Интеллектуальная рекомендательная система для реабилитации пациентов

Обложка

Цитировать

Полный текст

Аннотация

В работе описывается интеллектуальная рекомендательная система для восстановления и тренировки дыхательной системы человека с помощью индивидуально подобранных специальных упражнений и повышения мотивации при их выполнении. Персональные рекомендации по составу упражнений формируются на основе интерактивного интеллектуального анализа видео информации о физической активности человека с учетом его опыта. Для подбора упражнений и оценки эффективности их выполнения используются модели и методы машинного обучения. Приведены результаты апробации рекомендательной системы.

Полный текст

Доступ закрыт

Об авторах

Алла Викторовна Заболеева-Зотова

Волгоградский государственный технический университет

Автор, ответственный за переписку.
Email: zabzot@gmail.com

Доктор технических наук, профессор, советник Российского центра научной информации, профессор 

Россия, Волгоград

Юлия Александровна Орлова

Волгоградский государственный технический университет

Email: yulia.orlova@gmail.com

Доктор технических наук, доцент, Заведующая кафедрой

Россия, Волгоград

Александр Владимирович Зубков

Волгоградский государственный технический университет

Email: zubkov.alexander.v@gmail.com

Старший преподаватель

Россия, Волгоград

Анастасия Романовна Донская

Волгоградский государственный технический университет

Email: donsckaia.anastasiya@yandex.ru

Старший преподаватель

Россия, Волгоград

Список литературы

  1. Благосклонов Н. А., Кобринский Б. А., Петровский А. Б. Диагностика и выбор лечения печеночной недостаточности: модель мультимножества // Врач и информационные технологии. 2018. № 4. С. 83-88.
  2. Бородулина Е.А., Грибова В.В., Вдоушкина Е.С., Кирюшина Т.М., Агаркова А.С. Технологии искусственного интеллекта в медицине. Проблемы становления // Врач. 2023. №3. С. 5-8.
  3. Грибова В. В., Шалфеева Е. А. Онтологическая оболочка для конструирования сервисов прогноза и оценки состояний пациентов // Искусственный интеллект и принятие решений. 2023. № 1. С. 19-31.
  4. Грибова В.В., Бородулина Е.А., Окунь Д.Б., Еременко Е.П., Ковалев Р.И., Бородулин Б.Е., Амосова Е.А. База знаний для разработки интеллектуального ассистента врача-фтизиатра по управления процессом лечения больных туберкулезом легких // Врач и информационные технологии. 2023. № 2. С. 58-69.
  5. Зубков А. В., Степанов С. В., Носкин В. В., Сибирный Н. Д., Орлова Ю. А. Разработка рекомендательной системы для подбора тренировок // Инженерный вестник Дона. 2023. № 6 (120). С. 284-300.
  6. Кобринский Б. А., Григорьев О. Г., Смирнов И. В., Молодченков А. И., Благосклонов Н. А. Принципы создания интеллектуальной системы формирования и сопровождения плана мероприятий по здоровьесбережению // Цифровое здравоохранение. 2018. С. 31-33.
  7. Кузнецова В. П., Брук Э. И., Ларичев О. И., Нарыжный Е. В. Компьютерное обучение диагностическим навыкам (на примере диагностики тромбоэмболии легочной артерии) // Терапевтический архив. 2003. Т. 75. №. 10. С. 87-90.
  8. Ларичев О. И., Петровский А. Б. Системы поддержки принятия решений: современное состояние и перспективы развития// Итоги науки и техники. Теория вероятностей. Математическая статистика. Теоретическая кибернетика. 1987. Т. 21. С. 131-164.
  9. Официальный сайт Алгом// Электронный ресурс. URL: https://algom.ru/ (доступ 05.09.2023)
  10. Рыбчиц Г. М., Зубков А. В., Гомазкова Ю. С., Коршунов А. А. Разработка модели для распознавания маркеров на базе сети YOLO для детектирования циклов дыхания // Инновационные технологии в обучении и производстве. 2021. C. 139-142.
  11. Харькова О. А., Гржибовский А. М. Сравнение двух несвязанных выборок c использованием пакета статистических программ Stata: непараметрические критерии // Экология человека. 2014. №. 4. С. 60-64.
  12. Bledzhyants G. A., Mishvelov A. E., Nuzhnaya K.V., et al. The effectiveness of the medical decision-making support system" electronic clinical pharmacologist" in the management of patients therapeutic profile // Pharmacophore. 2019. V.10. No 2. P. 76-81.
  13. Calero Valdez A., Ziefle M., Verbert K., Felfernig A., Holzinger A. Recommender systems for health informatics: state-of-the-art and future perspectives// Machine Learning for Health Informatics: State-of-the-Art and Future Challenges. 2016. Р. 391-414.
  14. Chen R. C., Chiu J. Y., Batj C. T. The recommendation of medicines based on multiple criteria decision making and domain ontology — An example of anti-diabetic medicines // 2011 International Conference on Machine Learning and Cybernetics. 2011. V. 1. P. 27-32.
  15. Davis D. A., Chawla N. V., Christakis N. A., Barabási A. L. Time to CARE: a collaborative engine for practical disease prediction// Data Mining and Knowledge Discovery. 2010. V. 20. P. 388-415.
  16. Faiz I., Mukhtar H., Khan S. An integrated approach of diet and exercise recommendations for diabetes patients // IEEE 16th International Conference on e-Health Networking, Applications and Services (Healthcom). 2014. P. 537-542.
  17. Fluri B., Wursch M., Pinzger M., Gall H. Change distilling: Tree differencing for fine-grained source code change extraction // IEEE Transactions on software engineering. 2007. V. 33. No 11. P. 725-743.
  18. Furems E., Sokolova L. Experts' knowledge acquisition for differential diagnostics of bronchial asthma in children in STEPCLASS environment // International Journal of Technology, Policy and Management. 2011. V. 11. No 1. P. 68-84.
  19. Ge M., Ricci F., Massimo D. Health-aware food recommender system // Proceedings of the 9th ACM Conference on Recommender Systems. 2015. P. 333-334.
  20. Han Q., Ji M., de Troya I., Gaur M., Zejnilovic L. A hybrid recommender system for patient-doctor matchmaking in primary care // IEEE 5th International Conference on Data Science and Advanced Analytics. 2018. P. 481-490.
  21. Ismail W. The importance of motivation attributes in developing serious games for physical rehabilitation – A case study // MIR Preprints. 2022. No 4. Р. 47.
  22. Kobrinskii B. A., Grigoriev O. G., Molodchenkov A. I., Smirnov I. V., Blagosklonov N. A. Artificial intelligence technologies application for personal health management // 19th IFAC Conference on Technology, Culture and International Stability. 2019. Р. 70-74.
  23. Mardini M.T., Hashky A., Raś Z.W. Personalizing patients to enable shared decision making // Recommender Systems for Medicine and Music. 2021. V. 946. Р. 75–90.
  24. Maslova A.Y., Mishvelov A.E., Dudusheva M.J., et al. Using a decision tree with a feedback function to select therapeutic tactics for viral infection of the respiratory tract in the medical expert system // International Transaction Journal of Engineering, Management, & Applied Sciences & Technologies. 2022. V. 13. No 8. P. 1-10.
  25. Orlova Y., Gorobtsov A., Sychev O., Rozaliev V., Zubkov A., Donsckaia A. Method for determining the dominant type of human breathing using motion capture and machine learning// Algorithms. 2023. V. 16. No 5.
  26. Philip K., Owles H., McVey S., et al. An online breathing and wellbeing programme (ENO Breathe) for people with persistent symptoms following COVID-19: a parallelgroup, single-blind, randomised controlled trial // Lancet Respiratory Medicine. 2022. V. 10. No 9. Р. 851-862.
  27. Zhang Q., Zhang G., Lu J., Wu D. A framework of hybrid recommender system for personalized clinical prescription //The 10th International Conference on Intelligent Systems and Knowledge Engineering. 2015. P. 189-195.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Автоматизация реабилитации функций органов дыхания с использованием интеллектуальной рекомендательной системы

Скачать (480KB)
3. Рис. 2. ER-диаграмма структуры данных дыхательных упражнений

Скачать (25KB)
4. Рис. 3. Процедура поиска участков упражнений с наибольшим числом пользовательских ошибок

Скачать (94KB)
5. Рис. 4. Процедура поиска заданных проблемных участков в упражнении

Скачать (47KB)
6. Рис. 5. Процедура подбора и ранжирования рекомендуемых упражнений

Скачать (106KB)
7. Рис 6. Компонентная диаграмма разработанной ИРС

Скачать (165KB)
8. Рис 7. Иллюстрация работы системы

Скачать (10KB)

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».