Нейродинамическое диагностирование состояния в условиях подготовки и проведения космических полетов; Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева; Т. 17, № 2
| Parent link: | Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева/ Сибирский государственный аэрокосмический университет им. академика М. Ф. Решетнева (СибГАУ).— , 2000- Т. 17, № 2.— 2016.— [С. 302-308] |
|---|---|
| 第一著者: | |
| 団体著者: | |
| その他の著者: | |
| 要約: | Заглавие с экрана Актуальность работы обусловлена необходимостью разработки нейродинамических алгоритмов оценки состояния человека в условиях подготовки или проведения космических полетов. Цель исследования заключается в анализе эффективности нейросетевого подхода для анализа временных сигналов, характеризующих состояние здоровья. Исследовались динамические искусственные нейронные сети трех типов: с фокусированной задержкой по времени; с распределенной задержкой по времени; нелинейные авторегрессионные модели с внешними входами; с использованием программного продукта Matlab Neural Network Toolbox 2014a. В качестве входных данных, на которых обучались нейронные сети, использовалось 39 полисомнографических записей длительностью от 8 часов и дольше. База данных, содержащая временные ряды, представляющие собой записи воздушного потока с частотой 11 Гц, предоставлена для исследования третьей городской больницей г. Томска. В результате был проведен процесс обучения и тестирования для различных типов динамических нейронных сетей. Сравнительный анализ результатов точности, полученных при работе как с обучающей, так и с тестовой выборками, позволил сделать вывод о том, что наиболее эффективное нейросетевое решение должно основываться на архитектуре нелинейной авторегрессии с внешними входами. The urgency is based on need developing algorithms for detecting health state of an astronaut. The main aim of the study lies in developing neural network model for breathing that will allow recognition of breath patterns and predicting anomalies that may occur. Class of machine learning algorithms includes many models, widespread feed forward networks are able to solve task of classification, but are not quite suitable for processing time-series data. The paper describes results of teaching and testing several types of dynamic or recurrent networks: NARX, Elman, distributed and focused time delay. The methods used in the study include machine learning algorithms, dynamic neural network architectures, focused time-delay network, distributed time-delay network, non-linear autoregressive exogenous model. Networks were built using Matlab Neural Network Toolbox 2014a software. For the purpose of research we used dataset that contained 39 polysomnographic recording. Records were obtained by pulmonology department of Third Tomsk City Hospital; on average recording were 8-10 hours long and included electrocardiography and oronasal airflow. Frequency of these signals was 11 Hz. The results include comparison of training and testing performances for various types of dynamic neural networks. According to classification accuracy obtained for learning and testing set of data, the most accurate results were achieved by non-linear autoregressive exogenous model. Режим доступа: по договору с организацией-держателем ресурса |
| 言語: | ロシア語 |
| 出版事項: |
2016
|
| 主題: | |
| オンライン･アクセス: | http://elibrary.ru/item.asp?id=27371031& http://www.vestnik.sibsau.ru/images/vestnik/Tom%2017,%20%E2%84%96%202.%202016.pdf#page=36 |
| フォーマット: | 電子媒体 図書の章 |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=651328 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 651328 | ||
| 005 | 20250319145921.0 | ||
| 035 | |a (RuTPU)RU\TPU\network\16577 | ||
| 035 | |a RU\TPU\network\4757 | ||
| 090 | |a 651328 | ||
| 100 | |a 20161109d2016 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i | |
| 182 | 0 | |a b | |
| 200 | 1 | |a Нейродинамическое диагностирование состояния в условиях подготовки и проведения космических полетов |d Neurodynamic health diagnosis before, during and following space flights |f О. М. Гергет, Д. В. Девятых | |
| 203 | |a Текст |c электронный | ||
| 300 | |a Заглавие с экрана | ||
| 320 | |a [Библиогр.: с. 308 (21 назв.)] | ||
| 330 | |a Актуальность работы обусловлена необходимостью разработки нейродинамических алгоритмов оценки состояния человека в условиях подготовки или проведения космических полетов. Цель исследования заключается в анализе эффективности нейросетевого подхода для анализа временных сигналов, характеризующих состояние здоровья. Исследовались динамические искусственные нейронные сети трех типов: с фокусированной задержкой по времени; с распределенной задержкой по времени; нелинейные авторегрессионные модели с внешними входами; с использованием программного продукта Matlab Neural Network Toolbox 2014a. В качестве входных данных, на которых обучались нейронные сети, использовалось 39 полисомнографических записей длительностью от 8 часов и дольше. База данных, содержащая временные ряды, представляющие собой записи воздушного потока с частотой 11 Гц, предоставлена для исследования третьей городской больницей г. Томска. В результате был проведен процесс обучения и тестирования для различных типов динамических нейронных сетей. Сравнительный анализ результатов точности, полученных при работе как с обучающей, так и с тестовой выборками, позволил сделать вывод о том, что наиболее эффективное нейросетевое решение должно основываться на архитектуре нелинейной авторегрессии с внешними входами. | ||
| 330 | |a The urgency is based on need developing algorithms for detecting health state of an astronaut. The main aim of the study lies in developing neural network model for breathing that will allow recognition of breath patterns and predicting anomalies that may occur. Class of machine learning algorithms includes many models, widespread feed forward networks are able to solve task of classification, but are not quite suitable for processing time-series data. The paper describes results of teaching and testing several types of dynamic or recurrent networks: NARX, Elman, distributed and focused time delay. The methods used in the study include machine learning algorithms, dynamic neural network architectures, focused time-delay network, distributed time-delay network, non-linear autoregressive exogenous model. Networks were built using Matlab Neural Network Toolbox 2014a software. For the purpose of research we used dataset that contained 39 polysomnographic recording. Records were obtained by pulmonology department of Third Tomsk City Hospital; on average recording were 8-10 hours long and included electrocardiography and oronasal airflow. Frequency of these signals was 11 Hz. The results include comparison of training and testing performances for various types of dynamic neural networks. According to classification accuracy obtained for learning and testing set of data, the most accurate results were achieved by non-linear autoregressive exogenous model. | ||
| 333 | |a Режим доступа: по договору с организацией-держателем ресурса | ||
| 461 | |t Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева |f Сибирский государственный аэрокосмический университет им. академика М. Ф. Решетнева (СибГАУ) |d 2000- | ||
| 463 | |t Т. 17, № 2 |v [С. 302-308] |d 2016 | ||
| 510 | 1 | |a Neurodynamic health diagnosis before, during and following space flights |z eng | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a нейронные сети | |
| 610 | 1 | |a сигналы | |
| 610 | 1 | |a обратные связи | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a космическая медицина | |
| 700 | 1 | |a Гергет |b О. М. |c специалист в области информатики и вычислительной техники |c профессор Томского политехнического университета, доктор наук |f 1974- |g Ольга Михайловна |3 (RuTPU)RU\TPU\pers\28996 |9 13717 | |
| 701 | 1 | |a Девятых |b Д. В. |c специалист в области информатики и вычислительной техники |c программист Томского политехнического университета |f 1989- |g Дмитрий Владимирович |3 (RuTPU)RU\TPU\pers\29780 |9 14257 | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |b Управление проректора по научной работе и инновациям |b Центр RASA в Томске |b Лаборатория дизайна медицинских изделий |3 (RuTPU)RU\TPU\col\22092 |9 28172 |
| 801 | 2 | |a RU |b 63413507 |c 20170127 |g RCR | |
| 856 | 4 | |u http://elibrary.ru/item.asp?id=27371031& | |
| 856 | 4 | |u http://www.vestnik.sibsau.ru/images/vestnik/Tom%2017,%20%E2%84%96%202.%202016.pdf#page=36 | |
| 942 | |c CF | ||