Интерпретируемый нечеткий классификатор рукописных данных для диагностики нейродегенеративных заболеваний

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 22-21-00021

НазваниеИнтерпретируемый нечеткий классификатор рукописных данных для диагностики нейродегенеративных заболеваний

Руководитель Ходашинский Илья Александрович, Доктор технических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Томский государственный университет систем управления и радиоэлектроники" , Томская обл

Конкурс №64 - Конкурс 2021 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами»

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-726 - Системы и технологии интеллектуального анализа данных и распознавания образов

Ключевые слова Нечеткий классификатор; интерпретируемость; рукописные данные; нейродегенеративные заболевания

Код ГРНТИ28.23.29

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Актуальность. Неврологические нарушения – это болезни центральной и периферической нервной системы. Эти нарушения включают эпилепсию, болезни сосудов мозга, рассеянный склероз, болезнь Паркинсона, болезнь Альцгеймера и другие виды деменции. Большинство таких заболеваний (например, болезни Паркинсона и Альцгеймера) невозможно вылечить, но ранняя диагностика может помочь замедлить их развитие. Указанные аспекты объясняют важность разработки систем ранней диагностики нейродегенеративных заболеваний. Нейродегенеративные заболевания являются следствием прогрессирующей гибели нервных клеток, которая приводит к различным неврологическим симптомам. Например, для болезни Паркинсона характерным является тремор, однако определение заболевания, вызывающего этот симптом, - трудная задача. Изучение и разработка методов оценки тремора имеет первостепенное значение для клинической практики. Типичным клиническим инструментом для оценки тяжести тремора является анализ рукописных данных (рукописное письмо и рисунок). Оценка этих данных зависит от опыта профессионалов, что приводит к неоднозначным результатам анализа. Одним из подходов преодоления указанного субъективизма является применение методов машинного обучения для анализа рукописных данных. Однако большая часть разработанных систем не находит широкого применения в клинической практике по причине нерешенных вопросов, связанных с доверием к этим системам и пониманием рекомендуемого ими решения. Основная проблема заключается в том, что эти системы работают по принципу «черного ящика». В настоящее время существует потребность в разработке альтернативных подходов, обеспечивающих явные логические причинно-следственные связи симптомы-диагноз, а не подходов, демонстрирующих высокие уровни точности, сопоставимые или превосходящие уровень, достигнутый врачом, но использующие трудно интерпретируемые модели. Нечеткие классификаторы, относящиеся к классификаторам, основанным на правилах, имеют большие преимущества, как с точки зрения их функциональности, так и последующего анализа и проектирования. Уникальное преимущество нечетких классификаторов связано с интерпретируемостью правил классификации. Однако из-за большого числа признаков, присутствующих в наборах рукописных данных, наблюдается увеличение времени вычислений, снижение интерпретируемости и точности классификации. Извлечение и отбор признаков позволяют уменьшить размерность входного пространства признаков, путем нахождения и удаления нерелевантных признаков. Таким образом, для решения проблем выявления неврологических нарушений актуальным является разработка систем диагностики, в состав которых включены интерпретируемые и точные классификаторы с извлечением и отбором информативных признаков из сигналов рукописных данных. Объектом исследования являются процессы изменения в почерке, позволяющие выявлять пациентов с нейродегенеративными заболеваниями. Предметом исследования являются методы построения нечетких классификаторов, в которых соблюден компромисс интерпретируемость-точность, для диагностики нейродегенеративных заболеваний по рукописным данным. Методы исследования: нечеткая логика, методы оптимизации, методы отбора признаков. Целью проекта является проведение исследований, направленных на создание методов и алгоритмов машинного обучения для классификации и интерпретации результатов классификации. В качестве основного приложения методов рассматривается диагностика нейродегенеративных заболеваний по рукописным данным на основе нечетких классификаторов. Предлагаемые в проекте методы являются общими и кроме медицины могут использоваться в самых различных областях. Научная новизна Основная идея проекта заключается в следующем: основываясь на собственных ранее выполненных работах по биометрической аутентификации пользователя по рукописной подписи и работах по созданию интерпретируемых нечетких систем, разработать хорошо интерпретируемые нечеткие классификаторы и провести исследования, направленные на раннее выявление нейродегенеративных заболеваний на основе рукописных данных (подпись, письмо, рисунок). В рамках текущего проекта 1. Будет разработана методика выявления нейродегенеративных заболеваний на основе рукописных данных. Отличительной особенностью методики является использование хорошо интерпретируемого нечеткого классификатора. 2. Будет разработан метод отбора информативных признаков для выявления нейродегенеративных заболеваний на основе рукописных данных. Метод работает в режиме «обертки» и позволяет находить оптимальные решения в пространствах «ошибка-число признаков» или «ошибка-интерпретируемость». 3. Будет разработан метод генерации базы правил нечеткого классификатора, отличающийся применением итерационного процесса добавления правил класса с наименьшей точностью распознанных экземпляров и позволяющий повысить качество классификации. 4. Будут разработаны алгоритмы оптимизации параметров функций принадлежности нечетких классификаторов, позволяющие находить оптимальные решения в пространстве «ошибка-время выполнения». 5. Будет предложен новый метод нечеткого вывода, отличающийся применением весовых коэффициентов признаков, настраиваемых непрерывными метаэвристическими алгоритмами. 6. Будет предложен метод построения нечетких классификаторов, отличающийся применением алгоритмов смешанной оптимизации и позволяющий осуществить структурную и параметрическую идентификацию. Структура классификатора в векторе поиска представлена целочисленными переменными, параметры функций принадлежности – вещественными. Данное сочетание позволит одновременно проводить построение оптимальной структуры и оптимизацию параметров классификатора. 7. Будут разработаны эффективные инструменты, позволяющие отвечать на вопросы "как получено решение", "почему получено решение именно такое решение" и "как изменится результат с изменением значений признаков".

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Остапенко Р.О., Ходашинский И.А. Формирование базы правил нечёткого классификатора с помощью метаэвристического алгоритма «саранчи» Доклады Томского государственного университета систем управления и радиоэлектроники, Т. 25. № 2. С. 31-36. (год публикации - 2022)
10.21293/1818-0442-2022-25-2-31-36

2. Бардамова М.Б., Ходашинский И.А., Шурыгин Ю.А., Сарин К.С., Светлаков М.О. Генерация базы правил нечеткого классификатора для диагностики болезни Паркинсона по рукописным данным Искусственный интеллект и принятие решений, № 2, С. 31-44. (год публикации - 2023)
10.14357/20718594230203

3. Сарин К., Бардамова М., Светлаков М., Корышев Н., Остапенко Р., Ходашинская А., Ходашинский И. A three-stage fuzzy classifier method for Parkinson’s disease diagnosis using dynamic handwriting analysis Decision Analytics Journal, 8, 100274 (год публикации - 2023)
10.1016/j.dajour.2023.100274

4. Сарин К.С. Нечеткий классификатор типа Min-Max: обзор Доклады ТУСУР, Т. 26, № 1, С. 65–75. (год публикации - 2023)
10.21293/1818-0442-2023-26-1-65-75

5. Герасимов А.В., Бардамова М.Б. Построение нечеткого классификатора на основе львиного алгоритма для выявления мошеннических банковских операций Сборник избранных статей научной сессии ТУСУР, Сборник избранных статей научной сессии ТУСУР. 2023. № 1-2. С. 149-152. (год публикации - 2023)

6. Илюткин М.А., Бардамова М.Б. Применение модифицированного совиного алгоритма для настройки нечеткого классификатора в задаче анализа трафика Сборник избранных статей научной сессии ТУСУР, Сборник избранных статей научной сессии ТУСУР. 2023. № 1-2. С. 152-156. (год публикации - 2023)

7. Ходашинский И.А., Шурыгин Ю.А., Сарин К.С., Бардамова М.Б., Слёзкин А.О., Светлаков М.О., Корышев Н.П. Fuzzy Classifiers for Diagnosing of Parkinson’s Disease Based on Static Handwritten Data Optoelectronics, Instrumentation and Data Processing, Vol. 59, P. 346–357 (год публикации - 2023)
10.3103/S8756699023030081

8. Ходашинский И.А., Шурыгин Ю.А., Сарин К.С., Бардамова М.Б., Слёзкин А.О., Светлаков М.О., Корышев Н.П. Нечёткие классификаторы для диагностики болезни Паркинсона на основе статических рукописных данных Автометрия, Т. 59. № 3. С. 72-85. (год публикации - 2023)
10.15372/AUT20230308

9. Остапенко Р.О., Ходашинский И.А., Шурыгин Ю.А. Построение нечёткого классификатора на основе метаэвристического алгоритма «саранчи» Научно-техническая информация. Серия 2: Информационные процессы и системы, № 11. С. 26-40 (год публикации - 2023)
10.36535/0548-0027-2023-11-2

10. Ходашинский И.А., Сарин К.С., Бардамова М.Б., Светлаков М.О., Слёзкин А.О., Корышев Н.П. Биометрические данные и методы машинного обучения в диагностике и мониторинге нейродегенеративных заболеваний: обзор Компьютерная оптика, Т. 46, № 6. С. 988-1019 (год публикации - 2022)
10.18287/2412-6179-CO-1134

11. Шуклин Р.С., Бардамова М.Б. Оптимизация нечеткого классификатора метаэвристическим алгоритмом рыб-парусников при обнаружении DDoS-атак Сборник избранных статей научной сессии ТУСУР, Сборник избранных статей научной сессии ТУСУР. 2023. № 1-2. С. 177-181. (год публикации - 2023)

Публикации