Изобретение относится к области медицины и ветеринарии, в частности к способам автоматической диагностики заболеваний, и может быть использовано для диагностики состояний любых биологических объектов.
Известен способ выявления спектрально-динамических (СД) субпроцессов волнового электромагнитного поля биологических объектов, включающий запись динамического спектра объекта через пассивный электрод и установление качественного СД-соответствия предварительно записанному эталону. Производится серия записей, для которой фиксируют уровни СД-соответствий, переводят результат в количественный вид и осуществляют оценку соответствия (по патенту EA017369, кл. A61B 5/04, опубл. 30.11.2012).
Известен способ нозологической экспресс-диагностики, включающий пассивную запись динамического спектра электромагнитного волнового поля на поверхности кожи, выбор маркеров, относящихся к определенной нозологии, из общей базы маркеров, установление соответствия динамического спектра пациента маркерам выбранной нозологии, оценку степени соответствия определенных маркеров уровням риска заболевания или стадиям развития болезни и формирование диагностического заключения (по патенту EA030399, кл. A61B 5/04, A61B 5/05, опубл. 31.07.2018).
Недостатком известных способов является низкая автоматизация процесса, а также невозможность непрерывного отслеживания состояния биологического объекта, так как запись динамического спектра электромагнитного волнового поля осуществляется только в момент проведения диагностики.
Наиболее близким техническим решением является способ автоматической диагностики состояний объекта и система для осуществления этого способа на основе метода спектрально-динамического анализа волнового сигнала с поверхности тела, распознавания и оценки степени соответствия нозологическим группам спектрально-динамических эталонов с установлением наличия или стадий развития заболевания. Система включает дополнительную буферную базу данных для нозологических групп эталонов, блок оценки степени соответствия, блок принятия решений. Система может быть выполнена распределенной с множеством терминалов для записи волновых сигналов с системой их передачи и центром обработки и установления диагноза. Для более точной диагностики используется резонансная или компенсационная биологическая обратная связь в зависимости от эргического типа активных эталонов (по патенту EA030399, кл. A61B 5/00, G16H 50/30, опубл. 03.06.2022).
Недостатком известного решения является применение прямого алгоритма кластерного анализа, который требует значительных вычислительных ресурсов для обработки непрерывных записей волнового сигнала и последующего алгоритмического сравнения сверток. Также прямой алгоритм кластерного анализа обеспечивает обобщенный подход, поскольку он фокусируется на системных базах, предназначенных для всех органов и систем организма. Это может привести к упущению специфичных для отдельных заболеваний паттернов в волновом сигнале, как следствие, менее точной и специфичной диагностике, особенно при рассмотрении различных заболеваний. Кроме того, прямой алгоритм кластерного анализа является менее адаптивным к динамическим изменениям в состоянии пациента, таким как временные колебания в сигналах. Это может привести к менее точным результатам в условиях, требующих более динамичного и гибкого подхода. Прямой алгоритм кластерного анализа обычно не обеспечивает высокую степень динамичности в оценке уровней риска и установлении диагноза, что может снизить его способность точно отслеживать изменения в состоянии пациента.
Технический результат, на достижение которого направлено предлагаемое изобретение, заключается в сокращении вычислительных ресурсов, ускорении, повышении точности, адаптивности и автоматизации процесса диагностики биологического объекта.
Указанный технический результат достигается тем, что способ обработки волнового диагностического сигнала от биологического объекта (биообъекта) включает пассивную фрагментированную запись электромагнитного сигнала с поверхности объекта, формирование рабочего пакета записей, обработку пакета посредством спектрально-динамических преобразований, определение спектрально-динамического сходства обработанного сигнала с по меньшей мере одним волновым эталоном из группы эталонов, референтных диагностируемому состоянию объекта и по степени сходства определение состояния, и отличается тем, что для формирования пакета записей осуществляют нарезку множества стандартных по длительности фрагментов из предварительно записанного непрерывного сигнала, а спектрально-динамические преобразования и определение сходства с эталонами осуществляют для каждого фрагмента, после чего результаты сравнивают и выбирают фрагменты с наибольшим сходством для дальнейшего анализа.
Кроме того, нарезку множества фрагментов можно осуществлять с прямым сдвигом момента начала нарезки последующего фрагмента относительно момента окончания нарезки предыдущего фрагмента на фиксированный интервал времени.
Кроме того, нарезку множества фрагментов можно осуществлять с обратным сдвигом момента начала нарезки последующего фрагмента относительно момента окончания нарезки предыдущего фрагмента на фиксированный интервал времени.
Кроме того, на полученном множестве фрагментов можно осуществлять построение полной матрицы их сходства, выбор наиболее мощного кластера фрагментов с высоким сходством между собой, формирование рабочего пакета из этого кластера для спектрально-динамических преобразований и осуществления диагностических процедур.
Кроме того, полученное множество фрагментов можно использовать в качестве рабочего пакета, проводят его обработку посредством спектрально-динамических преобразований, определение спектрально-динамического сходства всех фрагментов с по меньшей мере одним волновым эталоном из группы эталонов, референтных диагностируемому состоянию объекта, далее из полученных оценок сходства формируют вектор ранжированных по возрастанию оценок сходства, затем формируют рамку размером, меньшим максимальной величины сходства, проходят рамкой по вектору с шагом, меньшим рамки, фиксируют количество оценок на каждом шаге, находят рамки с максимальным и одинаковым количеством оценок сходства и рассчитывают для этих рамок усредненную величину сходства, которую используют в диагностической процедуре.
Предлагаемое изобретение поясняется следующими чертежами:
Фиг. 1 - базовый алгоритм реализации способа;
Фиг. 2 - вариант алгоритма реализации способа;
Фиг. 3 - пример реализации способа.
Способ обработки волнового диагностического сигнала от биообъекта (фиг. 1) включает в себя пассивную запись (Recording) фрагментов электромагнитного сигнала с поверхности объекта при помощи диагностического электрода 1, последовательно подключенному к широкополосному усилителю 2 и аналого-цифровому преобразователю АЦП 3. Для формирования пакета записей осуществляется нарезка (Sampling) множества стандартных по длительности фрагментов t1…tn из предварительно записанного непрерывного сигнала T. Проводится обработка пакета посредством спектрально-динамических преобразований (Transforming) и определение спектрально-динамического сходства для каждого фрагмента обработанного сигнала с волновым эталоном (Recognition) из группы эталонов (BD) и выбирают фрагменты с наибольшим сходством для дальнейшего анализа (Selection). Выбранные фрагменты снова сравниваются (Refinement) с группой эталонов (BD), после чего производится оценка (Evaluation) и выносится заключение (Conclusion).
По варианту реализации способ обработки волнового диагностического сигнала от биообъекта (фиг. 2) включает в себя пассивную запись (Recording) фрагментов электромагнитного сигнала с поверхности объекта при помощи диагностического электрода 1, последовательно подключенному к широкополосному усилителю 2 и аналого-цифровому преобразователю АЦП 3. Для формирования пакета записей осуществляется нарезка (Sampling) множества стандартных по длительности фрагментов t1…tn из предварительно записанного непрерывного сигнала T. Проводится обработка пакета посредством спектрально-динамических преобразований (Transforming) и определение спектрально-динамического сходства для каждого фрагмента обработанного сигнала с волновым эталоном (Recognition). Далее из полученных оценок сходства формируют вектор ранжированных по возрастанию оценок сходства (Arranging). Затем формируют рамку размером, меньшим максимальной величины сходства, проходят рамкой по вектору с шагом, меньшим рамки (Screening). Фиксируют количество оценок на каждом шаге, находят рамки с максимальным и одинаковым количеством оценок сходства (Selection) и рассчитывают для этих рамок усредненную величину сходства (Averaging), которую используют в диагностической процедуре и выносят заключение (Conclusion).
Применение
Заявленный способ был реализован в системе для диагностики и мониторинга субклинического мастита у коров. Для этого на каждую корову устанавливается специальный датчик 4, который передает сигнал на базовую станцию 5, которая его принимает и обрабатывает. Обработанный сигнал передается на сервер 6, который осуществляет прием, обработку и анализ полученных данных, а также их хранение. Результат обработанных данных (результат диагностики и мониторинга) передается на пользовательские устройства 7 с установленным специализированным интерфейсом, отображающим состояние каждой коровы, на которой установлен датчик. Результат показывает здоровых и больных коров, а также коров, находящихся в группе риска с высокой вероятностью заболеть. На основании этих данных в зависимости от результата врач принимает решение о лечении или профилактики заболевания.
Способ привносит в процесс диагностики высокую степень автоматизации. После сравнения с нозологическими базами и расчета уровня риска для каждого кластера записей алгоритм самостоятельно формирует диагноз. Он принимает во внимание динамику изменений в сигналах и, с учетом методологии правил и исключений, дает актуальную медицинскую оценку. Врачу остается лишь подтвердить результаты, что существенно сокращает время, необходимое для установления диагноза, и снижает влияние человеческого фактора.
Способ сокращает вычислительные затраты за счет использования адаптивных методов сравнения с нозологическими базами. Это обеспечивает более быстрый и эффективный анализ волнового сигнала, что особенно важно в ситуациях, требующих оперативных решений.
Способ ориентирован на конкретные заболевания, используя нозологические базы данных. Этот подход позволяет более точно выявлять и анализировать паттерны, связанные с определенными патологиями, что важно для целенаправленной и точной диагностики.
Способ обеспечивает более гибкий и адаптивный анализ, что позволяет более точно реагировать на динамические изменения в организме и состоянии пациента и обеспечивать надежный мониторинг его здоровья.
Способ позволяет произвести расчет уровня риска для каждого кластера записей по отношению к выбранным нозологическим базам. Динамичное усреднение уровней риска за предыдущий период и использование методологии правил и исключений обеспечивают более динамичное и актуальное определение диагноза.
Таким образом, решения, используемые в изобретении, обеспечивают сокращение вычислительных ресурсов, ускорение, повышение точности, адаптивности и автоматизации процесса диагностики биологического объекта и тем самым обеспечивают достижение технического результата.
название | год | авторы | номер документа |
---|---|---|---|
СПОСОБ РЕГИСТРАЦИИ И АНАЛИЗА СИГНАЛОВ АКУСТИЧЕСКОЙ ЭМИССИИ | 2014 |
|
RU2570592C1 |
СПОСОБ РАСПОЗНАВАНИЯ РЕЧЕВЫХ КОМАНД УПРАВЛЕНИЯ | 2003 |
|
RU2271578C2 |
СПОСОБ ДИАГНОСТИКИ ИНДУКЦИОННОЙ ПАЙКИ | 1998 |
|
RU2132262C1 |
СПОСОБ ДИАГНОСТИКИ КОНТАКТНОГО ОРЕБРЕНИЯ | 1998 |
|
RU2133180C1 |
УСТРОЙСТВО ДЛЯ ДИАГНОСТИКИ И ЛЕЧЕНИЯ | 1998 |
|
RU2130765C1 |
СПОСОБ ДИАГНОСТИКИ ФОРМООБРАЗОВАНИЯ ПРИ СВАРКЕ И УСТРОЙСТВО ЕГО ОСУЩЕСТВЛЕНИЯ | 1997 |
|
RU2127177C1 |
СПОСОБ ОБНАРУЖЕНИЯ И ИДЕНТИФИКАЦИИ ХИМИЧЕСКИХ И БИОЛОГИЧЕСКИХ ОБЪЕКТОВ В РАСТВОРАХ ВЫСОКОГО РАЗБАВЛЕНИЯ ПО СТРУКТУРНЫМ ИЗМЕНЕНИЯМ СРЕДЫ | 2004 |
|
RU2292035C2 |
СРЕДСТВО ЦВЕТОВОЙ ИДЕНТИФИКАЦИИ СОСТОЯНИЯ СИСТЕМЫ | 2023 |
|
RU2824435C1 |
СПОСОБ ИССЛЕДОВАНИЯ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ГОЛОВНОГО МОЗГА, УСТРОЙСТВО ДЛЯ ИССЛЕДОВАНИЯ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ГОЛОВНОГО МОЗГА И СПОСОБ ИЗМЕРЕНИЯ ПОДЭЛЕКТРОДНОГО СОПРОТИВЛЕНИЯ | 2003 |
|
RU2252692C2 |
Способ акустико-эмиссионной диагностики динамического промышленного оборудования | 2018 |
|
RU2684709C1 |
Изобретение относится к области медицины и ветеринарии, в частности к способам автоматической диагностики заболеваний, и может быть использовано для диагностики состояний любых биологических объектов. Предлагаемый способ обработки волнового диагностического сигнала от биологического объекта включает пассивную фрагментированную запись электромагнитного сигнала с поверхности объекта, формирование рабочего пакета записей, обработку пакета посредством спектрально-динамических преобразований, определение спектрально-динамического сходства обработанного сигнала с по меньшей мере одним волновым эталоном из группы эталонов, референтных диагностируемому состоянию объекта, и по степени сходства определение состояния. Для формирования пакета записей осуществляют нарезку множества стандартных по длительности фрагментов из предварительно записанного непрерывного сигнала, а спектрально-динамические преобразования и определение сходства с эталонами осуществляют для каждого фрагмента, после чего результаты сравнивают и выбирают фрагменты с наибольшим сходством для дальнейшего анализа. Изобретение обеспечивает сокращение вычислительных ресурсов, ускорение, повышение точности, адаптивности и автоматизации процесса диагностики биологического объекта. 3 з.п. ф-лы, 3 ил.
1. Способ обработки волнового диагностического сигнала от биологического объекта, включающий пассивную фрагментированную запись электромагнитного сигнала с поверхности объекта, формирование пакета записей, для которого осуществляют нарезку одного или более фрагментов из предварительно записанного непрерывного сигнала, осуществляют обработку каждого фрагмента посредством спектрально-динамических преобразований и осуществляют определение спектрально-динамического сходства для каждого фрагмента с волновым эталоном из группы эталонов, референтных диагностируемому состоянию объекта, и по степени сходства осуществляют определение диагностического состояния, после чего результаты сходства каждого фрагмента сравнивают и выбирают фрагменты с наибольшим сходством для дальнейшего анализа, при этом из полученных оценок сходства формируют вектор ранжированных по возрастанию оценок сходства фрагментов, затем формируют рамку, которой проходят по вектору с шагом, меньшим рамки, фиксируют количество оценок сходства на каждом шаге, а также находят рамки с максимальным и одинаковым количеством оценок сходства и рассчитывают для этих рамок усредненную величину сходства, которую используют в диагностической процедуре.
2. Способ по п. 1, отличающийся тем, что нарезку одного или более фрагментов осуществляют с прямым сдвигом момента начала нарезки последующего фрагмента относительно момента окончания нарезки предыдущего фрагмента на фиксированный интервал времени.
3. Способ по п. 1, отличающийся тем, что нарезку одного или более фрагментов осуществляют с обратным сдвигом момента начала нарезки последующего фрагмента относительно момента окончания нарезки предыдущего фрагмента на фиксированный интервал времени.
4. Способ по п. 1, отличающийся тем, что на полученном одном или более фрагментах осуществляют построение полной матрицы их сходства, выбор наиболее мощного кластера фрагментов с высоким сходством между собой, формирование рабочего пакета из этого кластера для спектрально-динамических преобразований и осуществления диагностических процедур.
US 2013197322 A1 01.08.2013 | |||
WO 2020160485 A1 06.08.2020 | |||
EA 201401218 A2 31.03.2015 | |||
КАПРАНОВ Б.И., Акустические методы контроля и диагностики, часть 1, Учебное пособие, Томск, изд-во Томского политехнического университета, 2008, 186 с. |
Авторы
Даты
2024-09-23—Публикация
2024-02-16—Подача