредством того, что в устройство для биоимпедансных исследований, содержащее последовательно соединенные микроконтроллер, цифро-аналоговый преобразователь (ЦАП) и масштабный усилитель, АЦП, подключенный выходом ко второму порту микроконтроллера, два мультиплексора, входы управления которых подключены к третьему порту микроконтроллера, матрицу электродов, N электродов которой подключены к N/2 выходам первого мультиплексора и N/2 выходам второго мультиплексора, токовый резистор, инструментальный усилитель, выход которого подключен ко второму выводу токового резистора, и ЭВМ, дополнительно введен блютус, входом подключенный к четвертому порту микроконтроллера, а выходом к ЭВМ, а второй вход АЦП соединен с выходом масштабного усилителя и сигнальным входом второго мультиплексора, третий вход АЦП соединен с первым выводом токового резистора и подключен к общему проводу, и сигнальный вход первого мультиплексора подключен ко входу инструментального усилителя.The set task for the device is solved by the fact that a device for bioimpedance studies containing a serially connected microcontroller, a digital-to-analog converter (DAC) and a scale amplifier, an ADC connected by the output to the second port of the microcontroller, two multiplexers, the control inputs of which are connected to the third port a microcontroller, a matrix of electrodes, N electrodes of which are connected to N / 2 outputs of the first multiplexer and N / 2 outputs of the second multiplexer, a current resistor, an instrumental amplifier, the output of which is connected to the second terminal of the current resistor, and a computer, an additional bluetooth is introduced, the input is connected to the fourth port of the microcontroller, and the output to the computer, and the second input of the ADC is connected to the output of the scale amplifier and the signal input of the second multiplexer, the third input of the ADC is connected to the first output of the current resistor and connected to the common wire, and the signal input of the first multiplexer is connected to the input of the instrumental amplifier.

На фиг. 1 представлена модель Максвелла биоткани с тремя параллельными ветвями и четырьмя неизвестными параметрами.FIG. 1 shows the Maxwell model of biological tissue with three parallel branches and four unknown parameters.

На фиг. 2 представлена структурная схема предлагаемого устройства.FIG. 2 shows a block diagram of the proposed device.

На фиг. 3 представлена схема алгоритма реализации предлагаемого способа.FIG. 3 shows a diagram of the algorithm for implementing the proposed method.

На фиг. 4 представлена упрощенная схема измерения биоимпеданса в предлагаемом способе.FIG. 4 shows a simplified scheme for measuring bioimpedance in the proposed method.

На фиг. 5 показана векторная диаграмма токов и напряжений в измерительной цепи.FIG. 5 shows a vector diagram of currents and voltages in the measuring circuit.

На фиг. 6 показана структурная схема синхронного детектора для определения проекции вектора напряжения на токовом резисторе на вектор напряжения, приложенного к биообъекту.FIG. 6 shows a block diagram of a synchronous detector for determining the projection of the voltage vector across the current resistor onto the voltage vector applied to the biological object.

На фиг. 7 представлена схема алгоритма построения графика Коула для одного сочетания пар электродов.FIG. 7 is a schematic diagram of the Cole plotting algorithm for one combination of electrode pairs.

На фиг. 8 показана структура модели Войта.FIG. 8 shows the structure of the Voight model.

На фиг. 9 представлена схема алгоритма построения модели Войта.FIG. 9 shows a diagram of the algorithm for constructing the Voight model.

На фиг. 10 представлена структурная схема нейронной сети для классификации биологических объектов на основе многомерного биоимпедансного анализа.FIG. 10 shows a block diagram of a neural network for the classification of biological objects based on multivariate bioimpedance analysis.

На фиг. 11 представлена схема алгоритма для обучения нейронной сети для классификации биологических объектов на основе многомерного биоимпедансного анализа.FIG. 11 shows a diagram of an algorithm for training a neural network for the classification of biological objects based on multivariate bioimpedance analysis.

На фиг. 12 представлена иллюстрация процесса классификации биоматериала в эксперименте in vivo предлагаемым способом.FIG. 12 shows an illustration of the process of classification of a biomaterial in an experiment in vivo using the proposed method.

На фиг. 13 представлена таблица 1. Формирование данных для обучения нейронной сети первого иерархического уровня NET.FIG. 13 shows table 1. Formation of data for training a neural network of the first hierarchical level NET.

На фиг. 14 представлена таблица 2. Формат данных для обучения нейронной сети второго иерархического уровня.FIG. 14 shows Table 2. Data format for training a neural network of the second hierarchical level.

На фиг. 15 представлена таблица 3. Показатели качества прогнозирования на контрольной выборке.FIG. 15 shows table 3. Indicators of the quality of forecasting on the control sample.

Устройство для классификации биологических объектов (фиг. 2) содержит последовательно соединенные микроконтроллер 1, ЦАП 2, масштабный усилитель 3 и АЦП 4, подключенный выходом ко второму порту микроконтроллера 1, мультиплексор 5, вход управления которого подключен к третьему порту микроконтроллера 1, мультиплексор 6, вход управления которых подключены к третьему порту микроконтроллера 1, а сигнальный вход - к выходу масштабирующего усилителя 3, матрицу электродов 7, подключенную к выходам мультиплексорам 5 и 6, токовый резистор 8, первый вывод которого подключен к общему проводу, а второй соединен с сигнальным входом мультиплексора 5 и входом инструментального усилителя 9, выход которого подключен ко второму входу АЦП 4, третий выход которого подключен к общему проводу, блютус 10, подключенный к четвертому порту микроконтроллера и ЭВМ 11, подключенная к блютусу 10.The device for the classification of biological objects (Fig. 2) contains a series-connected microcontroller 1, a DAC 2, a scale amplifier 3 and an ADC 4, connected by the output to the second port of the microcontroller 1, a multiplexer 5, the control input of which is connected to the third port of the microcontroller 1, a multiplexer 6, the control input of which is connected to the third port of the microcontroller 1, and the signal input to the output of the scaling amplifier 3, the matrix of electrodes 7 connected to the outputs of the multiplexers 5 and 6, the current resistor 8, the first output of which is connected to the common wire, and the second is connected to the signal input multiplexer 5 and the input of the instrumental amplifier 9, the output of which is connected to the second input of the ADC 4, the third output of which is connected to the common wire, bluetooth 10, connected to the fourth port of the microcontroller and computer 11, connected to bluetooth 10.

Способ реализуется посредством программы, прошитой в микроконтроллере 1 согласно алгоритму, схема которого представлена на фиг. 3. Процесс классификации биообъекта начинается с формирования графиков Коула для всех попарных сочетаний матрицы электродов 7.The method is implemented by means of a program that is stitched into the microcontroller 1 according to the algorithm, the diagram of which is shown in FIG. 3. The process of classification of a biological object begins with the formation of Cole plots for all pairwise combinations of the electrode matrix 7.

Реальная и мнимая составляющие биоимпеданса рассчитываются как проекции вектора комплексного биоимпеданса на соответствующие оси. Метод вычисления предполагает определение реальной и мнимой составляющей комплексного напряжения на токовом резисторе 8 и на их построение графиков Коула.The real and imaginary components of bioimpedance are calculated as projections of the complex bioimpedance vector on the corresponding axes. The calculation method involves the determination of the real and imaginary components of the complex voltage across the current resistor 8 and their construction of Cole graphs.

На фиг. 4 изображена упрощенная схема измерения биоимпеданса. Токовый резистор 8 подобран таким образом, чтобы на нем падало как можно меньшее напряжение.FIG. 4 shows a simplified bioimpedance measurement circuit. Current resistor 8 is selected in such a way that as little voltage as possible drops across it.

Ток в токовом резисторе 8 равен току в биообъектеThe current in the current resistor 8 is equal to the current in the biological object

Figure 00000008
Figure 00000008

где

Figure 00000009
- вектор падения напряжения на токовом резисторе 8, R - резистора 8.where
Figure 00000009
is the vector of the voltage drop across the current resistor 8, R is the resistor 8.

Векторная диаграмма, поясняющая принцип вычисления биоимпеданса, представлена на фиг. 5.A vector diagram explaining the principle of calculating bioimpedance is shown in FIG. five.

Для расчета реальной и мнимой составляющих биоимпеденса необходимо определить угол ϕ или проекцию вектора

Figure 00000010
на вектор
Figure 00000011
Для этого воспользуемся схемой синхронного детектирования, представленной на фиг. 6.To calculate the real and imaginary components of bioimpedence, it is necessary to determine the angle ϕ or the projection of the vector
Figure 00000010
per vector
Figure 00000011
To do this, we will use the synchronous detection circuit shown in FIG. 6.

Учитывая, что комплексный вектор напряжения на биообъекте (БО)

Figure 00000012
и комплексный вектор напряжения на токовом резисторе
Figure 00000013
и руководствуясь процедурами обработки сигнала, представленной на рисунке 7, получимConsidering that the complex vector of stress on a biological object (BO)
Figure 00000012
and the complex vector of the voltage across the current resistor
Figure 00000013
and guided by the signal processing procedures shown in Figure 7, we obtain

Figure 00000014
Figure 00000014

После низкочастотной фильтрации (4) получаемAfter low-frequency filtering (4), we obtain

Figure 00000015
Figure 00000015

Угол ϕ находим из (5), если известно UR_RE. Величину UR_RE получаем на выходе схемы (фиг. 7). Цифровые отсчеты UR_RE[i], то есть отсчеты на выходе умножителя схемы (фиг. 7), находим по отсчетам UБО[i] и UR[i], снимаемых с соответствующих АЦП схемы (фиг. 5), согласно схемы детектирования, представленной на фиг. 6:The angle ϕ is found from (5) if U R_RE is known. The value U R_RE is obtained at the output of the circuit (Fig. 7). Digital samples U R_RE [i], that is, the samples at the output of the circuit multiplier (Fig. 7), we find from the samples U BO [i] and U R [i], taken from the corresponding ADC circuit (Fig. 5), according to the detection circuit shown in FIG. 6:

Figure 00000016
Figure 00000016

Процедура (6) реализуется программно.Procedure (6) is implemented in software.

Напряжения UR_RE определяется также программно путем низкочастотной фильтрации (6) по формулеThe voltage U R_RE is also determined programmatically by low-frequency filtering (6) according to the formula

Figure 00000017
Figure 00000017

где UАЦП[i] - отсчеты выходных напряжений АЦП в вольтах;where U ADC [i] - readings of the ADC output voltages in volts;

N - количество отсчетов на 10 периодах зондирующего тока.N is the number of counts for 10 periods of the probing current.

Разность фаз определяем из (5).The phase difference is determined from (5).

Перейдем теперь к расчету модуля биоимпеданса.We now turn to the calculation of the bioimpedance modulus.

Согласно закону Ома модуль комплексного сопротивления выражается следующей формулой:According to Ohm's law, the modulus of complex resistance is expressed by the following formula:

Figure 00000018
Figure 00000018

где UВЫХ=UБО - амплитуда напряжения на выходе ЦАП.where U OUT = U BO is the voltage amplitude at the DAC output.

Подставляя в (8) ток на резисторе R из (3), получимSubstituting in (8) the current across the resistor R from (3), we get

Figure 00000019
Figure 00000019

Активная составляющая Zre и реактивная составляющая Zim определяются путем умножения модуля комплексного биоимпеданса |Z| на косинус и синус разности фаз:The active component Z re and the reactive component Z im are determined by multiplying the modulus of complex bioimpedance | Z | on the cosine and sine of the phase difference:

Figure 00000020
Figure 00000020

Figure 00000021
Figure 00000021

Алгоритм построения графика Коула для одного сочетания пар электродов представлен на фиг. 7.A Cole plotting algorithm for one combination of electrode pairs is shown in FIG. 7.

В блоке 1 выбирается линейка исследуемых частот. На каждой из М выбранных частот в блоках 2…5 определяется импеданс биообъекта. На каждой частоте выполняется 10 измерений биоимпеданса (блоки 3…5) с последующим усреднением (блок 6). График Коула выводится в блоке 7.In block 1, a line of investigated frequencies is selected. At each of the M selected frequencies in blocks 2 ... 5, the impedance of the biological object is determined. At each frequency 10 measurements of bioimpedance are performed (blocks 3 ... 5) with subsequent averaging (block 6). Cole's graph is displayed in block 7.

После получения графиков Коула для всех направлений зондирования приступаем к построению моделей Войта для каждого из этих направлений. Структура этой модели (фиг. 8) состоит из последовательно связанных звеньев, каждое из которых моделирует конечную проводимость с соответствующей постоянной времени. Эта модель находит основное применение при описании проводимости (импеданса) в объеме негомогенных средах, то есть когда каждому элементарному, локальному объему присущи определенная проводимость и собственная постоянная времени. Модель состоит из последовательно соединенных звеньев параллельно соединенных конденсатора и емкости. Импеданс модели (одна точка на графике Коула при частоте со) определяется согласно формулеAfter receiving the Cole plots for all sounding directions, we start building Voight models for each of these directions. The structure of this model (Fig. 8) consists of sequentially connected links, each of which simulates the final conductivity with a corresponding time constant. This model finds its main application in describing the conductivity (impedance) in the volume of inhomogeneous media, that is, when each elementary, local volume has a certain conductivity and its own time constant. The model consists of series-connected units of a parallel-connected capacitor and a capacitor. The impedance of the model (one point on the Cole plot at frequency ω) is determined according to the formula

Figure 00000022
Figure 00000022

Для получения модели Войта используется алгоритм, схема которого представлена на фиг. 9.To obtain the Voigt model, an algorithm is used, the diagram of which is shown in Fig. nine.

Исходными данными для алгоритма являются графика Коула полученные при реализации процедуры в блоках 3 и 4 алгоритма фиг. 6. Так как алгоритм фиг. 9 является итерационным, то на входе необходимо задать оптимизируемый функционал (его допустимое значение εдоп) и предельное число итераций L (блок 1). В блоке 3 решается система из

Figure 00000023
нелинейных уравнений. Значение
Figure 00000024
инкрементируется на единицу от итерации к итерации. В первой итерации используются только две частоты из L имеющихся.The initial data for the algorithm are the Cole graphs obtained during the implementation of the procedure in blocks 3 and 4 of the algorithm of Fig. 6. Since the algorithm of FIG. 9 is iterative, then at the input it is necessary to specify the optimized functional (its admissible value ε add ) and the limiting number of iterations L (block 1). In block 3, the system is solved from
Figure 00000023
nonlinear equations. Meaning
Figure 00000024
is incremented by one from iteration to iteration. In the first iteration, only two of the L available frequencies are used.

Первую точку на графике Коула можно выбрать в центре частотного диапазона. При выборе двух точек на графике Коула (модель Войта состоит из двух звеньев) диапазон Ωmax-Ωmin делим пополам и в качестве начальных частот выбираем медианы полученных поддиапазонов. Например, при двадцати частотах на отрезке Ωmax-Ωmin можем выделить девятнадцать интервалов в этом частотном диапазоне и получить двадцатизвенную модель Войта. При необходимости частоты могут быть скорректированы в интерактивном режиме в виде вариационного ряда, упорядоченного по релевантности частот.The first point on the Cole plot can be selected at the center of the frequency range. When choosing two points on the Cole graph (Voight's model consists of two links), we divide the range Ω max -Ω min in half and select the medians of the obtained sub-bands as the initial frequencies. For example, at twenty frequencies in the segment Ω max -Ω min, we can select nineteen intervals in this frequency range and get a twenty-term Voight model. If necessary, the frequencies can be corrected interactively in the form of a variation series, sorted by frequency relevance.

Модель Войта строится посредством решения системы нелинейных уравнений, полученных на основе графика Коула. Например, модель Войта для одного звенаVoight's model is constructed by solving a system of nonlinear equations derived from the Cole graph. For example, Voight's model for one link

Figure 00000025
Figure 00000025

где a(ω) и b(ω) - координаты точки на графике Коула при ω=const. Определяем C1 и R1 при ω=const.where a (ω) and b (ω) are the coordinates of a point on the Cole plot at ω = const. Determine C 1 and R 1 at ω = const.

Вычисляем в блоке 4 теоретическую амплитудно-частотную характеристику (АЧХ) согласно уравнению (12) при вычисленных согласно системы уравнений (13) C1 и R1, и сравниваем ее с экспериментальной (графиком Коула) в блоке 5. Ошибка аппроксимации ε (блок 5) определяется, например, по евклидову расстоянию, и сравнивается с допустимой ошибкой εдоп (блок 6).We calculate in block 4 the theoretical amplitude-frequency characteristic (AFC) according to equation (12) with C 1 and R 1 calculated according to the system of equations (13), and compare it with the experimental (Cole plot) in block 5. Approximation error ε (block 5 ) is determined, for example, by the Euclidean distance, and is compared with the permissible error ε add (block 6).

Если ошибка меньше допустимой, то итерационный процесс построения модели заканчивается в блоке 9. В противном случае к модели добавляется еще одно звено (блок 8) и модель Войта строится заново, то есть решается новая система нелинейных уравнений с добавлением очередной частоты - двух значений параметров импеданса на очередной частоте графика Коула. Перед инкриминированием параметра

Figure 00000026
осуществляется проверка на выход его за предельное значение (блок 8). При выходе этого параметра за предельное значение параметры модели Войта не переопределяются, а выводятся в качестве пространства информативных признаков.If the error is less than the allowable one, then the iterative process of building the model ends in block 9. Otherwise, one more link is added to the model (block 8) and the Voight model is built anew, that is, a new system of nonlinear equations is solved with the addition of the next frequency - two values of the impedance parameters at the next frequency on Cole's chart. Before incriminating the parameter
Figure 00000026
a check is carried out for its going beyond the limit value (block 8). When this parameter goes beyond the limit value, the parameters of the Voight model are not redefined, but are displayed as a space of informative features.

Модель Войта для двухзвенной модели использует две точки на графике Коула и имеет видVoight's model for the two-link model uses two points on the Cole plot and has the form

Figure 00000027
Figure 00000027

После решения уравнения (14) получаем новые параметры двухполюсников в модели Войта и повторяем процедуры блоков 4, 5 и 6. Если точность аппроксимации не удовлетворительная, то добавляем в систему уравнений (14) еще два уравнения, решаем ее и строим модель (12) заново.After solving equation (14), we obtain new parameters of two-port networks in the Voigt model and repeat the procedures of blocks 4, 5 and 6. If the approximation accuracy is not satisfactory, then we add two more equations to the system of equations (14), solve it and build model (12) anew ...

Модель Войта строится для каждого графика Коула в результате чего получаем множество {CiRi}j, где Ci и Ri - параметры i-го звена j--й модели Войта,

Figure 00000028
Figure 00000029
После построения моделей Войта для всех N/2 направлений (геометрических) зондирования посредством блоков 7 и 8 фиг. 4 преобразуем пространство информативных признаков {CiRi}j в пространство квазирезонансных частот
Figure 00000030
где
Figure 00000031
The Voigt model is built for each Cole graph, as a result of which we obtain the set {C i R i } j , where C i and R i are the parameters of the i-th link of the j-th Voigt model,
Figure 00000028
Figure 00000029
After constructing Voigt models for all N / 2 directions (geometric) sounding by means of blocks 7 and 8 of FIG. 4 we transform the space of informative features {C i R i } j into the space of quasi-resonant frequencies
Figure 00000030
where
Figure 00000031

Таким образом, построили матричное пространство информативных признаков с размерностью матрицы

Figure 00000032
Для построения классификатора по этому пространству информативных признаков используем обучаемые нейронные сети с иерархической структурой. На первом иерархическом уровне имеем N/2 нейронных сетей, каждая из которых имеет один выход и
Figure 00000033
входов. Выход нейронной сети первого иерархического уровня показывает уверенность в принадлежности биоматериала к классу функционального состояния, на который была обучена нейронная сеть. Нейронные сети первого иерархического уровня обучаются по одним и тем же обучающим выборкам. Выходы нейронных сетей лежат в диапазоне от нуля до единицы. При это классификация ведется по двум классам "класс интереса" и класс "все остальное". На втором иерархическом уровне имеется только одна нейронная сеть с одним выходом и числом входов, равным числу нейронных сетей на первом иерархическом уровне. Структурная схемам классификатора представлена на фиг. 10.Thus, we have constructed a matrix space of informative features with the dimension of the matrix
Figure 00000032
To construct a classifier for this space of informative features, we use trained neural networks with a hierarchical structure. At the first hierarchical level, we have N / 2 neural networks, each of which has one output and
Figure 00000033
inputs. The output of the neural network of the first hierarchical level shows confidence in the belonging of the biomaterial to the class of the functional state for which the neural network was trained. Neural networks of the first hierarchical level are trained using the same training samples. Neural network outputs range from zero to one. In this case, the classification is carried out in two classes "class of interest" and the class "everything else". At the second hierarchical level, there is only one neural network with one output and the number of inputs equal to the number of neural networks at the first hierarchical level. The block diagram of the classifier is shown in Fig. 10.

Классификатор обучается согласно алгоритму, представленному на фиг. 11. В блоке 38 формируются обучающая выборка для обучения нейронной сети NET фиг. 10. Обучающие выборки формируются на основе исследования биоматериала пациентов, которые находятся в определенном функциональном состоянии. В качестве примера была взята группа пациентов, больных пневмонией с четко поставленным диагнозом (рентгенография, рентгеновская томография, данные лабораторного анализа) и группа волонтеров без легочных патологий. Диагнозы кодируются символами "0" и "1". Из полученной обучающей выборки методом скользящего экзамена формируются контрольные выборки (блок 39 фиг. 11). Для получения данных биоимпедансного анализа на грудную клетку пациента надевают электродный пояс и определяют графики Коула, соответствующие определенному сочетанию электродов. Процесс их получения иллюстрирует фиг. 12. Графики Коула определяются согласно схеме алгоритма фиг. 7. Пространство информативных признаков определяется для каждой нейронной сети группы NET1 посредством выполнения алгоритма фиг. 9. Формат данных для таблицы "объект -признак" представлен на фиг. 13 в таблице 1.The classifier is trained according to the algorithm shown in FIG. 11. In block 38, a training sample is formed for training the neural network NET of FIG. 10. The training samples are formed on the basis of the study of the biomaterial of patients who are in a certain functional state. As an example, a group of patients with pneumonia with a clearly defined diagnosis (radiography, X-ray tomography, laboratory analysis data) and a group of volunteers without pulmonary pathologies were taken. Diagnoses are coded with the characters "0" and "1". From the obtained training sample by the sliding exam method, control samples are formed (block 39 of Fig. 11). To obtain bioimpedance analysis data, an electrode belt is put on the patient's chest and the Cole graphs corresponding to a specific combination of electrodes are determined. The process for their preparation is illustrated in FIG. 12. Cole plots are determined according to the flow chart of FIG. 7. The space of informative features is determined for each neural network of the group NET1 by executing the algorithm of FIG. 9. The data format for the object-feature table is shown in FIG. 13 in table 1.

В цикле в блоке 41 фиг. 11 идет обучение нейронных сетей этой группы. После обучения всех нейронных сетей первого иерархического уровня формируется таблица "объект - признак" для нейронной сети NET2 (блок 44). Формат данных в этой таблице представлен на фиг. 14 в таблице 2. Строки в ней, как и на фиг. 14 в таблице 1, являются пациенты с диагнозом пневмония и пациенты со здоровыми легкими. В качестве независимых переменных в этой таблице выступают выходы нейронных сетей первого иерархического уровня. В блоке 45 осуществляется обучений нейронной сети NET2, а в блоке 46 осуществляют определение показателей качества классификации на контрольных выборках сети NET в целом.In the loop at block 41 of FIG. 11 is training neural networks of this group. After training all neural networks of the first hierarchical level, the table "object - feature" is formed for the neural network NET2 (block 44). The data format in this table is shown in FIG. 14 in Table 2. The lines in it, as in FIG. 14 in Table 1 are patients diagnosed with pneumonia and patients with healthy lungs. Outputs of neural networks of the first hierarchical level act as independent variables in this table. In block 45, the neural network NET2 is trained, and in block 46, the classification quality indicators are determined on the control samples of the NET as a whole.

Показатели качества диагностики по классам "пневмония - нет пневмонии" для одной из контрольных выборок представлены на фиг. 15 в таблице 3. Показатели качества диагностики предлагаемого способа сравнивались, как с прототипом, с показателями качества рентгеновских исследований на той же контрольной выборке.The indicators of the quality of diagnostics for the classes "pneumonia - no pneumonia" for one of the control samples are presented in Fig. 15 in table 3. Indicators of the quality of diagnostics of the proposed method were compared, as with the prototype, with indicators of the quality of X-ray studies on the same control sample.

Анализируя таблицу 3 фиг. 15, приходим к выводу, что на данной контрольной выборке оба способа имеют практически одинаковые диагностические эффективности, но биоимпедансные исследования превосходят рентгенологические по специфичности и несколько уступают по чувствительности, что позволяет рекомендовать их в клиническую практику. Способ классификации биологических объектов на основе многомерного биоимпедансного анализа и устройство для его реализации.Analyzing Table 3 of FIG. 15, we come to the conclusion that in this control sample both methods have practically the same diagnostic efficiency, but bioimpedance studies are superior to radiological studies in specificity and are somewhat inferior in sensitivity, which allows them to be recommended for clinical practice. A method for classifying biological objects based on multivariate bioimpedance analysis and a device for its implementation.

Claims (1)

Способ классификации данных, получаемых в результате биоимпедансного исследования, заключающийся в наложении электродов на исследуемый сегмент биообъекта, многочастотном зондировании биообъекта с получением графиков Коула, построении модели сегмента биообъекта в виде пассивных двухполюсников и классификации данных, получаемых в результате биоимпедансного исследования, по вычисленным параметрам двухполюсников, отличающийся тем, что в качестве электродов используется матрица N электродов, электроды в которой с помощью мультиплексоров последовательно попарно коммутируются таким образом, чтобы получить N/2 электродных пар, каждая из которых соответствует N/2 геометрическим направлениям электрического поля в биоматериале, для каждого из направлений строится график Коула биоматериала под соответствующими электродами в диапазоне частот зондирования от Ωmin до Ωmax и для каждого направления электрического поля строится модель Войта биоматериала посредством рекурсивной процедуры решения полученных на основе графиков систем нелинейных уравнений по определению параметров модели, начиная от первого звена модели Войта и последовательно, наращивая звенья в модели Войта до тех пор, пока функционал ошибки аппроксимации графика Коула для соответствующей модели Войта не достигнет допустимого значения, в каждом звене модели Войта осуществляется преобразование диады
Figure 00000034
j в
Figure 00000035
, где i-номер звена в j-й модели Войта, j=
Figure 00000036
- номер модели Войта для j-го сочетания электродов, C i и R i - параметры i-го звена j-й модели Войта,
Figure 00000037
; и формированием множества
Figure 00000038
, элементы которого используются в качестве дескрипторов обучаемого классификатора, построенного по иерархическому принципу и предназначенного для классификации данных, получаемых в результате биоимпедансного исследования.A method for classifying data obtained as a result of bioimpedance research, which consists in applying electrodes to the studied segment of a biological object, multifrequency sensing of a biological object with obtaining Cole plots, constructing a model of a segment of a biological object in the form of passive two-poles and classifying data obtained as a result of bioimpedance research, according to the calculated parameters of two-poles characterized in that a matrix of N electrodes is used as electrodes, the electrodes in which are serially connected in pairs using multiplexers so as to obtain N / 2 electrode pairs, each of which corresponds to N / 2 geometric directions of the electric field in the biomaterial, for each of the directions the Cole plot of the biomaterial is plotted under the corresponding electrodes in the probing frequency range from Ω min to Ω max, and for each direction of the electric field, the Voigt model of the biomaterial is constructed by means of a recursive solution procedure obtained based on the graphs of systems of nonlinear equations for determining the parameters of the model, starting from the first link of the Voigt model and sequentially increasing the links in the Voigt model until the functional of the Cole graph approximation error for the corresponding Voigt model reaches an acceptable value in each link of the Voigt model dyad transformation is performed
Figure 00000034
j in
Figure 00000035
, where the i-number of the link in the j-th Voigt model, j =
Figure 00000036
- Voight model number for the j-th combination of electrodes, C i and R i - parameters of the i-th link of the j-th Vojt model,
Figure 00000037
; and the formation of many
Figure 00000038
, the elements of which are used as descriptors of the trained classifier, built according to the hierarchical principle and intended for the classification of data obtained as a result of bioimpedance research.
RU2020115879A 2020-05-15 2020-05-15 Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation RU2752594C1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2020115879A RU2752594C1 (en) 2020-05-15 2020-05-15 Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2020115879A RU2752594C1 (en) 2020-05-15 2020-05-15 Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation

Publications (1)

Publication Number Publication Date
RU2752594C1 true RU2752594C1 (en) 2021-07-29

Family

ID=77226282

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2020115879A RU2752594C1 (en) 2020-05-15 2020-05-15 Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation

Country Status (1)

Country Link
RU (1) RU2752594C1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2793973C1 (en) * 2022-05-25 2023-04-11 Федеральное государственное бюджетное учреждение науки Сибирский федеральный научный центр агробиотехнологий Российской академии наук (СФНЦА РАН) Method for diagnosing fungal diseases of pine strawberry

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2107460C1 (en) * 1996-05-28 1998-03-27 Акционерное общество закрытого типа "Нейроком" Method and device for recording galvanic skin responses
EP1598093A2 (en) * 2004-05-19 2005-11-23 Pacesetter, Inc. System for automated fluid monitoring
MX2011009610A (en) * 2009-03-16 2011-11-04 Critical Perfusion Inc Systems and method for characteristic parameter estimation of gastric impedance spectra in humans.
JP5491362B2 (en) * 2003-09-12 2014-05-14 レナル リサーチ インスティテュート エルエルシー Bioimpedance method and apparatus
KR101627941B1 (en) * 2014-12-05 2016-06-07 한국 한의학 연구원 Apparatus and method of reproducing body cole-model using estimation of cole-cole plot factor
WO2019093115A1 (en) * 2017-11-08 2019-05-16 株式会社タニタ Body composition scale and body composition measurement program
US20190216358A1 (en) * 2018-01-12 2019-07-18 NovaScan, Inc. Techniques for predicting recurrence of cancerous cells using impedance detection
EP3570742A1 (en) * 2017-01-23 2019-11-27 Novascan, Inc. Techniques for detecting cancerous cells in excised tissue samples using impedance detection

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2107460C1 (en) * 1996-05-28 1998-03-27 Акционерное общество закрытого типа "Нейроком" Method and device for recording galvanic skin responses
JP5491362B2 (en) * 2003-09-12 2014-05-14 レナル リサーチ インスティテュート エルエルシー Bioimpedance method and apparatus
EP1598093A2 (en) * 2004-05-19 2005-11-23 Pacesetter, Inc. System for automated fluid monitoring
MX2011009610A (en) * 2009-03-16 2011-11-04 Critical Perfusion Inc Systems and method for characteristic parameter estimation of gastric impedance spectra in humans.
KR101627941B1 (en) * 2014-12-05 2016-06-07 한국 한의학 연구원 Apparatus and method of reproducing body cole-model using estimation of cole-cole plot factor
EP3570742A1 (en) * 2017-01-23 2019-11-27 Novascan, Inc. Techniques for detecting cancerous cells in excised tissue samples using impedance detection
WO2019093115A1 (en) * 2017-11-08 2019-05-16 株式会社タニタ Body composition scale and body composition measurement program
US20190216358A1 (en) * 2018-01-12 2019-07-18 NovaScan, Inc. Techniques for predicting recurrence of cancerous cells using impedance detection

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2793973C1 (en) * 2022-05-25 2023-04-11 Федеральное государственное бюджетное учреждение науки Сибирский федеральный научный центр агробиотехнологий Российской академии наук (СФНЦА РАН) Method for diagnosing fungal diseases of pine strawberry

Similar Documents

Publication Publication Date Title
US8594780B2 (en) Method for analyzing the structure of an electrically conductive object
Baidillah et al. Electrical impedance spectro-tomography based on dielectric relaxation model
CN102307524B (en) System and method for characteristic parameter estimation of gastric impedance spectra in humans
WO2007009183A1 (en) Index determination
CN109745046B (en) Electrical impedance imaging electrode and system suitable for motion state
CN107003296A (en) Hemolysis test method and system
Mylott et al. Bioelectrical impedance analysis as a laboratory activity: At the interface of physics and the body
CN111887847A (en) Visceral fat measuring method and device based on human body composition meter, computer equipment and storage medium
Cabrera-López et al. Structured approach and impedance spectroscopy microsystem for fractional-order electrical characterization of vegetable tissues
CN113100740A (en) Abdominal component analyzer and analysis method thereof
CN109662712A (en) A kind of dynamic multi-frequency impedance tomograph imaging method based on impedance spectrum constraint
CN103713018B (en) Water-injected meat method for quick
RU2752594C1 (en) Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation
AU2007266311A1 (en) Impedance measurements
El Fezazi et al. PSoC-Based Embedded Instrumentation and Processing of sEMG Signals
Freeborn Bioimpedance analysis using fractional-order equivalent electrical circuits
Clemente et al. Electrical impedance spectral measurements of muscular tissue in different physiological condition
Xiang et al. Image Reconstruction for Multi-frequency Electromagnetic Tomography based on Multiple Measurement Vector Model
Al-Ali Design and implementation of a magnitude only bio-impedance analyzer
Bozorov et al. Methodology of Teaching the Subject of" Electrical Conductivity and Resistance of Organs" Based on the Integration of Sciences.
Khomidjonov INTERDISCIPLINARY INTEGRATION IS A NECESSARY CONDITION OF MODERN EDUCATION
CN114176558A (en) Local fat layer thickness analyzer based on multi-electrode organism impedance measurement
Liu et al. Research on Intelligent Abnormal Body Weight Monitoring Algorithm Based on Fat Depth Learning
WO2022146270A1 (en) An ann based single calibration impedance measurement system for skin impedance range
Fidaner et al. Wavelet Transform Analysis of Bio-impedance Spectroscopy for Accurate Cancer Detection