ВИСОКОПРОДУКТИВНІ МЕТОДИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ МОДЕЛЮВАННЯ ТА ІНДЕНТИФІКАЦІЇ ПАРАМЕТРІВ АНОРМАЛЬНИХ РУХІВ ПІД ДІЄЮ ЗВОРОТНИХ КОГНІТИВНИХ ВПЛИВІВ
DOI:
https://doi.org/10.32782/mathematical-modelling/2022-5-1-9Ключові слова:
неврологічні рухи, тремор, математичне моделювання, когнітивні зворотні нейрозв'язки, аномальний рух, графічний планшет, електроенцефалограма, діагностика, гібридне перетворення Фур'є, апаратне та програмне забезпечення, комп’ютерне моделюванняАнотація
Нові методи моделювання використовуються для забезпечення підходу до проектування цифрових діагностичних систем здоров’я для пацієнтів із неврологічними захворюваннями. Актуальним завданням є створення нових програмно-апаратних рішень для медицини та автоматизованих діагностичних систем для ідентифікації нових явищ організму та здоров’я людини. Важливим є дослідження нейро-біо-систем зі feedback-зв’язком, пов’язаних з аналізом стану та поведінки Т-об’єктів (пацієнтів з ознаками тремору) під когнітивним впливом нейронних вузлів кори головного мозку. В сучасних умовах особлива увага приділяється новим цифровим системам діагностики та лікування в медичному застосуванні. Спроектована математична модель наномедичної системи орієнтована на визначення параметрів анормальних рухів пацієнтів із симптомами тремору (Т-об’єктів), викликаних негативними впливами певного набору нервових вузлів кори головного мозку. Визначення параметрів цих впливів окреслить шляхи вирішення проблеми. Авторами описано моделі сигналів, отриманих в якості вхідних даних для опрацювання (рисунок пацієнта тесту спіралі Архімеда), проаналізовано точність та ефективність методів комп’ютеризованого аналізу ступеню тремору. Описано основні результати моделювання, отримано частотні характеристики, амплітуди коливання, відхилення від норми та інші показники. Розроблено високоефективну інформаційну технологію для оцінки неврологічних рухів людини на основі гібридної моделі аналізу хвильового сигналу з урахуванням когнітивного зворотного зв’язку нейровузлів кори головного мозку. З використанням гібридних перетворень Фур’є реалізовано швидкісне аналітичне рішення моделі у векторній формі, що дозволяє визначати елементи рухів на кожному відрізку складної спіральної траєкторії, що виконується пацієнтом за допомогою електронного пера на цифровому планшеті. , та ідентифікували параметри досліджуваних нейросистем зі зворотним зв'язком.
Посилання
Electroencephalography complex NEUROKOM, NEUROLAB. Instructions for medical application AINC.941311.001 I1 U 33.1-02066769-001-2002.
Haubenberger D., Kalowitz D., Nahab F. B., Toro C., Ippolito D., Luckenbaugh D.A., Wittevrongel L., Hallett M. Validation of Digital Spiral Analysis as Outcome Parameter for Clinical Trials in Essential Tremor. Movement Disorders, 26 (11), 2073-2080, (2011).
Rajaraman V., Jack D., Adamovich S.V., Hening W., Sage J., Poizner H. A novel quantitative method for 3D measurement of Parkinsonian tremor. Clinical neurophysiology, 11(2), 187-369 (2000).
Legrand A.P., Rivals I., Richard A., Apartis E., Roze E., Vidailhet M., Meunier S., Hainque E. New insight in spiral drawing analysis methods – Application to action tremor quantification. J Clinical Neurophysiology, 128 (10), 1823–1834, (2017).
Wang J.-S., Chuang F.-C. An Accelerometer-Based Digital Pen with a Trajectory Recognition Algorithm for Handwritten Digit and Gesture Recognition. IEEE Transactions on Industrial Electronics, 59(7), 2998-3007 (2012).
Louis E. D., Gillman A., Böschung S., Hess C. W., Yu Q., Pullman S. L. High width variability during spiral drawing: Further evidence of cerebellar dysfunction in essential tremor. Cerebellum, 11, 872-879 (2012).
Xie H., Wang Z. Mean frequency derived via Huang-Hilbert transform with application to fatigue EMG signal analysis. Comput Meth Progr Biomed, 2006; 82:114–20.
Bhidayasiri R., Mari Z. Digital phenotyping in Parkinson's disease: Empowering neurologists for measurement-based care. Parkinsonism Relat Disord. 2020 Nov;80:35-40. DOI: 10.1016/j.parkreldis.2020.08.038, (2020).
Viviani P., Burkhard P.R., Chiuvé S.C., dell’Acqua C.C., Vindras P. Velocity control in Parkinson’s disease: a quantitative analysis of isochrony in scribbling movements. Exp Brain 2009;194:259–83, (2009)
Salarian А., Russmann H., Wider C., Burkhard P.R., Vingerhoets F.J., Aminian K. Quantification of tremor and bradykinesia in Parkinson's disease using a novel ambulatory monitoring system, Biomedical Engineering, IEEE Transactions on, 54. Jg., Nr. 2, pp. 313- 22, (2007).
Lo G., Suresh A. R., Stocco L., González-Valenzuela S., and Leung V. C. A wireless sensor system for motion analysis of Parkinson's disease patients, (PERCOM Workshops), 2011 IEEE International Conference on. IEEE, pp. 372-375, (2011).
Petryk M., Gancarczyk T., Khimich O. Methods of Mathematical Modeling and Identification of Complex Processes and Systems on the basis of High-performance Calculations (neuro- and nanoporous feedback cyber systems, models with sparse structure data, parallel computations). Scientific Publishing University of Bielsko-Biala.:Bielsko-Biała, Polska), (2021), 194 p.
Khimich A.N., Petryk M.R., Mykhalyk D.N., Boyko I.V., Popov A.V., Sydoruk. V.A. Methods for mathematical modeling and identification of complex processes and systems based on visoproductive computing (neuro- and nanoporous cyber-physical systems with feedback, models with sparse structure data, parallel computing). Monograph, Kiev: National Academy of Sciences of Ukraine. Glushkov Institute of Cybernetics. 2019. - 176 p. ISBN: 978-966-02-9188-1, (2019).
Mudryk I., Petryk M. Hybrid artificial intelligence systems for complex neural network analysis of abnormal neurological movements with multiple cognitive signal nodes. 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP) : Conference, Lviv, 21-25 August 2020. P. 108–111, (2020).
