УСТРОЙСТВО ДЛЯ ОПРЕДЕЛЕНИЯ ПСИХИЧЕСКОГО СОСТОЯНИЯ Российский патент 1997 года по МПК A61B5/16 

Предлагаемое техническое решение относится к медицине и вычислительной технике и может быть использовано для объективного определения психического состояния человека.

Известно устройство для анализа течения психоневрологических заболеваний [1] которое содержит датчик времени, создатель микроклимата, датчик окружающей температуры, камеру микроклимата, датчик температуры тела, цифровое счетное устройство и выдающее устройство.

Известно также устройство для анализа течения психоневрологических заболеваний [2] которое содержит датчик времени, датчик температуры тела, блок подготовки данных, блок анализа временных последовательностей, блок запоминания и сравнения, блок выдачи.

Оба технических устройства реализуют практически одно техническое решение.

Принцип работы устройств заключается в том, что температура тела измеряется в течение суток каждый час либо усредняется в течение каждого часа, корректируется и анализируется в счетном устройстве. Результаты анализа запоминаются и сравниваются с уже накопленными величинами, характеризующими заболевание, выздоровление, и/или с величинами предыдущих анализов.

Указанные устройства имеют ограниченные возможности, поскольку измеряют лишь один физиологический параметр температуру тела. Основной недостаток заключается в том, что с их помощью невозможно осуществить диагностику - зафиксировать отсутствие или наличие психического заболевания и определить степень его тяжести, если заболевание зафиксировано.

Из известных технических решений наиболее близким к предлагаемому является вычислительное устройство для диагностики заболеваний [3] Это устройство содержит переключатели, клавишную панель, блок управления, счетчик адреса, генератор тактовых импульсов, коммутатор, блок памяти, кодоимпульсный преобразователь, блок индикации признаков, блок индикации исходов. Работа устройства основана на работе линейной дискриминантной функции вида
A=a(1,i)•x(1)+a(2,i)•x(2)+.+a(m,i)•x(m)+a(m+1,i),
где a(j,i) весовой коэффициент j-го признака;
x(j) бинарное значение j-го признака (0 или 1);
m число признаков;
n число исходов (i=1,n);
a(m+1,i) константы.

Устройство предназначено для дифференциальной диагностики, в частности, при острой неврологической патологии.

Однако с использованием его осуществляется диагностика лишь соматической неврологической патологии и невозможно реализовать диагностику психического состояния и тем более определить степень тяжести психического расстройства.

Технический результат настоящего устройства состоит в повышении точности оценки психофизиологического состояния.

Этот результат заключается в том, что предполагаемое устройство содержит блок первичных датчиков, блок памяти и блок индикации. Кроме того, в него введены блок входной обработки, блок вычисления первичных характеристических функций, решающий блок и блок обучения. Выходы блока первичных датчиков соединены с входами блока входной обработки. Выходы этого блока подключены к входам блока вычисления первичных характеристик и входам блока памяти. Выход блока вычисления первичных характеристик соединен с входом блока вычисления характеристических функций и входом блока памяти. Выход блока памяти соединен с входом блока обучения, выход которого соединен с входом блока вычисления характеристических функций. Выход этого блока подключен к входу решающего блока, выход которого связан с входом блока индикации.

Сопоставительный анализ предлагаемого технического решения с прототипом показывает, что общими признаками этого устройства и прототипа (см. а.с. N 1238105) являются блок первичных датчиков, блок памяти и блок индикации. Сравнение предложенного устройства с другими известными техническими решениями показывает, что в них в различных комбинациях и под различными названиями встречаются блок обучения, решающий блок и блок вычисления характеристик функций. Однако введение описанных выше связей между блоками приводит к достижению качественно нового эффекта возможности диагностики психического состояния и определения степени тяжести психического заболевания.

На чертеже представлена функциональная схема устройства.

Устройство для определения психического состояния содержит блок первичных датчиков 1, выход которого подключен к входу блока входной обработки 2. Выход блока входной обработки 2 соединен с входом блока вычисления первичных характеристик 3 и первым входом блока памяти 4. Выход блока вычисления первичных характеристик 3 соединен с первым входом блока вычисления характеристических функций 5 и вторым входом блока памяти 4. Выход блока памяти 4 соединен с входом блока обучения 6, выход которого подключен к второму входу блока вычисления характеристических функций 5. Выход блока 5 связан с входом решающего блока 7, а выход решающего блока 7 подключен к входу блока индикации 8.

Работа устройства происходит в два этапа: этапа обучения и этапа реальной диагностики.

Описание работы устройства начнем с второго этапа, когда обучение уже выполнено, необходимая информация накоплена и содержится в блоке обучения 6.

Работа на втором этапе происходит следующим образом. С помощью блока 1 первичных датчиков измеряются значения параметров, относящихся к процессу регуляции физиологических функций (например, температура, показатели сердечного ритма, артериальное давление и т.д.). Дальнейшее изложение будем вести на примере использования отрезков кардиограммы, снятых за определенный промежуток времени.

Измеренные параметры из блока первичных датчиков 1 подаются в блок входной обработки 2, в котором по исходной кардиограмме фиксируется деятельность RR-интервалов. В результате получается последовательность чисел - временной ряд, в котором каждое из чисел соответствует длительности одного RR-интервала. Конечное число элементов временного ряда (в конкретной реализации устройства их было 256) подвергается дальнейшей обработке, а именно скользящему сглаживанию с различными длинами окон (5, 7, 10 с и т.д.) и смещением на один интервал.

Исходная и полученные последовательности поступают на вход блока 3 вычисления первичных характеристик и на первый вход блока памяти 4.

В данном примере в блоке вычисления первичных характеристик 3 в процессе обработки вычисляются 308 параметров, характеризующих разброс значений соответствующих характеристик и линейную зависимость между различными участками последовательностей.

Обработка делится на 2 части. В первой части вычисляются следующие параметры:
среднее значение интервала RR;
стандартное отклонение;
коэффициент вариации;
среднее значение разности последовательных интервалов при их нарастании Т1;
стандартное отклонение величины Т1;
среднее значение разности последовательных интервалов при их убывании Т2;
стандартное отклонение величины Т2;
среднее значение отношения разности двух последовательных интервалов RR к первому из них при нарастании интервалов RR F1;
стандартное отклонение величины F1;
среднее значение отношения разности двух последовательных интервалов RR к первому из них при убывании интервалов F2;
стандартное отклонение величины F2;
количество пересечений среднего значения K;
длительность последовательности в интервалах;
длина волны в секундах (среднее время между тремя последовательными пересечениями);
размах колебаний последовательности от минимума до максимума;
длительность последовательности в секундах;
среднее количество интервалов в одном цикле сглаживания N;
стандартное отклонение величины N.

Во второй части вычисляются параметры линейной зависимости между участниками последовательностей за 5, 10, 30 и 60 с.

В вычислениях участвуют последовательности: исходная и сглаженные по 10, 30, 60 с.

Возможные значения интервалов RR от 400 до 1600 мс разбиваются на участки (окна) по 10 мс, всего 122 окна под номерами от 1 до 122.

Организуются три двухмерных массива A(122,2), B(122,2), K(122,2).

A массив начал-концов, где A(i,1) -сумма интервалов, начинающихся в окне i; A(i,2) сумма соответствующих им конечных интервалов;
B массив концов-начал, где B(i,1) сумма интервалов, заканчивающихся в окне i; B(i,2) сумма соответствующих им начальных интервалов;
K счетчик интервалов в окнах, где K(i,1) количество интервалов, начинающихся в i-м окне; K(i,2) количество интервалов, заканчивающихся в i-м окне.

Берется очередной j-й интервал RR и определяется номер окна i, к которому он относится. В элемент A(i,1) прибавляется j-й интервал RR.

Затем осуществляется переход к интервалу l, отстоящему от данного на промежуток времени 5 с. Этот l-й интервал прибавляется к элементу массива A(i,2). К элементу K(i,1) прибавляется единица.

Определяется, к какому окну m относится l-й интервал, после чего он прибавляется к элементу B(m,1), а исходный j-й интервал к элементу B(m,2). Кроме того, единица прибавляется к K(m,2). Выполнив эти действия, переходим к рассмотрению (j+1)-го интервала RR и повторяем их до тех пор, пока не дойдем до конца последовательности. Все перечисленные операции выполняются для указанных последовательностей (исходной и сглаженных по 10, 30, 60 с) и для промежутков времени 5, 10, 30, 60 с.

В данной реализации алгоритма информация о распределении интервалов RR по окнам не используется. Работа проводилась для построения гистограмм распределения начальных значений интервалов.

Вычисляются следующие суммы: A1 сумма всех элементов первого столбца массива A; A2 сумма всех элементов второго столбца массива A. Аналогично вычисляются B1, B2, K1, K2.

По ним определяются средние начала и окончания для каждого промежутка времени (5, 10, 30, 60 с) указанных последовательностей (исходной и сглаженных по 10, 30, 60 с): A1=A1/K1, A2=A2/K1, B1=B1/K2, B2=B2/K2.

Вычисляются средние значения элементов A(i,1), A(i,2), то есть "среднее начало для окна i" и "среднее окончание для окна i". Те же вычисления проводятся для массива B. Для этого каждый i-й элемент массива A делится на значение элемента K(i,1), а элементы массива B на соответствующие значения K(i, 2).

Для всех окон (строк массива), содержащих ненулевые элементы, вычисляются следующие суммы:
W=W+(A(j,2)-A2)•(A(j,1)-A1)
X=X+(A(j,2)-A2)^2
Y=Y+(B(j,2)-B2)•(B(j,1)-B1)
Z=Z+(B(j,2)-B2)^2
Для очередного исследуемого промежутка с определяются элементы массивов S и W.

S(c,1)=W/X
S(c,2)=Y/Z
W(c,1)=A2-S(c,1)•A1
W(c,2)=B2-S(c,2)•B1
Они представляют собой значения коэффициентов линейной регрессии a и b: Y= a+b•x, где a=S(c,1) постоянная составляющая уравнения линейной регрессии прямой, связывающей средние начала со средними окончаниями через промежуток времени с, b= W(c,1) тангенс угла наклона этой прямой; S(c,2) - постоянная составляющая уравнения линейной регрессии прямой, связывающей средние окончания со средними началами через промежуток времени с; W(c,2) - тангенс угла наклона этой прямой.

Как указывалось, описанные действия проводятся для исходной последовательности и сглаженных по 10, 30, 60 с методом скользящего среднего; каждая из четырех последовательностей рассматривается для промежутков времени 5, 10, 30 и 60 с. Таким образом, для каждой кривой вычисляется по 7 пар регрессионных параметров (по 6 пар для перечисленных временных промежутков и по одной паре усредненных параметров), а также общее количество учитываемых пар начала-окончания и окончания-начала.

После завершения расчета параметров следует приступить к вычислению заключения.

Заключение представляет собой алгебраическую сумму части параметров, домноженных на весовые коэффициенты. Какие параметры и на какие весовые коэффициенты следует домножать, определяется так называемыми решающими правилами.

Решающее правило в нашем случае это список параметров и коэффициентов при них, полученный как результат статистической обработки (дискриминантного анализа) параметров большого количества пациентов с точно верифицированными состояниями.

Вычисленные первичные характеристики поступают на первый вход блока 5 и второй вход блока памяти 4. Поскольку, как было условлено выше, процесс обучения уже осуществлен, и в блоке обучения уже содержится информация о параметрах, которые должны быть введены в блок характеристических функций 5 для того, чтобы реализовать процесс диагностики.

Список параметров и коэффициенты при них в процессе практического использования поступают на второй вход блока 5 вычисления характеристических функций X1 и X2. Вычисленные характеристические функции X1 и X2 поступают на вход решающего блока 7, в котором по соотношению между указанными функциями принимается решение о психическом состоянии обследуемого пациента. Полученное решение поступает в блок индикации 8. Таким образом осуществляется процесс диагностики по принципу "норма" патология. Возможен также иной вариант работы решающего блока 7. В этом случае вычисляется разность X1-X2 и значение разности позволяет реализовать непрерывную шкалу оценки психического состояния. Положительные значения разности свидетельствуют о норме, отрицательные о патологии, а близкие к нулю о пограничном состоянии.

Перейдем к описанию работы устройства в первом режиме режиме обучения. В этом случае используется "обучающая выборка" набор сведений о верифицированных больных с заранее известными диагнозами.

Работа блоков 1, 2 и 3 протекает так же, как описано выше. Вычисленные первичные характеристики поступают на первый вход блока вычисления характеристических функций 5 и второй вход блока памяти 4. В процессе обучения на третий вход блока памяти 4 поступает информация о психическом состоянии обследуемого пациента с точно верифицированным состоянием, например "здоров", "невроз", "психоз". Вся информация, хранящаяся в блоке памяти 4, поступает в блок 6 обучения, в котором отбирается список параметров и рассчитываются коэффициенты при них, характеризующие определенное психическое состояние.

Устройство для определения психического состояния относится к медицине и вычислительной технике. Устройство может быть использовано для объективного определения психического состояния человека, а также степени тяжести психического заболевания. Устройство содержит блок первичных датчиков, блок входной обработки, блок вычисления первичных характеристик, блок памяти, блок вычисления характеристических функций, блок обучения, решающий блок и блок индикации. 1 ил.

Устройство для оценки психического состояния, содержащее блок первичных датчиков, блок памяти и блок индикации, отличающееся тем, что в него дополнительно введены блок входной обработки, блок вычисления первичных характеристик, блок вычисления характеристических функций, блок обучения и решающий блок, причем выходы блока первичных датчиков подключены к блоку входной обработки, выходы которого соединены с входами блока вычисления первичных характеристик и блока памяти, выходы блока вычисления первичных характеристик соединены с входами блока вычисления характеристических функций и блока памяти, выход блока памяти с входом блока обучения, другой вход блока вычисления характеристических функций соединен также с выходом блока обучения, а выход с входом решающего блока, выход которого соединен с входом решающего блока, выход которого соединен с входом блока индикации.