Синдром дефицита внимания с гиперактивностью – это полиморфный клинический синдром, главным проявлением которого является нарушение способности ребенка контролировать и регулировать свое поведение, что характеризуется повышенной отвлеченностью, отсутствием сосредоточения, импульсивностью и гиперактивностью. Следует отметить, что в последние годы число детей страдающих данной патологией постоянно увеличивается. Так согласно данным исследователей, распространенность СДВГ в развитых странах достигает в среднем: в России 4 – 18 %, в США – 4 – 20 %, Великобритании – 1 – 3 %, Италии – 3 – 10 %, В Китае – 1 – 13 %, в Австралии – 7 – 10 %, причем мальчиков среди них в 9 раз больше, чем девочек [7, с. 35].

В основе механизма развития СДВГ лежит дефицит определенных химических веществ (дофамина и норадреналина) в некоторых областях головного мозга. Эти данные подчеркивают тот факт, что СДВГ – это заболевание, требующее соответствующей диагностики и правильного лечения. В настоящее время СДВГ рассматривается как нейробиологическое нарушение, этиология и патогенез которого носят комбинированный характер. Симптомокомплекс СДВГ включает в себя невнимательность, гиперактивность, импульсивность, трудности в обучении и межличностных отношениях. Обычно эти нарушения сочетаются с поведенческими и тревожными расстройствами, задержками в формировании языка и речи, а также школьных навыков [5, с. 28]. Однако помимо СДВГ эти нарушения могут служить внешними признаками других психопатологий, что делает диагностику данного синдрома весьма затруднительной. Существующая неудовлетворенность решения этой проблемы определяет актуальность разработки новых подходов и алгоритмов ранней диагностики СДВГ, они могут быть построены на основе аналитических технологий нового типа, активно развивающихся в последнее время.

Так в настоящее время особенную значимость приобрела теория искусственных нейронных сетей (ИНС) и ее применение для автоматизации научных исследований и решения прикладных задач, в частности, для решения задач медико-биологической диагностики. Искусственные нейронные сети представляют собой математические модели, построенные по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. Одно из главных преимуществ ИНС
-
это возможность обучения. Технически обучение заключается в нахождении коэффициентов связей между нейронами, в процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение [10, с. 23].

Применению ИНС для решения медико-биологических проблем уделяется все большее внимания. В практической медицине для принятия решений используются разнообразные данные – анамнез, клинический осмотр, результаты лабораторных тестов и сложных функциональных методов. Нейросетевые системы находят применение в диагностике сердечно-сосудистых заболеваний: для анализа электрокардиосигнала [8, с. 13]; в диагностике инфаркта миокарда [18, с. 17; 19, с. 20]; артериальной гипертензии [15, с. 10]; прогнозировании течения сердечно-сосудестой патологии и осложнений инфаркта миокарда [4, с. 167] и др. Всё более широкое применение ИНС находят и в онкологии: при оценке состояния иммунного статуса у больных острым нелимфобластным лейкозом [13, с. 77]; прогнозировании отдаленных результатов лечения больных раком молочной железы [20, с. 6]; дифференциальной диагностике опухолей щитовидной железы [17, с. 8]; анализе лабораторных показателей крови для получения диагностической информации в экспериментальной и клинической онкологии [3, с. 28]; ранней диагностике первичной глаукомы [9, с. 73]. Есть опыт применения нейротехнологий в диагностике патологий желудочно-кишечного тракта [12, с. 21], синдрома эндогенной интоксикации [19, с. 18] вирусного гепатита [1, с. 5] , а также типов инсульта и дифференциальной диагностике рака печени и артритов [11, с. 47; 14, с. 18]. Апробирована нейросетевая модель, в прогнозировании уровня гемоглобина у пациентов после хирургической операции [16, с. 32].

При этом подобных работ в сфере психологии крайне мало. И.О. Дубынин (2004) описал применение нейросетевых построений в практической работе психолога. Была показана возможность применения нейросети для определения статуса интеллектуальной одаренности учащихся на основании ответов на личностный опросник [6, с. 50]. М.А. Беребина и С.В. Пашкова (2006) построили нейросети для дефференциальной диагностики и прогноза нарушений психической адаптации сотрудников силовых структур [2, с. 41]. Автором Леванов Д.Н. (2013) была рассмотрена программная реализация психологического теста Холланда на определение профессиональной направленности личности и предложены альтернативные модели на основе технологий нейронных сетей и нечетких экспертных систем. Также при помощи искусственной нейронной сети была проведена селективная оценка данных психодиагностики. Обучение сети и проверка ее работы производятся на примере данных тестирования младших подростков. Показано, что предложенный алгоритм позволяет эффективно выделять психологические признаки, значимые для оценки гендерных различий испытуемых. Однако подобные работы в сфере дефектологии нам найти не удалось.

В связи с этим нами предпринято экспериментальное исследование, целью которого являлось разработка нейросетевой экспертной системы, интерпретирующей данные различных методов позволяющие произвести скрининговую диагностику синдрома дефицита внимания и гиперактивностью у детей 5-7 лет.

В течение достаточно длительного периода проводилось обследование пациентов Центра диагностики и консультирования г. Красноярска в возрасте от 5 до 7 лет (100 человек). Анализ результатов позволяет определить наиболее информативные параметры для каждого испытуемого, в общем. Были отобраны показатели, которые, наиболее часто встречаются у детей с данной патологией. Это такие показатели как:

I. Диагностические критерии СДВГ по общепринятой классификации DSM-IV Предпочтение данной классификации перед схожей классификацией МКБ-10 было отдано в связи с тем, что DSM-IV имеет более строгие практические критерии (Пилюгина Л.В., 2005).

II. Шкалы оценки степени гиперактивности, импульсивности и нарушения внимания SNAP-IY(Swanson J., 1992).

III. Психологический тест ТОVА результаты которого позволяли оценить невнимательность, импульсивность, скорость переработки информации, устойчивость внимания (Кропотов Ю.Д. 2003).

IV. Показатели электроэнцефалограммы (ЭЭГ) характеризующиеся усилением α -активности в зонах коры головного мозга. Было установлено, что нейрофизиологические показатели ЭЭГ в группе пациентов отличаются от здоровых не количественными показателями α-ритма, а его пространственным распределением (Чутко Л.С. 2004) [21, с. 60].

Как видно большинство параметров относятся к субъективным категориям, выбранным в процессе накопления опыта.

Следует отметить, что количество входных переменных задает количество входных элементов ИНС. Количество выходных нейронов определяется исходя из задачи диагностики: если диагностируемый параметр описывается числовой функцией как в нашем случае, то достаточно одного выходного нейрона. Для построения диагностической систем мы выбрали полносвязные нейросети, т.к. при одинаковом числе нейронов полносвязные сети имеют большее количество межнейронных связей, что увеличивает информационную емкость сети. Полносвязная архитектура является намного более универсальной, что не требует экспериментов с вариациями схемы соединений для каждой задачи. И в случае эмуляции сети на обычной ЭВМ полносвязные ИНС обладают скоростью функционирования и простотой программной реализации без ущерба качеству обучаемости.

Окончательно выбранный вариант сети обучается на исходном наборе наблюдений. На этапе обучения (как и на всех предыдущих) используется разбиение исходной выборки на две: собственно обучающую и контрольную. Контрольная выборка (30–50% от исходной) нужна для периодического контроля результатов и предотвращения явления переобучения сети, т. е. для сохранения обобщающих свойств сети. На этом этапе с помощью нейросетевой экспертной системы производится экспрессное измерение выбранных электрических параметров. Вся нейросеть имела 22 нейрона (соответственно числу входных параметров), она была полностью обучена на обучающей выборке и затем протестирована на контрольной группе. Стартовая обучающая выборка для создания экспертной системы составила 50 человек, контрольная группа 25 человек. После чего обученная ИНС практически мгновенно выдает результат диагностики.

При апробации (25 человек) нейросеть выдавала правильный прогноз более чем в 92% случаев. Отметим, что для улучшения результата необходимо увеличение объема обучающей выборки и проведение повторного обучение нейросети. Анализ значимости обучающих параметров выявил, что наиболее важными показателями, влияющими на принятие решения, являются показатели электроэнцефалографического обследования.

Результаты исследования показали перспективность использования апробированной диагностической системы. Дальнейшая разработка программного комплекса на основе нейросетевого подхода поможет повысить эффективность диагностики не только синдрома дефицита внимания с гиперактивностью, но и многих других мозговых дисфункций у детей.

1.  Артюхин В.В. нейросетевая система диагностики вирусного гепатита автореферат дис. кандидата технических наук: 05.13.11. Пензенский государственный педагогический университет им. В.Г. Белинского. Пенза, 2007.- 22 с.
2. Беребин М. А., Пашков С. В. Опыт применения нейросетевых моделей в целях прогноза психической дезадаптации // Вестник ЮУрГУ. – 2006. – №14. – с. 41- 45
3. Боженко В.К., Сотников В.М., Сергеев И.Е.,Шишкин А.М. Использование многопараметрических методов анализа лабораторных показателей крови для получения диагностической информации в экспериментальной и клинической онкологии. // «Вестник российского научного центра ренгенорадиологии». 2004.- №3. – с. 27 – 32
4. Горбань А.Н., Россиев Д.А., Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. – 276 с.
5. Грибанов А.В. Синдром дефицита внимания с гиперактивностью у детей. М.:Академ. проект,2004.-176с.
6. Дубынин И.А. О некоторых теоретических и практических аспектах применения искусственных нейронных сетей для обработки психологических данных // Лаборатория математических моделей в психологии и педагогике МГППУ. – 2006. – 58с.
7. Заваденко Н.Н. Школьная дезадаптация при синдроме дефицита внимания с гиперактивностью и дислексии: диагностика и коррекция // Качество жизни. Медицина. – 2008. – № 1. – С. 34-42.
8. Истомина Т.В., Истомин Б.А. Применение нейросетевых технологий для анализа электрокардиосигнала // «Нейрокомпьтеры». – 2010. -№11 – с. 11-17.
9. Комаровских Е.Н., Ланин С.Н., Батунин В.М., Россиев Д.А., Лазаренко В.И. Возможность диагностики первичной открытоугольной глаукомы искусственными нейронными сетями // Сб. науч. тр. «Глаукома. Глаукома на рубеже тысячелетий. Итоги и перспективы». М:.- 1999.- С.72-74.
10. Короткий С. Нейронные сети: основные положения. СПб., 2002. – 357с.
11. Лазарев В.М., Свиридов А.П. Нейросети и нейрокомпьютеры. Монография. М.: 2011.- 131 с
12. Локтюхин В.Н. Черепнин А.А. Поддержка принятия решений на основе нейро-нечеткой технологии при диагностике заболеваний желудочно-кишечного тракта // Биотехносфера, 2009, №2, С. 20-23
13. Манчук В.Т., Смирнова О.В. Использование методов нейросетевого моделирования и дискриминантного анализа для оценки состояния иммунного статуса у больных острым нелимфобластным лейкозом // «Якутский медицинский журнал»,- 2010. – № 2. – 77-79 С.
14. Масалов О.П., Реброва О.Ю., Редько В.Г. Нейроэволюционный метод диагностики типов инсульта // «Нейрокомпьтеры». – 2018. -№1-2 – с. 17-22.
15. Мединцев В.Г. Алгоритмизация выбора тактики лечения сердечно-сосудистых поражений на основе оптимизационно-прогностического моделирования автореферат дис. кандидата технических наук: 05.13.01. Воронежский государственный технический университет. – Воронеж, 2005.- 25 с.
16. Милова К.А. Прогнозные оценки уровня гемоглобина у хирургических больных средствами нейронных сетей // «Нейрокомпьтеры». – 2018. -№5-6 – с. 29 -36.
17. Полоз Т.Л., Шкурупий В.А., Полоз В.В., Демин A.B. Результаты количественного цитологического анализа строения фолликулярных опухолей щитовидной железы с помощью компьютерных и нейросетевых технологий // Вестник Российской Академии Медицинских Наук. – Москва, 2006. – № 8. – с.7-10.
18. Прасолова А.Е. Математическое и программное обеспечение обработки многомерных данных нейронными сетями автореферат дис. кандидата технических наук: 05.13.11. Курский государственный университет. – Курск, 2008. – 27 с.
19. Усков, В. М. Применение нейронного моделирования в диагностике и лечении осложнений инфаркта миокарда // Вестник новых медицинских технологий. – 2006. – N2. – С. 18-20.
20. Хусаинова Г. Н. Прогнозирование отдаленных результатов лечения больных раком молочной железы с учетом клинико-иммуноморфологических критериев и гормонального статуса автореферат дис. кандидата медицинских наук: 14.01.12. Казанская государственная медицинская академия. – Уфа, 2010. – 24 с.
21. Чутко Л.С., Сурушкина С.Ю., Анисимова Т.И., Айтбеков К.А. Клиническая типология синдрома дефицита внимания с гиперактивностью // Экология человека. – 2010. – № 11. – с. 58-60.

Все статьи автора «Резниченко Наталья Сергеевна»