Оценка отклонений гониометрических параметров от нормы

Перспективами применения разработанного метода гониометрического контроля на базе акселерометрических преобразователей в области медицины является решение задачи эффективной автоматизированной диагностики с целью повышения качества реабилитационного процесса.

методов, для повышения качества диагностики можно привлекать регистрацию шума, возникающего в результате суставного трения [169,170], а также данные ЭЭГ и ЭМГ.

Применение нейросетевой обработки в качестве инструмента классификации двигательных действий является перспективным и развивающимся направлением. Для обучения нейронной сети, созданной на базе алгоритмов, описанных в п. 3.2 данной диссертационной работы, использовались данные системы гониометрического контроля и набор данных шаблонов движений в норме, полученный исследователями на базе Стендфордского университета [171]. Данный набор содержит временные ряды координат суставов человека во время движения.

Входными данными для обучения нейронной сети были выбраны временные ряды движения кисти руки при выполнении упражнения - вращение вокруг оси. Это обусловлено характерно быстрой динамикой суставного угла в процессе выполнения данного упражнения. График изменения суставного угла кисти руки представлен на рисунке 58.

Рисунок 58 - Временные ряды смещения кисти руки в пространстве

Для решения задачи классификации гониометрической динамики была разработана нейросетевая модель. Размер обучающей выборки составил 21 шаблон двигательного действия, каждый из которых являлся вектором размерностью 1x9000 и значениями координат на отрезке (-1; 1).

Применяемая нейросеть включала в себя два слоя: слой видимых нейронов, состоящий из 9000 элементов, и слой скрытых нейронов, количество которых подстраивалось во время процесса обучения.

Рисунок 59- Ошибка нейронной сети при 3000 тренировочных итераций

Рисунок 60 - Графики обучения нейронной сети. Слева - временной ряд обучающего набора данных, справа выход нейронной сети.

В ходе обучения нейронной сети была осуществлена классификация движения человека, результаты которой приведены на рисунке 60. Развитие и дальнейшее применение данного подхода при гониометрическом контроле обладает перспективами с точки зрения возможности прогнозирования гониометрического состояния объектов, а также предупреждения развития нежелательных гониометрических изменений.