Buvo nustatyta, kad žmonės, turintys tuos pačius galvos smegenų pakenkimus, linkę panašiai atsakyti į regėjimo suvokimo testo klausimus. Tai galima pagrįsti tuo, regėjimo suvokimas yra atitinkamų galvos smegenų dalių funkcija. Minėtas testas buvo pasirinktas remiantis R.Loginovič (1993), A.Bulatov, A.Bertulio (1996) praktika. Šie mokslininkai įrodinėjo, kad figūrų - formų palyginimo faktorius gali būti naudojamas epileptiniams sindromams atpažinti.

Testo forma buvo pasirinkta pagal gydytojų pageidavimą. Ekrane pacientui yra rodoma 100 figūrų porų. Kairėje ekrano pusėje rodoma figūra yra vadinama testuojama, o dešinėje - kontroline. Kairėje pusėje visada rodoma testuojama figūra, kurios dydžio diapazonas svyruoja nuo 20 iki 248 proporcingai pagal ekrano dydį, taškų. Testuojamų figūrų yra 20. Jų dydis apskaičiuojamas pagal (1) formulę:

T = 20 + 12*I, I=0...19. (1)

Kiekviena iš testuojamų figūrų turi po 5 kontrolines figūras, kurios rodomos dešinėje ekrano pusėje. Kiekvienos kontrolinės figūros dydis paskaičiuojamas pagal (2) formulę:

K=T+J*5, J=-2..2. (2)

• kvadratas
• trikampis
• apskritimas
• vertikali linija
• horizontali linija

• užpildytos
• kontūrinės

• balta-juoda;
• mėlyna - geltona;
• raudona - žalia.

Minėti spalvų deriniai buvo pasirinkti eksperimentiniu būdu. Daugiausiai pacientų testavome, kuomet ekrano fonas buvo baltas, o kontrolinė ir testuojama figūra buvo juodas kvadratas. Bandėme testuoti ir kitus formų bei spalvų derinius, tačiau tai nebuvo naudinga, kadangi dauguma pacientų sunkiai suprato ką reiškia frazė "Lygios figūros". Be to, papildomas triukšmas (spalvos bei formos) trukdė susikaupti ir pacientų rezultatai žymiai skyrėsi esant tokiai situacijai.

Taip pat pastebėjome, kad spalvotos figūros trukdo pacientui susikaupti, o raudonos - žalios spalvų deriniai 9 pacientams iššaukė epileptinį priepuolį testavimo metu. Šį reiškinį galima aiškinti grindžiant psichologijos dėsniais ir išvadomis apie spalvų suvokimą. Raudona spalva sukelia agresiją, o žalia spalva - yra raminanti. Jų derinys gali neigiamai atsiliepti paciento, sergančio epilepsija, psichikai ir sudirginti pakenktą smegenų žievę, tuo būdu iššaukdamas priepuolį.

Paciento rezultatai buvo užkoduojami -1, 0, 1 skaitmenimis, kur:

• -1 yra neigiamas paciento atsakymas;
• 1 yra teigiamas paciento atsakymas;
• 0 yra paciento abejojimas.

Šie rezultatai yra naudojami tolimesniam pacientų ligų interpretavimui bei preliminariam diagnozavimui.

Tuo tikslu buvo naudojami tokie prognozavimo metodai, kaip:

• dirbtinio intelekto loginis algoritmas CHARADE;
• paprastos regresijos metodas ARMA.

Ši programos dalis yra skirta pacientams gautų testavimo rezultatų apibendrinimui, taisyklių sudarymui bei preliminariam paciento diagnozavimui. Speciali diagnozavimo posistemė daro išvadas, bei ieško bendrų sąlyčio taškų besiremdama jau turimais pacientų testų rezultatais [3]. Pavyzdžiui, žmonės sergantys smilkininės srities epilepsijomis, yra linkę testavimo metu daryti labai daug klaidų. Tai reiškia, jog jeigu kitas pacientas darys tas pačias klaidas, tai jam bus galima įtarti smilkininės srities epilepsiją.

Tokios automatinio diagnozavimo posistemės dirba pagal įvairius algoritmus, kurie gali būti tiek skaitmeniniai, tiek loginiai.

Šioje sistemoje yra naudojamas loginis klasifikavimo ir apmokymo algoritmas "Charade" ([4],[5]). Šis algoritmas buvo pasirinktas pagal šiuos kriterijus:

• tai loginis algoritmas, kurio darbo rezultatas - loginės taisyklės pagal kurias preliminariai nusakoma paciento diagnozė.
• tai lankstus algoritmas, leidžiantis klasių persidengimus. Tai yra, jog jis leidžia pacientui iš karto priklausyti kelioms klasėms, kas mano problemos atveju yra svarbu (pvz. ligonis gali būti ir epileptikas ir turėti regėjimo suvokimo sutrikimų)

Algoritmas dirba su testavimo metu gautų rezultatų eilute, peržiūrėdamas kiekvieną iš jos parametrų bei kurdamas atitinkamas išvadas. (Jei parametras toks, tai išto seka, kad....). Pradžioje kombinuoti pradedama nuo paprastų atvejų sudėtingumo linkme. Peržiūra vyksta tol kol patikrinamos visos galimos tų parametrų kombinacijos. Pagal atitinkamas kombinacijas yra sudaromos taisyklės.(Jei tokiai kombinacijai egzistuoja tokia klasė, tai kitas pavyzdys su ta pačia kombinacija priklausys šiai klasei) ([5],[6]). Pats “CHARADE” algoritmas yra pateikiamas žemiau.

1. Diskretizuoti kintamuosius.
1. Paremtrų perrinkimo gylis l = 0.
2. E = 0, tai masyvas, kurio dydis N, skirtas vykdyti algoritmą tol kol perrinkimo gylis taps l .
3. Kartoti tol kol (l < max l ) ir (E neužpildytas) {

++ l ;

6. ++E[i] }

Algoritmas naudoja paciento testavimo metu gautus duomenis. Šie duomenys yra suvedami į specialią parametrų aibę, kurią ir apdoros “CHARADE" algoritmas. Transformavimas yra reikalingas kompaktiškumo hipotezės sąlygai patenkinti. Kitais žodžiais tariant, mes negalime tiesiogiai naudoti testo metu gautų rezultatų, nes kadangi skirtingiems pacientams, nors ir turintiems tuos pačius smegenų žievės pakenkimus, niekada nebus identiškos pavienės rezultatų sritys, kai tuo tarpu transformuoti parametrai leidžia daryti vienokias ar kitokias išvadas bendroms klasėms. Transformacija vyksta pagal pav. 2 pateiktą schemą

pav. 2

Mano programoje testo parametrai, tai skaičių masyvas, kuriame pirmąsias pozicijas užima parametrai A0 - A19. A0 - A19 tai teisingų atsakymų procentas kiekvienoje zonoje pav.3

pav.3

pav.4

Parametrai M_00..M_04, V_00..V_04, V_00..V_04 saugo informaciją apie atliktų klaidų skaičių esant konkretiems kontrolinių figūrų dydžiams, pav.5.

CHARADE efektyvumui patikrinti buvo dirbama dviem būdais.

Abiem atvejais algoritmo apmokymui buvo naudojama 500 pacientų testų rezultatai. Algoritmo darbo rezultatai pateikti pav.6 ir pav.7 šiais atvejais.

Lentelėje 1 yra pateikti statistika, aprašanti CHARADE rezultatus, esant 13 klasių. Kairioje pusėje yra pateikta testuotų pacientų skaičius (naudotų algoritmo apmokymui), dešinėje - algoritmo atpažintų pacientų skaičius.

Taip pat svarbus ir minėtinas tas faktas, kad dauguma mūsų pacientų testavimo metu gautų rezultatų nepakako algoritmo apmokymui. Kaip minėjau aukščiau, didžioji dauguma sirgo temporalinės smegenų skilties epilepsija, o kitų atvejų buvo daug mažiau. Tai yra nepaaiškinamas faktorius, tačiau dauguma žmonių, sergančių epilepsija, kenčia nuo temporalinės skilties pakenkimų, todėl tokių pacientų ir yra daugiausia hospitalizuotų.

Diagnostikos uždaviniai neretai formuluojami paprastos regresijos terminais nenaudojant laiko eilučių. Laiko eilučių naudojimas būtų labiau pritaikomas prognozuojant orus, kainas arba valiutų kainas, bankų akcijų kainas, kur svarbus faktorius yra prieš tai buvusiu laiko tarpsniu prognozuojamos verčių reikšmės. ARMA - šifruojamas kaip autoregresijos slenkančio vidurkio modelis. Jis pagrįstas preliminariu prognozavimu sekančios reikšmės prieš tai buvusiųjų duomenimis. Tai algoritmas, galintis prognozuoti keletą faktorių vienu metu. Tai yra labai svarbus mano keliamam uždaviniui, kuomet paciento diagnozė yra prognozuojama pagal paciento pateiktus atsakymus.

ARMA matematinis modelis yra užrašomas pirmąja formule.

(1)

galime teigti, kad:

(2)

a ir b yra modelio parametrai, kurie paprastai yra optimizuojami.

1. Imama duomenų seka t=to laiko momentu. (Prognozuojama T+1 ).
2. Atliekamas algoritmo apmokymas, naudojant turimus duomenis.

Nustatomi modelio parametrai a ir b. Modelio parametrų a ir b nustatymas yra paremtas mažiausių kvadratų metodu.

3. 
4. Fiksuojamas parametras b ir minimizuojamas pagal a.



5. 
6. Skaičiuojama tikslo funkcija bei vertinama paklaida.

Nors ARMA-MULT skirta laiko eilučių prognozei, tačiau ja galima panaudoti ir daug paprastesniam uždaviniui - diagnostikai tiesinės regresijos pagalba, kuris reikalingas lyginti su kitais specialiais diagnostikos metodais - CHARADE.

Algoritmui testuoti buvo naudojama sukurta ARMA - MULT versija dirbanti UNIKS operacinėje sistemoje. Programinė įranga yra sukurta taip, kad ja galima naudotis norint nustatyti prognozes, vienkartinei regresijai bei daugkartinei regresijai. Duomenys gali būti dažnai kaitaliojami, neperdirbant pačios programos.

Analizuojant CHARADE algoritmo darbo rezultatus, paaiškėjo, kad jo kuriamos taisyklės buvo geresnės, kuomet paciento diagnozė būdavo "apibendrinama", natūraliai iškilo poreikis patikrinti šią išvadą remiantis ARMA algoritmu.

Taigi algoritmo darbui vertinti naudojau 5 diagnozes:

• Pacientas sveikas
• Pacientui įtariamas temporalinės skilties pakenkimas
• Pacientui įtariamas okcipitalinės skilties pakenkimas
• Pacientui įtariamas frontalinės skilties pakenkimas
• Pacientui įtariamas parietalinės skilties pakenkimas

Siekiant didesnio ARMA_MULT programos efektyvumo ir lankstumo, buvo naudojamas viena duomenų byla, kurios struktūra pateikta žemiau.

Lent.3

Taigi remiantis gautais rezultatais galima teigti, kad ARMA paprastos regresijos modelis prognozuoja pacientus sergančius temporalinės skilties epilepsija su 70 procentų paklaida, o visus kitus - su 30 procentų paklaida. Tai yra paradoksalu, kadangi temporalinės skilties epilepsija sergančių pacientų yra didžioji dauguma, bet tai, matomai, galima aiškinti tuo, kad ARMA yra labai "jautrus" bei galimi dideliais nukrypimais temporalinės skilties epilepsijos diagnozavimo atveju, kuriems, kaip žinoma, mažiausių kvadratų metodai, tame tarpe ir AR, yra labai jautrūs. Nukrypimas čia suprantamas kaip skirtumas tarp realios diagnozės ir prognozės.