№ 3(64)

СОДЕРЖАНИЕ

1. Аботалеб М. С. А. Установление значимости коэффициентов квазилинейного уравнения N-факторной авторегрессии  
2. Герб А. Р., Девятых Е. Е., Омарова Г. А. Методы графовой редукции в моделях химической кинетики
3. Мищенко Е. А., Демин И. Ю. Использование машинного обучения для сегментации ультразвуковых изображений скелетной мышцы
4. Рыбкин А. В., Смирнов P.O., Котихина Е.Е., Карчков Д.А., Москаленко В. А., Осипов Г. В., Смирнов Л. А. Анализ эпикардиальных электрограмм средствами искусственного интеллекта     
5. Романюта А. А., Курносов М. Г. Алгоритмы операций All-toall стандарта MPI с использованием разделяемой памяти                

М. С. А. Аботалеб

Южно-Уральский государственный университет, 454080, Челябинск, Россия

УСТАНОВЛЕНИЕ ЗНАЧИМОСТИ КОЭФФИЦИЕНТОВ КВАЗИЛИНЕЙНОГО УРАВНЕНИЯ N-ФАКТОРНОЙ АВТОРЕГРЕССИИ

В этой статье проводится анализ обобщенного метода наименьших отклонений (GLDM), при­меняемого при анализе временных рядов. Исследование посвящено установлению оптималь­ного порядка модели и определению коэффициентов модели. Центральное место в этом анали­зе занимает программа оценки GLDM, которая определяет коэффициенты. Рассматривается адаптивность GLDM для анализа сложных процессов. Показано, что соответствующий поря­док модели зависит не только от размера набора данных, но и от присущих характеристик данных, которые определяют сложность модели. Например, данные о температуре с ее значи­тельными сезонными колебаниями и автокорреляцией требуют модели пятого порядка, тогда как скорость ветра и количество смертей от COVID-19 в России достаточно моделируются с помощью модели второго порядка. В документе также исследуются тонкости моделей более высокого порядка и предлагается специальная стратегия выбора модели, которая повышает точность и интерпретируемость прогнозов временных рядов.

Ключевые слова: прогнозирование временных рядов, обобщенный метод наименьших от­клонений, коэффициенты модели.

МЕТОДЫ ГРАФОВОЙ РЕДУКЦИИ В МОДЕЛЯХ ХИМИЧЕСКОЙ КИНЕТИКИ

Ключевые слова: граф, редукция, модель химкинетики, DRG, DRGEP, PEA, pyMARS.

Нижегородский государственный университет им. Н. И. Лобачевского, 603022, Нижний Новгород, Россия

ИСПОЛЬЗОВАНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ СЕГМЕНТАЦИИ УЛЬТРАЗВУКОВЫХ ИЗОБРАЖЕНИЙ СКЕЛЕТНОЙ МЫШЦЫ

В данной статье рассмотрены вопросы применения методов машинного обучения для сегмен­тации ультразвуковых изображений скелетных мышц человека. Актуальность данного иссле­дования заключается в сложности и длительности расшифровки медицинских материалов, а также субъективности и ошибках. Целью статьи является создание точной и эффектив­ной модели сегментации здоровых скелетных мышц с использованием машинного обучения для метода ультразвукового исследования медицинской визуализации. Для построения моде­ли сегментации скелетных мышц использовались архитектура U-net с различным количеством сверточных слоев, а также сеть U-net++, которая представляет собой модификацию класси­ческой U-net. Для обучения нейронной сети был использован набор данных ультразвуковых снимков скелетных мышц из открытых источников, для проверки были использованы уль­тразвуковые изображения скелетных мышц добровольцев с помощью акустической системы Verasonics. Были проведены обучение, анализ и тестирование модели нейросети, сравнение ре­зультатов обучения при различных модификациях и гиперпараметрах. Основным результатом исследования является получение эффективной модели нейросети и подтверждение потенци­ала ее применения для сегментирования ультразвуковых изображений скелетных мышц.

Ключевые слова: машинное обучение, скелетная мышца, сегментация ультразвуковых изображений, сверточная нейронная сеть.

Национальный исследовательский нижегородский государственный университет им. Н. И. Лобачевского, 603022, Нижний Новгород, Россия

АНАЛИЗ ЭПИКАРДИАЛЬНЫХ ЭЛЕКТРОГРАММ СРЕДСТВАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Одним из наиболее эффективных на сегодняшний день электрофизиологических методов изу­чения миокарда является метод использования микроэлектродных матриц, который отличает­ся высоким пространственным разрешением регистрации внеклеточных потенциалов. Слож­ности при анализе биоэлектрических потенциалов, регистрируемых с живых объектов иссле­дования (клетка, ткань, орган) прямыми методами, заключаются в нестабильности формы, ам­плитуды и частоты регистрируемых биоэлектрических потенциалов в зависимости от условий эксперимента, а также в присутствии электрических шумов и артефактов. Существует необхо­димость постоянного контроля параметров алгоритма обработки сигнала на множественных коротких временных интервалах с последующей тщательной верификацией результата. При­нимая во внимание высокие значения частоты дискретизации записи современной измеритель­ной техники и внушительные объемы выходных данных, становится очевидной необходимость использования алгоритмов искусственного интеллекта для решения данных аналитических за­дач. Кроме того, применение методов искусственного интеллекта имеет большие перспективы для выявления на электрограммах сердца предикторов жизнеугрожающих аритмий при экс­периментальном моделировании данных состояний. Электрограммы, задействованные в про­веденном исследовании, были получены методом мультиэлектродного картирования гибкими матрицами, включающими 64 регистрирующих электрода, с поверхности эпикарда изолиро­ванных перфузируемых сердец крыс. Под моментами активации на графике электрограммы подразумеваются точки максимальной крутизны спада потенциала, которые соответствуют моментам возникновения потенциалов действия на мембранах кардиомиоцитов, то есть воз­буждению ткани. Анализ частоты возникновения моментов активации на одном электроде или последовательности возникновения на нескольких электродах в пределах матрицы позволяет оценить такие параметры сердца, как его пейсмейкерная активность и электрическая проводи­мость миокарда. В рамках исследования биоэлектрической активности сердца перспективным направлением является применение методов искусственного интеллекта для автоматизации анализа электрограмм, зарегистрированных с поверхности эпикарда.

Представленная работа описывает создание программного комплекса анализа электрограмм изолированных сердец мелких грызунов, главной частвго которого является сегментирующая нейронная сетв для локализации моментов активации миокарда на основе архитектуры UNet. Выбор данной архитектуры обусловлен ее эффективностью в задачах сегментации изобра­жений, что особенно важно для выделения структур на электрограммах сердца. Архитектура UNet характеризуется наличием сверточных слоев для извлечения признаков и декодером для точного восстановления пространственной информации. Это делает ее отличным выбором для задач сегментации медицинских данных, таких как электрограммы, где точность и полнота крайне важны. Однако, как упоминалось ранее: UNet из оригинальной статьи предназначен для сегментации изображений, в связи с чем нейросеть была адаптирована для анализа од­номерных сигналов. Ввиду небольшого количества размеченных данных для оценки качества модели была проведена кросс валидация, она проходила на восьми наборах данных. Успеш­ность сегментации оценивается показателем F1, который представляет собой гармоническое среднее между точностью и полнотой. В данном контексте значение метрики F1 в районе 0.77 свидетельствует о способности модели точно выделять и локализовать моменты активации в сердце. Цель работы заключается в создании программного обеспечения, включающего в себя следующий функционал: создание набора данных для обучения, валидации и тестирования, обучение модели, создание и редактирование разметки. В совокупности это позволит авто­матически локализовывать моменты активации на эпикардиальных электрограммах. Таким образом, разработанный нами программный комплекс обеспечивает выделение и точное опре­деление искомых моментов активации, что облегчает дальнейший анализ биоэлектрической активности и повышает эффективность исследований в области кардиологии, в том числе бла­годаря возможности обработки больших данных. В целом, разработанный программный ком­плекс представляет собой перспективное решение для автоматизации анализа эпикардиальных электрограмм, с использованием сегментирующей нейронной сети на основе архитектуры UNet и сопутствующих алгоритмов.

Ключевые слова: глубокое обучение, нейронные сети, UNet, микроэлектродное картиро­вание, локальный полевой потенциал, электрограммы миокарда.

Сбор и предобработка данных выполнена при финансовой поддержке Минобрнауки РФ, проект № 0729-2021-013. Обучение нейронной сети выполнено в рамках реализации программы стратегическо­го академического лидерства Приоритет 2030.