Ученые разработали сенсор на основе нейронной сети, способный с 90% точностью определять меру хаоса в наборах данных. Хаотичность, или неупорядоченность возникает, например, при нарушении равномерного сердечного ритма, таким образом она может указывать на наличие соответствующих заболеваний. Поэтому на практике предложенный алгоритм может использоваться при создании медицинских датчиков, способных анализировать результаты ЭКГ и ЭЭГ. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Sensors.
В физике, экономике, химии, биологии и других науках можно встретить понятие энтропии. Это мера упорядоченности различных систем, например числовых рядов, наборов данных, молекул. Низкие значения энтропии указывают на систематичность, упорядоченность системы, а высокие — на хаотичность. Существуют различные формулы и подходы для определения «степени хаоса», однако до сих пор остается неясным, может ли, хотя бы теоретически, мозг животных и человека от природы оценивать энтропию в окружающем мире. Эта способность может быть полезна, например, для хищников во время охоты, когда нужно отличить случайный шум или колебания травы из-за ветра (хаотические сигналы) от шороха и движений жертвы (упорядоченные сигналы).
Ученые из Петрозаводского государственного университета (Петрозаводск) создали сенсор хаоса на основе персептрона — математической модели, которая имитирует работу нервной системы животных. Персептрон представляет собой систему из связанных в единую сеть элементарных искусственных нейронов, имеющих, подобно нервным клеткам в нашем теле, различные функции. Одни воспринимают подаваемый на персептрон сигнал, вторые — суммируют сигналы и передают их третьим, которые, в свою очередь, определенным образом на них реагируют — рассчитывают энтропию исходного сигнала.
Нейросеть обучили на наборе данных, представляющих собой непрерывный поток электрических сигналов с разной интенсивностью. Их можно сравнить с электрокардиограммой, на которой есть «пики» и «впадины». Временные расстояния между пиками переводили в числовой ряд и подавали на вход нейросети, которая выдавала «ответ» в виде числа, характеризующего степень неупорядоченности сигнала. Благодаря этому алгоритм научился определять соответствие между шаблонами сигналов и их энтропией.
Затем персептрон протестировали на новом наборе сигналов. Алгоритм снова переводил «пики» и «впадины» в числовой ряд, в котором расстоянию между последовательными пиками соответствовало определенное число. Далее нейросеть анализировала полученные данные и по ним определяла, насколько исходный сигнал был упорядочен: условно, имела ли «электрокардиограмма» правильный ритм, или он был нарушен, как у пациентов с аритмией. Эксперимент показал, что алгоритм определяет «меру хаоса» с точностью до 90.
Кроме того, с помощью предложенного сенсора исследователи оценили энтропию электрических импульсов в нерве конечности мыши в состоянии покоя и при искусственной стимуляции. Данные осциллограмм (графиков активности нервных клеток) авторы взяли из экспериментальной работы своих зарубежных коллег. Оказалось, что в состоянии покоя энтропия в 1,16 раз выше, чем при стимуляции. При этом точность алгоритма на основе персептрона при работе с реальными данными составила 85%.
«Наше исследование показало, что системы, работающие на тех же принципах, что и нейроны в головном мозге, действительно способны оценивать меру неупорядоченности внешних сигналов. Исходя из этого можно даже предположить существование специальных сенсорных систем, которые могли бы помогать живым организмам распознавать хаос, например во время охоты, чтобы отличить случайные сигналы от движения жертвы. На практике полученные результаты могут использоваться для нейрочипов в биопротезах, отслеживающих сигналы отдельных нейронов, при разработке "умных" медицинских датчиков, определяющих, например, патологии на электрокардиограммах и энцефалограммах, а также роботов, имитирующих поведение животных», — рассказывает руководитель проекта, поддержанного грантом РНФ, Андрей Величко, кандидат физико-математических наук, заведующий учебно-научной лаборатории по разработке электронной компонентной базы на основе микро- и наноструктур Петрозаводского государственного университета.