Резниченко Н
Синдромът с дефицит на вниманието и хиперактивност е полиморфен клиничен синдром, чиято основна проява е нарушение на способността на детето да контролира и регулира поведението си, което се характеризира с повишена разсеяност, липса на концентрация, импулсивност и хиперактивност. Трябва да се отбележи, че през последните години броят на децата, страдащи от тази патология, непрекъснато нараства. Така, според изследователите, разпространението на ADHD в развитите страни достига средно 4-18% в България, 4-20% в САЩ, 1-3% във Великобритания, 3-10% в Италия, 1-13% в Китай, 7-10% в Австралия, а момчетата са 9 пъти повече от момичетата [7, p. 35].
В основата на механизма за развитие на ADHD е дефицитът на определени химикали (допамин и норепинефрин) в определени области на мозъка. Тези данни подчертават факта, че ADHD е заболяване, което изисква подходяща диагноза и правилно лечение. В момента ADHD се разглежда като невробиологично разстройство, чиято етиология и патогенеза са комбинирани. Комплексът от симптоми на ADHD включва невнимание, хиперактивност, импулсивност, учене и междуличностни трудности. Обикновено тези нарушения се комбинират с поведенчески и тревожни разстройства, забавяне на формирането на език и реч, както и училищни умения [5, p. 28]. Въпреки това, в допълнение към ADHD, тези нарушения могат да служат като външни признаци на други психопатологии, което прави диагнозата на този синдром много трудна. Съществуващата неудовлетвореност от решението на този проблем определя уместността на разработването на нови подходи и алгоритми за ранна диагностика на ADHD, те могат да бъдат изградени на базата на нов тип аналитична технология, активноразвиващи се в последно време.
По този начин в момента теорията на изкуствените невронни мрежи (ANN) и нейното приложение за автоматизиране на научни изследвания и решаване на приложни проблеми, по-специално за решаване на проблеми на биомедицинската диагностика, придобиха особено значение. Изкуствените невронни мрежи са математически модели, изградени на принципа на организация и функциониране на биологични невронни мрежи - мрежи от нервни клетки на жив организъм. Едно от основните предимства на ANN - е възможността за обучение. Технически обучението се състои в намиране на коефициентите на връзки между невроните; в процеса на обучение невронната мрежа е в състояние да идентифицира сложни връзки между входни данни и изходни данни, както и да извършва обобщение [10, p. 23].
Обръща се все по-голямо внимание на използването на ANN за решаване на биомедицински проблеми. В практическата медицина за вземане на решения се използват различни данни - анамнеза, клиничен преглед, резултати от лабораторни изследвания и комплексни функционални методи. Системите от невронни мрежи се използват в диагностиката на сърдечно-съдови заболявания: за анализ на електрокардиосигнал [8, p. 13]; при диагностицирането на инфаркт на миокарда [18, p. 17; 19, стр. 20]; артериална хипертония [15, p. 10]; прогнозиране на хода на сърдечно-съдовата патология и усложненията на миокардния инфаркт [4, p. 167] и др.. Все по-широко приложение на ANN се намира и в онкологията: при оценка на състоянието на имунния статус при пациенти с остра нелимфобластна левкемия [13, p. 77]; прогнозиране на дългосрочни резултати от лечението на пациенти с рак на гърдата [20, p. 6]; диференциална диагноза на тумори на щитовидната жлеза [17, p. 8]; анализ на лабораторни показатели на кръвта за получаване на диагностична информация в експерименталните иклинична онкология [3, p. 28]; ранна диагностика на първична глаукома [9, p. 73]. Има опит в използването на невротехнологии в диагностиката на патологиите на стомашно-чревния тракт [12, p. 21], синдром на ендогенна интоксикация [19, p. 18] вирусен хепатит [1, с. 5], както и видове инсулт и диференциална диагноза на рак на черния дроб и артрит [11, p. 47; 14, стр. 18]. Модел на невронна мрежа е тестван за прогнозиране на нивото на хемоглобина при пациенти след операция [16, p. 32].
В същото време има много малко такива произведения в областта на психологията. И ОТНОСНО. Dubynin (2004) описва използването на конструкции на невронни мрежи в практическата работа на психолог. Показана е възможността за използване на невронна мрежа за определяне на състоянието на интелектуалната надареност на учениците въз основа на отговори на въпросник за личността [6, p. 50]. М.А. Беребин и С.В. Пашкова (2006) изгражда невронни мрежи за диференциална диагностика и прогнозиране на психични адаптационни разстройства при служители на правоприлагащите органи [2, p. 41]. Автор Леванов Д.Н. (2013) разглежда софтуерната реализация на психологическия тест на Холанд за определяне на професионалната ориентация на човек и предлага алтернативни модели, базирани на невронни мрежови технологии и размити експертни системи. Също така, използвайки изкуствена невронна мрежа, беше извършена селективна оценка на психодиагностичните данни. Мрежата е обучена и нейната работа е тествана с помощта на тестови данни на по-млади тийнейджъри. Показано е, че предложеният алгоритъм дава възможност за ефективно идентифициране на психологически характеристики, които са значими за оценка на половите различия на субектите. Не успяхме обаче да намерим подобни трудове в областта на дефектологията.
В тази връзка ние предприехме експериментално проучване, чиято цел беше да разработим експертна система за невронна мрежа,интерпретиране на данните от различни методи, позволяващи скринингова диагностика на хиперактивно разстройство с дефицит на вниманието при деца на възраст 5-7 години.
За доста дълъг период бяха изследвани пациенти на Центъра за диагностика и консултиране в Красноярск на възраст от 5 до 7 години (100 души). Анализът на резултатите ви позволява да определите най-информативните параметри за всеки предмет като цяло. Бяха избрани показатели, които най-често се срещат при деца с тази патология. Това са показатели като:
I. Диагностични критерии за ADHD според общоприетата класификация DSM-IV Предпочитание за тази класификация пред подобна класификация на ICD-10 е дадено поради факта, че DSM-IV има по-строги практически критерии (Pilyugina L.V., 2005).
II. Скали за оценка на степента на хиперактивност, импулсивност и нарушения на вниманието SNAP-IY (Swanson J., 1992).
III. Психологическият тест TOVA, резултатите от който позволяват да се оцени невниманието, импулсивността, скоростта на обработка на информацията и стабилността на вниманието (Кропотов Ю.Д. 2003).
IV. Индикатори на електроенцефалограмата (ЕЕГ), характеризиращи се с повишаване на α-активността в областите на мозъчната кора. Установено е, че неврофизиологичните параметри на ЕЕГ в групата пациенти се различават от здравите не в количествените показатели на α-ритъма, а в неговото пространствено разпределение (Chutko L.S. 2004) [21, p. 60].
Трябва да се отбележи, че броят на входните променливи определя броя на входните елементи на ANN. Броят на изходните неврони се определя въз основа на диагностичния проблем: ако диагностицираният параметър се описва с числова функция, както в нашия случай, тогава един изходен неврон е достатъчен. За изграждане на диагностични системи избрахме напълно свързаниневронни мрежи, т.к с еднакъв брой неврони, напълно свързаните мрежи имат по-голям брой междуневронни връзки, което увеличава информационния капацитет на мрежата. Напълно мрежестата архитектура е много по-гъвкава, което не изисква експериментиране с вариации на схеми за всяка задача. А в случай на мрежова емулация на конвенционален компютър, напълно свързаните ANNs имат скоростта на работа и простотата на внедряване на софтуер, без да се прави компромис с качеството на обучение.
Окончателно избраната версия на мрежата се обучава върху оригиналния набор от наблюдения. На етапа на обучение (както и на всички предишни) първоначалната извадка е разделена на две: действително обучение и контрол. Необходима е контролна проба (30–50% от оригинала) за периодично наблюдение на резултатите и предотвратяване на феномена на преобучение на мрежата, т.е. за запазване на обобщаващите свойства на мрежата. На този етап с помощта на невронно-мрежова експертна система се извършва експресно измерване на избраните електрически параметри. Цялата невронна мрежа имаше 22 неврона (съответстващи на броя на входните параметри), тя беше напълно обучена на набора за обучение и след това тествана на контролната група. Началната обучителна извадка за създаване на експертна система беше 50 души, контролната група беше 25 души. След това обучената ANN почти моментално дава диагностичния резултат.
При тестване (25 души) невронната мрежа даде правилна прогноза в повече от 92% от случаите. Обърнете внимание, че за да подобрите резултата, е необходимо да увеличите обема на обучителната извадка и да преквалифицирате невронната мрежа. Анализът на значимостта на тренировъчните параметри показа, че най-важните показатели, влияещи върху вземането на решение, са показателите на електроенцефалографското изследване.
Резултатите от проучването бяха обещаващиизползване на доказана диагностична система. По-нататъшното развитие на софтуерен пакет, базиран на подхода на невронна мрежа, ще спомогне за подобряване на ефективността на диагностицирането не само на хиперактивно разстройство с дефицит на вниманието, но и на много други мозъчни дисфункции при деца.