Методы обработки многомерных временных рядов для анализа параметров дыхательной системы человека и подбора персонализированных рекомендаций тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Зубков Александр Владимирович

• Зубков Александр Владимирович
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Зубков Александр Владимирович

Введение

1 Анализ рекомендательных систем медицинского назначения и методов развития функций дыхательной системы человека

1.1 Анализ рекомендательных систем медицинского назначения

1.2 Анализ технических, аппаратных и программных средств тренировки дыхательной системы человека

1.3 Анализ систем получения визуальной информации о движениях тела человека

1.4 Анализ методов обработки временных рядов

1.5 Концепция автоматизации проведения тренировок и реабилитации человека

1.6 Результаты и выводы по первой главе

2 Разработка методов обработки многомерных периодических временных рядов

2.1 Метод мониторинга ключевых показателей и определения типа дыхания человека по данным, получаемым с видеокамеры и системы захвата движения

2.2 Метод мониторинга ключевых показателей и определения типа дыхания человека по данным, получаемым с датчиков мобильного телефона

2.3 Метод обеспечения взаимодействия между игровыми объектами и характеристиками дыхания человека

2.4 Результаты и выводы по второй главе

3 Разработка методов формирования индивидуального набора упражнений и рекомендаций по выполнению упражнений

3.1 Предметно-ориентированный язык для представления упражнений органов дыхания

3.2 Метод формирования индивидуального набора рекомендуемых упражнений

3.3 Метод поиска участков упражнений с наибольшим количеством пользовательских ошибок

3.4 Метод нечеткого поиска проблемного участка в упражнении

3.5 Метод поиска и ранжирования рекомендательных упражнений

3.6 Результаты и выводы по третьей главе

4 Архитектура и программная реализация интеллектуальной рекомендательной системы проведения тренировок и реабилитации человека

4.1 Разработка архитектуры интеллектуальной рекомендательной системы

4.2 Разработка алгоритмического обеспечения на базе разработанных методов

4.3 Разработка личного кабинета врача интеллектуальной рекомендательной системы

4.4 Разработкатренажера интеллектуальной рекомендательной системы

4.5 Разработка сервера интеллектуальной рекомендательной системы

4.6 Апробация интеллектуальной рекомендательной системы

4.7 Результаты и выводы по четвертой главе

Заключение

Список сокращений и условных обозначений

Список используемой литературы

Приложение А. Свидетельства о регистрации программы для ЭВМ

Приложение Б. Акты внедрения результатов работы

4

Введение диссертации (часть автореферата) на тему «Методы обработки многомерных временных рядов для анализа параметров дыхательной системы человека и подбора персонализированных рекомендаций»

Введение

Актуальность темы исследования. В современном мире повсеместно используются информационные и компьютерные технологии, экспертные системы, системы поддержки принятия решений, охватывающие практически все сферы жизни и деятельности человека. В последние годы наблюдается все более активное развитие нового научного направления - интеллектуальные советующие или рекомендательные системы, которые разработаны для оказания персонализированной помощи пользователям, как специалистам, так и обычным людям. Они помогают в поиске и доступе к необходимым и актуальным информационным ресурсам, а также своевременно предоставляют качественные рекомендации по различным вопросам.

Рекомендательные системы анализируют профиль каждого пользователя и создают рекомендации, которые наиболее соответствуют его предпочтениям, учитывая знания и опыт других пользователей, экспертов или сообщества, а также последствия предыдущих принятых решений. Эти системы предлагают наиболее релевантные варианты действий или поведения, специально подобранные для конкретного пользователя. Они представляют собой альтернативу информационно-поисковым системам и находят применение в медицине, здравоохранении, физкультуре и спорте, торговле, туризме, сфере услуг и развлечений, управлении опасными производствами и критическими объектами, в других областях.

Особое место занимают интеллектуальные рекомендательные системы (ИРС), в которых применяются различные технологии и методы искусственного интеллекта и принятия решений, представления знаний, рассуждения, машинного обучения и выбора наиболее предпочтительных альтернатив. Обычно такие системы функционируют в интерактивном режиме, обеспечивая удобное взаимодействие с пользователем и динамическую адаптацию к его предпочтениям и интересам. Однако не всегда достаточно

уделяется внимание особенностям конкретных предметных областей, для которых создаются рекомендательные системы.

ИРС, ориентированные на охрану здоровья, имеют свои особенности. Эти системы должны иметь возможность получать и быстро обрабатывать большие объемы разнотипных данных; обеспечивать своевременность, точность, достоверность и конфиденциальность выдаваемых рекомендаций, оперативный дистанционный контроль их выполнения; проводить анализ динамики изменений состояния здоровья индивидуума и управляемых параметров организма при реализации полученных рекомендаций; оценивать эффективность предложенных вариантов поведения. Персонализированные рекомендации должны учитывать профиль пользователя, а также целостно и адекватно сочетать удовлетворение его потребностей с требуемыми показателями жизнедеятельности. Они должны также мотивировать пользователя осознанно следовать предложенным рекомендациям.

ИРС медицинского и оздоровительного назначения соответствуют современной концепции охраны здоровья, получившей название 4П-медицина, в которой интегрируется индивидуальный подход к каждому пациенту (персонализация), выявление предрасположенности к развитию заболевания (предикция), предотвращение появления заболеваний (превентивность) и мотивированное участие пациента (партисипативность). Индивидуум становится активным участником процесса управления своим здоровьем, стремясь обеспечить качественный и здоровый образ жизни, своевременную профилактику и лечение заболеваний, а также восстановление и улучшение своего организма.

В связи с постоянным увеличением объема данных, доступных для анализа состояния пациента, стандартные методы обработки оказываются недостаточно эффективными для создания качественных рекомендательных систем, вследствие чего существует потребность в разработке более сложных и продвинутых методов обработки данных, с целью улучшения эффективности рекомендательных систем и анализа данных.

Разработка методов обработки многомерных временных рядов для анализа параметров дыхательной системы человека позволяет создать рекомендательные системы, которые могут учитывать уникальные особенности каждого человека и предоставлять персонализированные рекомендации для улучшения состояния дыхательной системы.

С ростом объёма данных стало возможным более точно выявлять аномалии и изменения в функционировании дыхательной системы. Новые методы обработки временных рядов позволят более четко определять паттерны, которые могут свидетельствовать о заболеваниях или других проблемах со здоровьем органов дыхания, а также выявлять и закономерности в работе дыхательной системы, что, в свою очередь, может привести к созданию инновационных методов лечения и профилактики.

Таким образом, разработка новых методов обработки многомерных временных рядов для анализа параметров дыхательной системы человека способствует извлечению ценной информации из параметров дыхательной системы, а также позволит создавать более современные и эффективные интеллектуальные рекомендательные системы проведения тренировок и реабилитации человека за счёт улучшения точности и полезности рекомендаций, что является актуальной научной и прикладной задачей. Решение такой задачи позволит повысить эффективность и доступность процедур восстановления нарушений и отклонений функционирования органов дыхания, обеспечить индивидуальный подход и создать комфортные условия для оздоровления пациентов и тренировки спортсменов, улучшить состояние здоровья как отдельно взятого человека, так и населения в целом.

Степень проработанности темы. Интеллектуальные рекомендательные системы, ориентированные на охрану здоровья людей, - это новое, быстро развивающееся направление исследований в области систем поддержки принятия решений. Созданные за рубежом рекомендательные системы предлагают альтернативные варианты лечения для каждого пациента и предоставляют рекомендации врачу. Они также помогают составлять

индивидуальные планы ухода за пациентом, подбирать подходящие лекарства и прогнозировать результаты лечения в различных ситуациях. С помощью рекомендательных систем определяются оптимальные режимы физической активности человека для предотвращения респираторных заболеваний; составляются ежедневные персональные графики выполнения физических упражнений с учетом погоды, временного интервала активности и загруженность пользователя. Однако с течением времени, из-за постоянного роста объёма обрабатываемых данных существующих методов обработки временных рядов оказывается недостаточно, поэтому исследователи стараются выделить новые, более эффективные методы.

В России это направление исследований пока только формируется. Отметим интеллектуальную экспертную систему «ИИ-ГИППОКРАТ», предназначенную для оценки рисков сердечно- и церебро-васкулярных заболеваний, формирования персонализированного плана профилактических мероприятий; рекомендательную систему, позволяющую выявлять мужчин с высоким риском сердечно-сосудистых осложнений в молодом возрасте, оптимизировать профиль факторов риска в среднем возрасте, предупредить или отсрочить развитие сердечно-сосудистых заболеваний, повысить число предотвращаемых инфарктов в раннем возрасте.

Заметный вклад в построение рекомендательных систем, а также более широкого класса систем поддержки принятия медицинских решений, внесли работы отечественных и зарубежных ученых О.И. Ларичева, А.Б. Петровского, Б.А. Кобринского, Е.М. Фуромс, A.C. Клещева, В.В. Грибовой, Е.А. Шалфеевой, К.И. Шахгельдян, Т.В. Афанасьевой, Н.Г. Ярушкиной, А. Felfernig, D. Jannach, M. Zanker, G. Friedrich, F. Ricci, L. Rokach, B. Shapira, R. De Croon, M.T. Mardini, T.N.T. Tran, T.Y. Tang, P. Winoto, J.G.D. Ochoa, O. Csiszar, L. Duan, W.N. Street, E. Xu, U. Bhimavarapu, N. Chintalapudi, G. Battineni, A.K. Sahoo, M. Wiesner, D. Pfeifer, Y. Cui и др.

Создание интеллектуальной рекомендательной системы проведения тренировок и реабилитации человека является оригинальным, не имеющим

аналогов исследованием, для выполнения которого потребовалось разработать новые методические подходы, модели, методы, алгоритмы и программные средства для автоматизированного определения типа дыхания и выработки рекомендаций по выполнению индивидуальных упражнений.

Соответствие диссертации паспорту научной специальности. Основная область исследования соответствует паспорту специальности 2.3.1. Системный анализ, управление и обработка информации, статистика, а именно пунктам: 1. Формализация и постановка задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта; 4. Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта; 5. Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта.

Объект исследования - техническая система автоматизированного проведения тренировок и реабилитации человека (на примере дыхательной системы). Предмет исследования - модели, методы и алгоритмы обработки многомерных периодических временных рядов для анализа параметров дыхательной системы человека и подбора персонализированных рекомендаций.

Цель диссертационного исследования - повышение эффективности рекомендательной системы проведения тренировок и реабилитации человека за счет анализа многомерных периодических временных рядов параметров дыхания и подбора персонализированных рекомендаций.

Для достижения поставленной цели были сформулированы и решены следующие задачи:

1. Провести анализ рекомендательных систем медицинского назначения как особого класса систем поддержки принятия решений, компьютерных систем и информационных технологий проведения тренировок и реабилитации человека.

2. Предложить концепцию автоматизации проведения тренировок и реабилитации человека (на примере дыхательной системы).

3. Разработать методы обработки многомерных периодических временных рядов для анализа параметров дыхательной системы человека по данным, получаемым с видеокамеры, системы захвата движения и датчиков мобильного телефона.

4. Разработать методы формирования индивидуального набора упражнений и рекомендаций по выполнению упражнений на основе предметно-ориентированного языка представления упражнений (на примере дыхательной системы).

5. Спроектировать, протестировать и провести апробацию интеллектуальной рекомендательной системы проведения тренировок и реабилитации человека.

Научная новизна диссертационного исследования заключается в разработке оригинальных методов и средств интеллектуальной рекомендательной системы проведения тренировок и реабилитации человека (на примере дыхательной системы).

1. Концепция автоматизации проведения тренировок и реабилитации человека, отличающаяся от существующих аналогов использованием данных, получаемых с различных устройств, таких как система захвата движения, видеокамера или датчики телефона, включающая в себя контур обратной связи с подсистемой визуализации отклонений и рекомендательной системой для подбора упражнений.

2. Впервые разработаны методы обработки многомерных периодических временных рядов, основанные на выделении характерных мод пространственного движения точек груди человека с использованием взаимного спектрального анализа и методов машинного обучения, позволяющие на впервые собранных наборах данных выполнить анализ в режиме реального времени и определить доминирующий типа дыхания человека.

3. Новые методы формирования набора индивидуальных упражнений и рекомендаций по выполнению упражнений (для органов дыхания), которые позволяют автоматизировано управлять проведением персонализированной реабилитацией и тренировкой человека, исходя из динамики его показателей и обратной связи о его текущем состоянии.

Практическая значимость результатов диссертационной работы заключается в том, что сформулированы методы и технологии, которые позволяют расширить область мониторинга ключевых показателей и определения типа дыхания человека с помощью интеллектуальной рекомендательной системы проведения тренировок и реабилитации человека.

Практическая значимость полученных результатов подтверждается проведенным тестированием в рамках лечебно-профилактических учреждений, где специалисты зафиксировали эффективность системы, повышение эмпатии пациентов к реабилитации и тренировке дыхательной системы, а также оптимизацию рабочего времени специалиста.

Методы исследования. Для решения поставленных задач в работе используются методы системного анализа, реинжиниринга процесса, баз данных, формальных языков, моделирования систем, объектно-ориентированного анализа и программирования, компонентно-ориентированное программирования, вычислительной математики, машинного обучения и компьютерного зрения, математического моделирования, компьютерной графики, спектрального и модального анализа, а также программные средства разработки комплексов программ.

Положения, выносимые на защиту:

1. Концепция автоматизации проведения тренировок и реабилитации человека (на примере дыхательной системы).

2. Методы обработки многомерных периодических временных рядов для анализа параметров дыхательной системы человека по данным, получаемым с видеокамеры, системы захвата движения и датчиков мобильного телефона.

3. Методы формирования набора индивидуальных упражнений и рекомендаций по выполнению упражнений (для органов дыхания).

4. Архитектура и программная реализация интеллектуальной рекомендательной системы тренировок и реабилитации дыхательной системы человека.

Достоверность и апробация результатов работы. Основные положения исследования докладывались и обсуждались на следующих научно-практических конференциях: 2nd International Conference (NiDS 2022) (Athens, Greece, 2022); International Scientific Conference Artificial intelligence and digital technologies in technical systems 2020 (AIDTTS-2020) (Volgograd, 2020); International Russian Automation Conference RusAutoConf 2020 (Sochi, 2020); XVI Всероссийская заочная научно-практическая конференция «Инновационные технологии в обучении и производстве» (Камышин, 2021 г.); XXV, XXVI, XXVII Региональные конференции молодых ученых и исследователей Волгоградской области (Волгоград, 2020, 2021, 2022 гг.); III, V Всероссийские заочные научно-практические конференции «Программная инженерия: современные тенденции развития и применения» (Программная инженерия - 2019, Программная инженерия - 2021) (Курск, 2019, 2021 гг.); конкурсы научно-исследовательских работ студентов Волгоградского государственного технического университета (Волгоград, 2019, 2021, 2022 гг.).

За проведенные научные исследования получена медаль Российской академии наук с премией для студентов, грант Президента РФ для поддержания лиц, проявивших выдающиеся способности и показавших высокие достижения, три медали всероссийского конкурса «Моя страна - моя Россия», стипендии Президента РФ и Правительства РФ для студента. Работы велись в рамках грантов РНФ 18-78-10047, РФФИ 20-07-00502, 18-07-00220, 19-07-00020, 19-47-343001, 19-47-343002, ВолгГТУ 60/478-22, 60/473-22.

Разработанная система прошла апробацию в медицинских учреждениях «Клиника Академическая», «Многопрофильный Медицинский Центр», «Многопрофильная Медицинская Клиника «СОВА», «Волгоградский лечебно-

консультативный диагностический центр «Здоровье», в организации «Академия терапии виртуальной реальностью «Девирта» и «Университет Традиционной Медицины» республики Армения.

Публикации. По результатам диссертационной работы опубликовано 19 работ, в том числе 5 статей в изданиях, включенных в перечень ВАК (К2) и 2 статьи в изданиях, индексируемых в базе научного цитирования Scopus (1 статья Q2), получено 5 свидетельств о регистрации программы для ЭВМ.

Личный вклад автора. Все основные результаты, изложенные в данной работе, были получены лично автором. Совместно с научным руководителем осуществлялась постановка цели и задач диссертационной работы, обсуждение результатов. В работе [33] соискатель совместно с научным руководителем и медицинским специалистом предложил новый подход к построению методов человеко-машинного взаимодействия, которые позволяют обеспечивать принцип обратной связи при построении процесса дыхательной реабилитации. Соискателем лично был проведен анализ статистических классификаторов, анализирующих данные с системы захвата движения для определения типа дыхания и получены релевантные модели [92, 34, 93, 20]. Соискателем в работе [5] была разработана модель для описания упражнений и на базе анализа негативного пользовательского опыта, построена рекомендательная система. В опубликованных работах [88, 24] были рассмотрены разнообразные модели взаимодействия между медицинским персоналом и пациентом, с возможностью удаленного мониторинга показателей. В работах [19, 20, 22] описаны основные системы и рассмотрены проблемы при реабилитации легких (включая после COVID-19). Соискателем были предложены методы и алгоритмы на основе компьютерного зрения для исключения систем захвата движения при домашнем использовании [95, 86, 97].

Структура и объем диссертации. Работа состоит из введения, четырех глав, заключения, списка литературы и трех приложений. Список литературы включает 97 наименования. Общий объем 203 страницы с 88 рисунками и 18 таблицами.

1 Анализ рекомендательных систем медицинского назначения и методов развития функций дыхательной системы человека

1.1 Анализ рекомендательных систем медицинского назначения

Система Поддержки Принятия Решений (СППР) - человеко-машинная система, которая позволяет лицам, принимающим решения, использовать данные, знания, объективные и субъективные модели для анализа и решения слабоструктурированных проблем [1].

На данный момент отсутствует единая общепринятая классификация СППР, однако их можно разделить на уровни, а также по основанию классификации.

В качестве основания для классификации в статье [1] были предложены следующие признаки:

— концептуальные модели (информационный подход, подход, основанный на знаниях, инструментальный подход);

— пользовательские системы (иерархический уровень управления, способ взаимодействия пользователя с системой, степень зависимости лиц в процессе принятия решения);

— решаемые задачи (степень новизны проблемы, характер описания проблемы, тип модели);

— обеспечивающие средства (характер выполняемых функций, уровень процедурное™ языков интерфейса «пользователь - система»);

— области применения (профессиональная сфера деятельности, временной горизонт).

На уровне пользователя реализована следующая классификация:

— Кооперативные (пользователь может вносить правки/предложения/улучшения в решение СППР, после чего СППР перерасчитывает и вновь направляет пользователю решение);

— Активные (используется в процессе принятия решения, а также дает рекомендации о том, какое решение должно быть принято);

— Пассивные (используется в процессе принятия решения, но не дает рекомендаций о том, какое решение должно быть принято).

На концептуальном уровне в свою очередь реализована следующая классификация:

— СППР, управляемые сообщениями (дают возможность одновременного использования несколькими пользователями, объединенных одним проектом);

— СППР, управляемые данными (использует в своей основе работу с данными и манипуляцию ими, чаще всего применяются для статистического анализа и обработки данных);

— СППР, управляемые документами (используют в своей основе работу с документами, отличительной чертой можно назвать возможность для такой системы работать с неструктурированными данными);

— СППР, управляемые знаниями (такие системы обладают возможностью понимать проблему и соответственно «понимать» запрос, который пришел от пользователя);

— СППР, управляемые моделями (используют в своей основе работу с математическими моделями).

Интеллектуальные советующие системы (ИСС) или интеллектуальные рекомендательные системы (ИРС) являются подвидом СППР. Однако если говорить про СППР, то они воспринимаются как консультационные системы тогда, когда как ИРС и ИСС являются только советующими. Различие заключается в том, что первые (СППР) предлагают решение (гипотезы), в то время как вторые (ИРС или ИСС) формируют решение, базируясь на снижении уровня неопределенности или ранжировании. Они вырабатывают советующую информацию для лиц, принимающих решение (ЛПР), основываясь на анализе исторических данных, например, данных о состоянии системы, вызванных

управляющими воздействиями (УВ) ЛПР или другими видами лиц, взаимодействующих с ИРС или ИСС [2].

Современный информационный мир охватывает огромное количество данных и контента. Рекомендательные системы (РС) становятся неотъемлемой частью пользовательского опыта, помогая пользователям находить и выбирать интересные, релевантные и персонализированные ресурсы. Ученые уже несколько десятилетий занимаются вопросами изучения разнообразных РС [1, 2, 3, 4, 5] и стратегий рекомендаций [6, 7].

Если говорить о прикладных рекомендательных системах, то они активно применяются в спорте, медицине, индустрии онлайн проката для выявления персональных пользовательских элементов множества, которыми оперируют целевые информационные системы. Например, они предлагают персональных подход более глубокого наблюдения и подбора рекомендаций для самостоятельного контроля состояния здоровья [2], в спорте они могут выступать в качестве виртуальных помощников в построении индивидуальных планов.

Выделяют следующую таксономию РС:

— Контент-основанные рекомендации (рекомендации строятся исходя их истории пользователя, ищутся схожие элементы, на базе которых впоследствии осуществляется рекомендация);

— Совместный рекомендательный подход (рекомендации строятся на базе мнения сообщества пользователя или его истории);

— Демографический рекомендательный подход (рекомендации строятся исходя из демографического профиля);

— Рекомендательный подход на основе полезности (рекомендации строятся исходя из знаний о возможных предпочтениях или потребностях пользователя, то есть какие характеристики рекомендуемого элемента могут быть полезны);

— Подход, основанный на рекомендациях сообщества (учитывается мнение сообщества, рейтинг и популярность рекомендуемого элемента внутри него);

— Гибридный подход (комбинирует в себе несколько подходов и методов для повышения точности и эффективности рекомендаций).

На данном этапе развития информационных технологий существуют некоторые барьеры в области разработки медицинских рекомендательных систем, такие как получение информации о пользователе (многие медицинские информационные системы (МИС) являются закрытыми и не предоставляют информацию о состоянии пациентов сторонним приложениям и системам), сложность учета взаимодействия всех факторов, неполный доступ к информации о состоянии здоровья пользователя в связи с тем, что до сих пор отсутствует единая система содержащая всю информацию о здоровье человека и соответственно какие-то показатели могут отсутствовать, что может оказать значительное влияние на рекомендацию РС и следовательно может иметь негативные последствия [2]. Следовательно, желательно, чтобы решения и назначения РС проверялись лечащим врачом, для предотвращения возможных негативных эффектов или решение вырабатывалось на базе рекомендаций пациентом и врачом совместно [8].

На данный момент на РС накладываются следующие требования и ограничения [9, 10, 11, 12, 13, 14, 15, 16]:

— необходима достоверность источников откуда приходит информация о пользователе;

— данные должны быть стандартизированы;

— данные должны обновляться через установленные интервалы времени;

— информация должна быть максимально полной;

— предоставляемая информация должна быть конфиденциальной;

— предоставляемая информация должна быть безопасна для здоровья пользователя;

— предоставляемая информация должна быть точна и достоверна;

— необходимо корректно расставить приоритет между здоровьем и предпочтениями пользователя;

— необходима пояснительная информация рекомендаций;

— необходимо предоставление убедительных аргументов для побуждения пользователя принять решение в соответствии с назначением РС в соответствии с состоянием и информацией о пользователе (пол, возраст, стадия заболевания, предпочтения).

Но, несмотря на недостатки и барьеры в области нельзя не сказать о том, что РС могут оказывать положительное влияние на мотивацию и вовлеченность пользователей, благодаря тому что они предоставляют пользователю наилучший вариант [17], что положительно сказывается на результатах.

Исходя из всего вышесказанного разработка интеллектуальной рекомендательной системы для мониторинга и управления процессом тренировки дыхательной системы является достаточно актуальной задачей в разрезе развития медицинской цифровой отрасли, повышения общего здоровья населения и организации доступности дыхательной реабилитации с РС.

1.2 Анализ технических, аппаратных и программных средств тренировки

дыхательной системы человека

Упражнения, направленные на развитие органов дыхания, являются частью реабилитации и могут быть назначены при хронических респираторных заболеваниях, например, ХОБЛ (занимающая 7-е место в мире причин нездоровья [18]), бронхоэктазии, легочная гипертензия, астма и некоторые другие [19, 20, 21, 23, 22]. Такие упражнения могут быть рекомендованы людям, которым предстоит операция или трансплантация [21, 23, 24].

Список литературы диссертационного исследования кандидат наук Зубков Александр Владимирович, 2023 год

использования ИРС

50 100 150 200 250 300 350 400 450

Histogram

б) С

использованием ИРС

100 150 200 250 300 350 400 450 500

Рисунок 87 - Распределение статистических данных

Вторая группа отражала информацию о времени ведения пациента во время тренировочной сессии. Третья ^ (37) = 0.96, р = 0.225) и четвертая ^

(37) = 0.89, p = 0.001) выборки получены в процессе фиксирования суммарного количества времени, затрачиваемого врачом-реабилитологом на ведение пациента (обучение, наблюдение, исправление, фиксирование результатов) без использования ИРС и с использованием ИРС. Гистограммы выборок демонстрирует Рисунок 88.

а) без использования

Histogram у

15 ИРС

10 5

0 -

О 200 400 600 800 1,0С

Histogram

15 10 5

0 -

0 100 200 300 400 500

Рисунок 88- Распределение статистических данных

Разделение данных на четыре выборки позволило провести сравнительный анализ времени, затраченного врачом на подбор тренировки дыхательной системы до и после внедрения интеллектуальной системы. Все выборки были проверены на нормальность с помощью W-критерия или критерия Шапиро - Уилка. Первая, вторая и четвертая выборки распределены не по нормальному закону.

Сперва проанализировали среднее время, затрачиваемое на пациента для первого и второго этапа, чтобы оценить возможный эффект оказываемый ИРС. Было отмечено, что среднее время, затрачиваемое на подбор упражнения

б) с использованием ИРС

без использования ИРС составляет 290 ± 80.02, время с использованием ИРС -188.189 ± 47.72. Среднее время, затрачиваемое на пациента в первом случае, составляет 678.24 ± 211.91, а во втором - 311.43 ± 89.13. Проанализировав результаты, было сделано предположение, о снижении времени затрачиваемое на подбор упражнений и ведение пациента благодаря использованию ИРС.

В дальнейшем были проведены непараметрические тесты чтобы определить статистические различия между выборками. Были выбраны критерий Вилкоксона для определения направления изменений в группах.

Выдвигались следующие гипотезы:

Для первой группы:

Н0: Время, затрачиваемое врачом-реабилитологом на подбор упражнений с использованием дыхательной системы с интеллектуальным комплексом меньше значений показателей до эксперимента.

Н1: Время, затрачиваемое врачом-реабилитологом на подбор упражнений с использованием дыхательной системы с интеллектуальным комплексом не ниже или выше значений показателей до эксперимента.

Для второй группы:

Н0: Время, затрачиваемое врачом-реабилитологом на ведение пациента во время тренировочной сессии с использованием дыхательной системы с интеллектуальным комплексом меньше значений показателей до эксперимента.

Н1: Время, затрачиваемое врачом-реабилитологом на ведение пациента во время тренировочной сессии с использованием дыхательной системы с интеллектуальным комплексом не ниже или выше значений показателей до эксперимента.

Таким образом, было выявлено, что использование ИРС позволило понизить время затрачиваемое на подбор упражнений (Принимается гипотеза НО: Т(37) = 12, р<0.01), аналогичные результаты были получены и для результатов второго этапа (Т(37) = 22, р<0.01).

На основании проведенного анализа можно сделать вывод о позитивном влиянии интеллектуального комплекса тренировок дыхательной системы на повышение эффективности работы врача с пациентом и сокращение времени подбора персонализированных дыхательных упражнений.

На основании проведенного анализа можно сделать вывод о влиянии интеллектуального комплекса тренировок дыхательной системы на повышение заинтересованности и мотивации.

Разработанная система прошла апробацию в медицинских учреждениях: «Клиника Академическая», «Многопрофильный Медицинский Центр», «Многопрофильная Медицинская Клиника «СОВА», «Волгоградский лечебно-консультативный диагностический центр «Здоровье», в организации «Академия терапии виртуальной реальностью «Девирта» и «Университет Традиционной Медицины» республики Армения (Приложение Б).

Были получены свидетельства о регистрации программ для ЭВМ (Приложение А):

1. Свидетельство о государственной регистрации программы для ЭВМ № 2022680242 от 28 октября 2022 г. Российская Федерация. Серверное программное обеспечение для организации взаимодействия клиентов между шлемом виртуально реальности и системой трекинга дыхания на основе технологии компьютерного зрения / Ю.А. Орлова, Аг.С. Кузнецова, A.B. Зубков, В.В. Гилка, А.Р. Донская, Д.С. Павлова, C.B. Степанов, Ю.С. Гомазкова, М.Р. Гумеров, А.К. Писарев, Д.В. Деменков, О.Д. Ролдугин; ФГБОУ ВО ВолгГТУ.

2. Свидетельство о государственной регистрации программы для ЭВМ № 2022669018 от 14 октября 2022 г. Российская Федерация. Система трекинга дыхания на основе технологии компьютерного зрения / Ю.А. Орлова, В.Л. Розалиев, Аг.С. Кузнецова, A.B. Зубков, А.Р. Донская, Н.Д. Сибирный, А.П. Кулевич, Е.С. Тарапатина, В.А. Литвиненко, И.А. Самоходкина, Д.Р. Черкашин, В.В. Носкин, А.К. Писарев, Г.М. Рыбчиц, A.C. Воробьев, А.П.

Кузнецова, Е.М. Великанов, И.В. Макаревич, A.A. Коршунов, О.Д. Ролдугин; ФГБОУ ВО ВолгГТУ.

3. Свидетельство о государственной регистрации программы для ЭВМ № 2022615069 от 29 марта 2022 г. Российская Федерация. Личный кабинет врача-реабилитолога для тренажера нейрореабилитации пациентов на базе технологии виртуальной реальности / Ю.А. Орлова, Е.С. Тарапатина, В.А. Литвиненко, И.А. Самоходкина, А.Р. Донская, A.B. Зубков, Н.Д. Сибирный, А.П. Кулевич, Д.Р. Черкашин, В.В. Носкин, А.К. Писарев, Г.М. Рыбчиц, A.C. Воробьев, А.И. Кузнецова, Е.М. Великанов, A.C. Ломакин, М.К. Зверьков, И.В. Макаревич; ФГБОУ ВО ВолгГТУ.

4. Свидетельство о государственной регистрации программы для ЭВМ № 2021667237 от 27.10.2021 Российская Федерация. Панель управления лицензиями продуктов с возможностью просмотра статистики / Ю.А. Орлова, A.B. Зубков, Е.С. Тарапатина, В.А. Литвиненко, И.А. Самоходкина, А.Р. Донская; ФГБОУ ВО ВолгГТУ.

5. Свидетельство о государственной регистрации программы для ЭВМ № 2021617456 от 14 мая 2021 г. Российская Федерация. Сервер выдачи управления лицензиями продуктов и сбора статистики / Ю.А. Орлова, В.Л. Розалиев, A.B. Зубков, Н.Д. Сибирный, Е.С. Тарапатина, В.А. Литвиненко, Д.Р. Черкашин; ФГБОУ ВО ВолгГТУ.

4.7 Результаты и выводы по четвертой главе

В четвертой главе описаны алгоритмы и программные средства, которые реализуют методы из второй и третей главах в рамках создаваемой интеллектуальной рекомендательной системы проведения тренировок и реабилитации человека.

В четвертой главе описана апробация системы в ЛФК кабинетах одной в сети клиник Волгограда и доказано повышение эффективности процесса тренировок дыхательной системы человека, используя критерии эффективности: время, затраченное врачом для подбора персонализированной тренировки на каждого пациента; время, затраченное врачом для проведения тренировки на каждого пациента; заинтересованность пациента. Получена экспертная оценка о сохранении качества медицинского обслуживания при сокращении временных затрат.

Проведена оценка статистической значимости полученных результатов. Всего участвовало 76 человек. Участники были поделены на две группы: занимающиеся с использование системы и занимающиеся без нее. На основании проведенного анализа собранных статистических данных было выявлено, что интеллектуальной рекомендательной системы проведения тренировок и реабилитации человека влияет на сокращение времени врача, затраченного на одного пациента, на повышение заинтересованности и мотивации пациента.

177

Заключение

В работе были рассмотрены модели, методы и алгоритмы обработки многомерных периодических временных рядов для анализа параметров дыхательной системы человека и подбора персонализированных рекомендаций.

Были решены следующие задачи:

1. Проведен анализ рекомендательных систем медицинского назначения как особого класса систем поддержки принятия решений, компьютерных систем и информационных технологий проведения тренировок и реабилитации человека.

2. Предложена концепция автоматизации проведения тренировок и реабилитации человека.

3. Разработаны методы обработки многомерных периодических временных рядов для анализа параметров дыхательной системы человека по данным, получаемым с видеокамеры, системы захвата движения и датчиков мобильного телефона.

4. Разработаны методы формирования индивидуального набора упражнений и рекомендаций по выполнению упражнений на основе предметно-ориентированного языка представления упражнений органов дыхания.

5. Спроектирована, протестирована и проведена апробация интеллектуальной рекомендательной системы проведения тренировок и реабилитации человека.

Дальнейшие исследования будут направлены на доработку существующей концепции с целью увеличения набора вырабатываемых знаний ИРС для ЛПР. Также планируется улучшить качество описанных методов для мониторинга ключевых показателей и определения типа дыхания человека по данным, получаемым с видеокамеры, системы захвата движения и датчиков телефона.

Список сокращении и условных обозначений

ИРС - Интеллектуальные рекомендательные системы.

СППР - Система поддержки принятия решений.

ИСС - Интеллектуальные советующие системы.

ЛПР - Лица, принимающие решение.

УВ - управляющее воздействие.

PC - Рекомендательные системы.

МИС - медицинские информационные системы.

R-CNN - Region-based Convolutional Network.

CNN - Convolutional Neural Network.

RPN - Region Proposal Network.

YOLO - You Look Only Once.

PCA - метод главных компонент.

SVD - метод сингулярного разложения.

БПФ - быстрое преобразование Фурье.

ДПФ - Дискретное преобразование Фурье.

БКПФ - Быстрое косинусное преобразование.

БПХ - Быстрое преобразование Хартли.

ОПФ - оконное преобразование Фурье.

АХЧ - Амплитудно-частотная характеристика.

КИХ-фильтр - Фильтрация с конечной импульсной характеристики.

ЛДА - линейный дискриминантный анализ.

SVM - Метод опорных векторов.

ОУ - Объект управления.

ГПУ - Графический процессор.

ЦПУ - центральный процессор.

DT - Дерево решений (Decision Tree).

RF - Случайный лес (Random Forest).

K-NN - K-ближайших соседей (K-Nearest Neighbors). Catch22 - Модель машинного обучения канонических характеристик (Canonical Time-series Characteristics classifier).

Rocket - Модель машинного обучения Rocket (Rocket Classifier). HGBC - Модель машинного обучения Hist Gradient Boosting (Hist Gradient Boosting Classifier).

MLPC - Полносвязная нейронная сеть (Multi-layer Perceptron classifier).

DSL - предметно-ориентированный язык.

AST - абстрактное синтаксическое дерево.

Error - пользовательская ошибка.

ООП - объектно-ориентированный подход.

КОП - компонентно-ориентированный подход.

URI - универсальный код ресурса.

Список используемой литературы

1. Ларичев О.И., Петровский А.В. Системы поддержки принятия решений. Современное состояние и перспективы их развития // Итоги науки и техники, теория вероятностей, математическая статистика, теоретическая кибернетика. - 1987. - c. 131-164.

2. Кобринский, Б. А. Интеллектуальные рекомендательные системы для медицины: особенности и ограничения / Б. А. Кобринский // Искусственный интеллект и принятие решений. - 2022. - № 3. - С. 51-62. -DOI 10.14357/20718594220304.

3. Resnick, P. Recommender systems / P. Resnick, H.R. Varian // Commun. ACM. - 1997. - Vol. 40, issue 3. - P. 56-58.

4. Ricci, F. Recommender Systems Handbook / F. Ricci, L. Rokach, B. Shapira. - Boston, MA : Springer US, 2011. - 1-35 p. - ISBN 978-0-387-85820-3.

5. Разработка технологии и средств интерактивной поддержки пациента со стабильной стенокардией / Ю.А. Орлова, В.Л. Розалиев, А.В. Зубков, А.С. Дмитриев // Известия Юго-Западного государственного университета. Сер. Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2019. - Т. 9, № 4 (33). - C. 24-48

6. Adomavicius, G. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions / G. Adomavicius, A. Tuzhilin // IEEE Transactions on Knowledge and Data Engineering. - 2005. - issue 17. - P. 734-749.

7. Ekstrand, M. D. Collaborative Filtering Recommender Systems / M. D. Ekstrand, J. T. Riedl, J.A. Konstan. - Boston : Now Publishers Inc, 2011. - 106 p.

8. Mardini, M.T., Hashky, A., Ras, Z.W. Personalizing Patients to Enable Shared Decision Making / M.T. Mardini, A. Hashky, Z.W. Ras // Recommender Systems for Medicine and Music / S. Tsumoto, A. Wieczorkowska, Z.W. Ras. -Cham : Springer, 2021. - 9. - P. 75-90.

9. DeepReco: Deep Learning Based Health Recommender System Using Collaborative Filtering / A.K. Sahoo, C. Pradhan, R.K. Barik, H. Dubey // Computation. - 2019. - Vol. 7, issue 2. - P. 25.

10. Towards health (aware) recommender systems / H. Schafer, S. Hors-Fraile, R.P. Karumur [h ^p.] // Proceedings of the International Conference on Digital Health, DH '17. - New York : ACM, 2017. - P. 157-161.

11. Recommender systems in the healthcare domain: state-of-the-art and research issues / T.N.T. Tran, A. Felfernig, Ch. Trattner, A. Holzinger // Journal of Intelligent Information Systems. - 2021. - issue 57. - P. 171-201.

12. Adapting healthy eating messages to personality / R.J. Thomas, M. Masthoff, N. Oren [h ^p] // Persuasive Technology: Development and Implementation of Personalized Technologies to Change Attitudes and Behaviors -12th International Conference, PERSUASIVE 2017 . - Cham : Springer, 2017. - P. 119-132.

13. Nguyen, H. Designing Persuasive Dialogue Systems: Using Argumentation with Care / H. Nguyen, J. Masthoff // Persuasive Technology. PERSUASIVE 2008. . - Berlin, Heidelberg : Springer, 2008. - P. 201-212.

14. Recommender Systems for Health Informatics: State-of- the-Art and Future Perspectives / A.C. Valdez, M. Ziefle, K. Verbert [h ^p] // Machine Learning for Health Informatics. - 2016. - issue 9605. - P. 391-414.

15. O'Donovan, J. Trust in Recommender Systems / J. O'Donovan, B. Smyth // Proceedings of the 10th International Conference on Intelligent User Interfaces . - New York, NY, USA : Association for Computing Machinery, 2005. -P. 167-174.

16. Towards social choicebased explanations in group recommender systems / T.N.T. Tran, M. Atas, A. Felfernig [h ^p] // Proceedings of the 27th ACM Conference on User Modeling, Adaptation and Personalization, UMAP '19 . - New York : Association for Computing Machinery, 2019. - P. 13-21.

17. Health Recommender Systems: Systematic Review / R. De Croon, L. Van Houdt, N.N. Htun [и др.] // Journal of medical Internet research. - 2021. -Vol. 26, issue 6. - P. e18035.

18. ВОЗ : сайт. - URL: https://www.who.int/ru/news-room/fact-sheets/detail/chronic-obstructive-pulmonary-disease-(copd) (дата обращения: 30.05.2023)

19. Зубков, A.B. Разработка программного комплекса VR реабилитации после COVID-19 / A.B. Зубков, Д.Р. Черкашин // Конкурс научно-исследовательских работ студентов Волгоградского государственного технического университета (г. Волгоград, 25-29 апреля 2022 г.) : тез. докл. / редкол.: С. В. Кузьмин (отв. ред.) [и др.] ; ВолгГТУ, Отдел координации научных исследований молодых ученых УНиИ, Общество молодых ученых. -Волгоград, 2022. - C. 155-156.

20. Зубков, A.B. Разработка программного комплекса постковидной реабилитации, используя технологию виртуальной реальности / A.B. Зубков, Д.Р. Черкашин, В.А. Литвиненко // XXVI Региональная конференция молодых ученых и исследователей Волгоградской области (г. Волгоград, 16-28 ноября 2021 г.) : сб. материалов конф. / редкол.: С. В. Кузьмин (отв. ред.) [и др.] ; ВолгГТУ. - Волгоград, 2022. - C. 162-163.

21. Kumar, A. Pulmonary rehabilitation care: Current perspective / A. Kumar // P Indian Journal of Immunology and Respiratory Medicine. - 2023. - issue 8. - P. 6-10. - DOI 10.18231/j.ij irm.2023.003

22. Разработка моделей предиктивной аналитики для предсказывания тенденции заболеваемости СО VID-19 на основании открытых данных волгоградской области / Г.М. Рыбчиц, A.B. Зубков, H.A. Самоходкина, Ю.А. Орлова // Программная инженерия: современные тенденции развития и применения (ПИ-2021): сб. матер. V-йВсерос. науч.-практ. конф. (г. Курск, 1516 марта 2021 г.) / отв. ред. Р. А. Томакова ; ФГБОУ ВО «ЮЗГУ». - Курск, 2021. - C. 124-127

23. Hamasaki, H. Effects of Diaphragmatic Breathing on Health: A Narrative Review / H. Hamasaki // Medicines (Basel). - 2020. - Vol.10, issue 7. - P. 65. - DOI 10.3390/medicines7100065

24. Digitalization of the process of postoperative care for a patient on the example of hip replacement / О. А. Каплунов, М.Ю. Фролов, Ю.А. Орлова, А.В. Зубков, Н.Д. Сибирный // Journal of Physics: Conference Series. Vol. 1801: International Scientific Conference Artificial intelligence and digital technologies in technical systems2020 (AIDTTS-2020) (Volgograd, Russian Federation, 2021 October 2020) / Volgograd State Technical University. - [IOP Publishing], 2021. - 6 p. - DOI: 10.1088/1742-6596 /1801/1/012039.- URL: https://iopscience.iop.org/article/10.1088/1742-6596/1801/1/0 12039

25. Шпнкоренко, O.B. Проблемы и перспективы развития реабилитации в российской федерации / О.В. Шинкоренко // Ученые записки Алтайского филиала Российской академии народного хозяйства при Президенте Российской Федерации. - 2019. - №16,- С. 5.

26. Lee, H-Y Effect of diaphragm breathing exercise applied on the basis of overload principle / H-Y Lee, S-H Cheon, M-S Yong // Journal of Physical Therapy Science. - 2017. - Vol. 6, issue 29. - P. 1054-1056.

27. Evidence for aerobic exercise training on the autonomic function in patients with chronic obstructive pulmonary disease (COPD): a systematic review / J. Mohammed, E. Derom, J. Van Oosterwijck [и др.] // Physiotherapy. - 2018. -Vol. 104, issue 1. - P. 36-45.

28. Effects of 12 weeks of regular aerobic exercises on autonomic nervous system in obstructive sleep apnea syndrome patients / H. Yang, Y. Liu, H. Zheng [и др.] // Sleep Breath. - 2018. - Vol. 22, issue 4. - P. 1189-1195.

29. Serman, T. Influence of Respiratory Exercises on the Functional State of the Cardiovascular System Under Different Physical Activities of Students / T. Serman // Journal of Vasyl Stefanyk Precarpathian National University. - 2022. -Vol. 9, issue 1. - P. 219-226.

30. Identifying alternative mental health interventions: A systematic review of randomized controlled trials of chanting and breathwork / S. Malviya, C. Meredith, B. Zupan, L. Kerley // Journal of Spirituality in Mental Health. - 2022. -Vol. 1, issue 24. - P. 191-233.

31. Лукашкова, И. Л. Дыхательная гимнастика : методические рекомендации пособие / И. Л. Лукашкова, Т. В. Мискевич, О. В. Савицкая. -Могилев : МГУ имени А.А. Кулешова, 2008. - 48 р.

32. Gilbert, C. Interaction of psychological and emotional variables with breathing dysfunction Recognizing and Treating Breathing Disorders (Second Edition) / C. Gilbert. - United States : Churchill Livingstone,, 2014. - 299 p.

33. Разработка метода определения доминирующего типа дыхания человека на базе технологий компьютерного зрения, системы захвата движения и машинного обучения / А.В. Зубков, А.Р. Донская, С.Н. Бушенева, Ю.А. Орлова, Г.М. Рыбчиц // Моделирование, оптимизация и информационные технологии. - 2022. - Т. 10, № 4. - 15 р. - DOI: 10.26102/23106018/2022.39.4.016. - URL: https://moitvivt.ru/ru/journal/article?id=1200

34. Method for Determining the Dominant Type of Human Breathing Using Motion Capture and Machine Learning / Ю.А. Орлова, A.C. Горобцов, O.A. Сычев, В.Л. Розалиев, А.В. Зубков, А.Р. Донская // Algorithms. - 2023. - Vol. 16, issue 5. - Article 249. - 25 p. - DOI: https://doi.org/10.3390/a16050249. - URL: https: //www. mdpi.com/1999-4893/16/5/249.

35. Subin, S. Breathing techniques-A review - 25 different types / S. Subin, A. Pravin // International Journal of Physical Education, Sports and Health. - 2015. -Vol.2, issue 2. - P. 237-241.

36. Patients' perceptions of breathing training exercises for asthma: a qualitative study / E. Arden-Close, E. Teasdale, S. Tonkin-Crine [и др.] // Primary Care Respiratory Journal. - 2013. - Vol.4, issue 22. - P. 449-453.

37. Ismail, W. he Importance of Motivation Attributes in Developing Serious Games for Physical Rehabilitation - A Case Study / W. Ismail // MIR Preprints. - 20222. - issue 4. - P. 47.

38. An online breathing and wellbeing programme (ENO Breathe) for people with persistent symptoms following COVID-19: a parallel-group, singleblind, randomised controlled trial / E. J. P. Keir, O. Harriet, M. Stephanie [ и др.] // Lancet Respir Med. - 2022. - Vol. 10, issue 9. - P. 851-862.

39. Kanupriya, R. Efficiency of VR based Exercises Rehabilitation program to motivate elderly people during COVID-19 era / R. Kanupriya, M. Hasan // Online International Conference on Celebrating Imperfections . - India, 2021. - P. 11.

40. Motivating, game-based stroke rehabilitation: a brief report / S. R. Wood, N. Murillo, P. Bach-y-Rita [и др.] // Topics in stroke rehabilitation. - 2003. -Vol. 2, issue 10. - P. 134-140.

41. Mutchnick M. G. The Role of Motivation in Rehabilitation / M. G. Mutchnick // Cognitive Approaches to Neuropsychology / J.M. Williams, C.J. Long. - Boston, MA. : Springer, 1988. - 9. - P. 169-187.

42. Physical Activity Recommendation System Based on Deep Learning to Prevent Respiratory Diseases / U. Bhimavarapu, M. Sreedevi, N. Chintalapudi, G. Battineni // Advances of Machine and Deep Learning in the Health Domain : электронный журнал. - URL: https://www.mdpi.com/2073-431X/11/10/150. -Дата публикации: 11.102022.

43. Physical-exercise recommendation system based on individual daily schedule / S. Ono, Y. Yotsuya, N. Takahashi [и др.] // 2022 Joint 12th International Conference on Soft Computing and Intelligent Systems and 23rd International Symposium on Advanced Intelligent Systems (SCIS&ISIS) . - Ise, Japan : IEEE, 2022. - P. 1-3.

44. Effects of a Personalized Fitness Recommender System Using Gamification and Continuous Player Modeling: System Design and Long-Term Validation Study / Z. Zhao, A. Arya, R. Orji, G. Chan // JMIR Serious Games. -2020. - Vol. 8, issue 4. - P. e19968.

45. Пальцев, M. А. 4П-медицина как новая модель здравоохранения в Российской Федерации / М. А. Пальцев, Н. Н. Белушкина, Е. А. Чабан II

ОРГЗДРАВ: новости, мнения, обучения. Вестник ВШОУЗ. - 2015. - № 2(2). -С. 48-54.

46. Artificial Intelligence Technologies Application for Personal Health Management / B.A. Kobrinskii, O.G. Grigoriev, A.I. Molodchenkov [и др.] // 19th IFAC Conference on Technology, Culture and International Stability TECIS 2019: Sozopol, Bulgaria, 26-28 September 2019 . - New York : Elsevier Ltd., 2019. - P. 70-74.

47. Принципы создания интеллектуальной системы формирования и сопровождения плана мероприятий по здоровьесбережению / Б. А. Кобринский, О. Г. Григорьев, И. В. Смирнов [и др.] // Цифровое здравоохранение : труды XIX Международного конгресса, Москва, 11-12 октября 2018 года. - Москва: Общество с ограниченной ответственностью «Консэф», 2018. - Р. 31-33.

48. Breath Coach : сайт. - URL: https://oxygenadvantage.com/functional-breathing-coach-certification/ (дата обращения: 30.05.2023)

49. Breathing as an Input Modality in a Gameful Breathing Training App (Breeze 2): Development and Evaluation Study / YX. Lukic, GW. Teepe, E. Fleisch, T. Kowatsch // MIR Serious Games. - 2022. - Vol. 3, issue 10. - P. e39186.

50. Life Tree: Understanding the Design of Breathing Exercise Games / R. Patibanda, F. Mueller, M. Leskovsek, J. Duckworth // Annual Symposium on Computer-Human Interaction in Play (CHI PLAY '17). - New York : Association for Computing Machinery, 2017. - P. 19-31.

51. Bubble Breather - A Breathing Exercise Game to Support Pneumonia Rehabilitation and Recovery / A. Tabor, R. Pradantyo, B. Sadprasid [и др.] // Annual Symposium on Computer-Human Interaction in Play (CHI PLAY '20) . - New York, NY, USA : Association for Computing Machinery, 2020. - P. 86-90.

52. Thoma, M. A Survey of Semantic Segmentation / M. Thoma // ArXiv160206541 Cs : электронный журнал. - URL: http://arxiv.org/abs/1602.06541. - Дата публикации: 18.01.2022

53. Localize to Classify and Classify to Localize: Mutual Guidance in Object Detection. / H. Zhang, E. Fromont, S. Lefevre, B. Avignon // Computer Vision - ACCV 2020. ACCV 2020. Lecture Notes in Computer Science. - Cham : Springer, 2021. - P. 15.

54. Prasad, D. K. Survey of the problem of object detection in real images / D. K. Prasad // International Journal of Image Processing (IJIP). - 2012. - Vol. 6, issue 6. - P. 441.

55. Du, L. Overview of two-stage object detection algorithms / L. Du, R. Zhang, S. Wang // Journal of Physics: Conference Series. - 2020. - issue 1544. - P. 012033.

56. Salahin, S.M.S. One-Stage Methods of Computer Vision Object Detection to Classify Carious Lesions from Smartphone Imaging / S.M.S. Salahin, M.D.S. Ullaa, S. Ahmed // Oral. - 2023. - Vol. 2, issue 3. - C. 176-190.

57. Adarsh, P. YOLO v3-Tiny: Object Detection and Recognition using one stage improved model / P. Adarsh, M. Kumar, P. Rathi // 2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS) . -New York : IEEE, 2020. - C. 687-694.

58. Mask R-CNN / K. He,, G. Gkioxari, P. Dollar, R. Girshick // CoRR : электронный журнал. - URL: http://arxiv.org/abs/1703.06870. - Дата публикации: 2017.

59. Bochkovskiy A., Wang C.-Y., Liao H.-Y. M. Yolov4: Optimal speed and accuracy of object detection // arXiv preprint arXiv:2004.10934. — 2020.

60. Redmon J., Farhadi A. Yolov3: An incremental improvement // arXiv preprint arXiv:1804.02767. — 2018

61. Redmon J., Farhadi A. YOLO9000: better, faster, stronger // Proceedings of the IEEE conference on computer vision and pattern recognition. — 2017. — P. 7263—7271.

62. Ma J., Chen L., Gao Z. Hardware implementation and optimization of tinyYOLO network // International Forum on Digital TV and Wireless Multimedia Communications. — Springer. 2017. — P. 224—234.

63. Эконометрия / В. И. Суслов, Н. М. Ибрагимов, Л. П. Талышева, А. А. Цыплаков. - Новосибирск : «Новосибирский государственный университет», 2005. - 742 с.

64. Hanna, M.T. Hermite-Gaussian-like eigenvectors of the discrete Fourier transform matrix based on the direct utilization of the orthogonal projection matrices on its eigenspaces / M.T. Hanna, N.P.A. Seif, W.A.E.M. Ahmed // IEEE Transactions on Signal Processing. - 2006. - Vol. 54, issue 7. - P. 2815 - 2819. -ISSN 1053-587X

65. Guido, R.C. Introducing the Discrete Path Transform (DPT) and its applications in signal analysis, artefact removal, and spoken word recognition / R.C. Guido, F. Pedroso, R.C. Contreras // Digital Signal Processing. - 2021. - Vol. 117, issue 10. - P. 103-158.

66. Vargas, J. Speech Analysis and Synthesis Based on Dynamic Modes / J. Vargas, S. McLaughlin // IEEE Transactions on Audio, Speech, and Language Processing. - 2011. - Vol.19, issue 8. - P. 2566-2578. - ISSN 1063-6676

67. Encyclopedia of Physical Science and Technology / Elsevier ; R. A. Meyers. - New York, NY : Academic Press, 2001. - 15453 p.

68. Proakis G. The Fourier Transform of Signals with Poles on the Unit Circle / G. Proakis // Digital Signal Processing / G. Proakis, D.G. Manolakis. -Upper Saddle River, New Jersey : Pearson Education, 2007. - 4.2.8. - P. 262-265. -ISBN 978-0131873742

69. DSP Software Development Techniques for Embedded and Real-Time Systems (Embedded Technology) / Elsevier ; R. Oshana. - New York, NY : Newnes, 2006. - 608 p.

70. Кузнецова, M.H. Преобразование лапласа и нелинейные гиперболические системы / М.Н. Кузнецова // Вестник Башкирского университета. — 2012. — № 4. — С. 1653-1657. — ISSN 1998-4812. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/journal/issue/290719 (дата обращения: 02.06.2023).

71. Gorry, A. General least-squares smoothing and differentiation by the convolution (Savitzky-Golay) method / A. Gorry // Analytical Chemistry. - 1990. -Vol. 62, issue 6. - P. 570-573.

72. Andreas, A. Digital Filters: Analysis, Design, and Signal Processing Applications / A. Andreas. - New York City : McGraw Hill, 2018. - 976 p.

73. Savitzky, A. Smoothing and Differentiation of Data by Simplified Least Squares Procedures / A. Savitzky, M. J. E. Golay // Analytical Chemistry. - 1964. -Vol. 36, issue 8. - P. 1627-1639.

74. Schafer, R. W. On the frequency-domain properties of Savitzky-Golay filters / R. W. Schafer // 2011 Digital Signal Processing and Signal Processing Education Meeting (DSP/SPE) . - Sedona, AZ, USA : IEEE, 2011. - P. 54-59.

75. Pei, S.C. 2-D Laguerre Distributed Approximating Functional: A Circular Low-Pass/Band-Pass Filter / S.C. Pei, S.G. Huang // IEEE Transactions on Circuits and Systems II: Express Briefs. - 2019. - Vol. 66, issue 5. - P. 818-822. -ISSN 1549-7747

76. Generalized unequal length lapped orthogonal transform for subband image coding / T. Nagai, M. Ikehara, M. Kaneko, A. Kurematsu // IEEE Transactions on Signal Processing. - 2001. - Vol.48, issue 12. - P. 3365 - 3378. -ISSN 1053-587X

77. Iskiv, M. One-dimensional digital filtering technique for increase of TV-image quality / M. Iskiv, Yu.P. Mikhaylyuk, M.G. Trusov // 12th International Conference Microwave and Telecommunication Technology . - New York : IEEE, 2002. - P. 241-242.

78. Lyons, R.G. Understanding Digital Signal Processing / R.G. Lyons. -3rd Edition. - Cambridge : Pearson, 2010. - 954 c.

79. FFT Analysis of Amplitude Frequency Response of Quadripoles Using a Square Waveform Reference Input Signal / P.M. Tzvetkov, K.S. Galabov, G. Kosta // 2022 XXXII International Scientific Symposium Metrology and Metrology Assurance (MMA) . - Sozopol, Bulgaria : IEEE, 2022. - P. 1-23. - ISBN 978-16654-8569-2

80. Spatial and Temporal Adaptive FIR Clutter Filtering / V. Perrot, J. Avdal, L. Lovstakken [и др.] // 2018 IEEE International Ultrasonics Symposium (IUS) . - Kobe, Japan : IEEE, 2018. - P. 3-14. - ISBN 978-1-5386-3425-7

81. Brereton, R. Support Vector Machines for classification and regression / R. Brereton, G6 Lloyd // The Analyst. - 2010. - issue 2. - P. 230-267.

82. Data Mining and Knowledge Discovery Handbook / Springer ; O. Maimon, L. Rokach. - New York, NY : Springer, 2005. - 1383 P.

83. Kontos, D. Fast and effective characterization for classification and similarity searches of 2D and 3D spatial region data / D. Kontos, V. Megalooikonomou // Pattern Recognition. - 2005. -Vol. 38, issue 11. - P. 18311846. - ISSN 0031-3203

84. Разработка моделей и программных средств для анализа дыхания человека на базе системы захвата движения / Ю.С. Гомазкова, Д.В. Деменков, А.В. Зубков // XXVII Региональная конференция молодых ученых и исследователей Волгоградской области (г. Волгоград, 2-15 ноября 2022 г.): сб. материалов конф. / редкол.: С. В. Кузьмин (отв. ред.) [и др.]. - Волгоград, 2022. - C. 175-176.

85. Клинические рекомендации. Пульмонология / под ред. А.Г. Чучалина, 2006. - 238 с.

86. Разработка модуля детектирования видов дыхания на базе компьютерного зрения для программного комплекса постковидной реабилитации / А.А. Коршунов, О.Д. Ролдугин, А.В. Зубков // XXVI Региональная конференция молодых ученых и исследователей Волгоградской области (г. Волгоград, 16-28 ноября 2021 г.) : сб. материалов конф. / редкол.: С. В. Кузьмин (отв. ред.) [и др.]; ВолгГТУ. - Волгоград, 2022. - C. 142-143.

87. Разработка серверной части модуля детектирования видов дыхания на базе компьютерного зрения для программного комплекса постковидной реабилитации / А.А. Коршунов, О.Д. Ролдугин, А.В. Зубков, Е.В. Таранова // Инновационные технологии в обучении и производстве : материалы XVI Всерос. заочн. науч.-практ. конф. (г. Камышин, 22-25 ноября 2021 г.). В 3 т. Т.

1 / под общ. ред. И. В. Степанченко ; ВолгГТУ, КТИ (филиал) ВолгГТУ. -Волгоград, 2021. - C. 81-83.

88. Автоматизированное распознавание и контроль взаимодействия людей по видеоизображению / А.Д. Ульев, А.Р. Донская, А.В. Зубков // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. -2023. - Т. 23, № 2. - С. 212-230.

89. Recognition of Film Type Using HSV Features on Deep-Learning Neural Networks / C. Lu, J. Lin, C. Chang [и др.] // Journal of Electronic Science and Technology,. - 2020. - issue 18. - P. 31-41.

90. A parallel Canny edge detection algorithm based on OpenCL acceleration / Yu, Song, C. Li, Q. Zhou, H. Xiao // Research Square : электронный журнал. - URL: https://www.researchsquare.com/article/rs-2774366/v1 (дата обращения: 30.05.2023).

91. Jenkins, G. M. Spectral analysis and its applications / G. M. Jenkins, D. G. Watts. - San Francisco : Holden-Day, 1969. - 525 p.

92. Метод определения типа дыхания человека на базе машинного обучения/ А. В. Зубков, Я.А. Маренков, Ю.С. Гомазкова, Д.А. Болгов, А.Р. Донская II Известия Юго-Западного государственного университета. Сер. Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2023. - Т. 14, № 2. - C. 85-95

93. Зубков, А.В. Комплексный метод определения ключевых показателей дыхания пользователя на базе системы захвата движения или по видеозахвату / А. В. Зубков II NovaUm.Ru. - 2023. - № 43. - C. URL: http://novaum.ru/public/p2685.

94. Machine Learning: A First Course for Engineers and Scientists / A. Lindholm, N. Wahlstrom, F. Lindsten, T.B. Schon. - Cambridge, UK : Cambridge University Press, 2022. - 350 p.

95. Разработка рекомендательной системы для подбора тренировок / A.B. Зубков, C.B. Степанов, В.В. Носкин, Н.Д. Сибирный, Ю.А. Орлова // Инженерный вестник Дона : сетевой журнал. - 2023. - № 6. - 17 с.

96. Зубков, A.B. Комплексный метод определения ключевых показателей дыхания пользователя на базе системы захвата движения или по видеозахвату/ A.B. Зубков // NovaUm.Ru. - 2023. - № 43. - C. URL: http://novaum.ru/public/p2685.

97. Разработка серверной части модуля детектирования видов дыхания на базе компьютерного зрения для программного комплекса постковидной реабилитации / A.A. Коршунов, О.Д. Ролдугин, A.B. Зубков, Е.В. Таранова II Инновационные технологии в обучении и производстве : материалы XVI Всерос. заочн. науч.-практ. конф. (г. Камышин, 22-25 ноября 2021 г.). В 3 т. Т. 1 / под общ. ред. И. В. Степанченко ; ВолгГТУ, КТИ (филиал) ВолгГТУ. -Волгоград, 2021. - C. 81-83.

Приложение А. Свидетельства о регистрации программы для ЭВМ

Рисунок 1 - Свид. о гос. регистрации программы для ЭВМ № 2021617456 от 14 мая 2021 г. Российская Федерация. Сервер выдачи управления лицензиями продуктов и сбора статистики

Стр.: 1

Рисунок 2 - Свид. о гос. регистрации программы для ЭВМ № 2021667237 от 27.10.2021 Российская Федерация. Панель управления лицензиями продуктов с возможностью просмотра статистики

1*112022615069

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства):

2022615069 Дата регистрации: 29.03.2022 Номер и дата поступления заявки:

2022615119 29.03.2022 Дата публикации и номер бюллетеня: 29.03.2022 Бюл. № 4

Автор(ы):

Орлова Юлия Александровна (Яи), Тарапатина Екатерина Сергеевна (ЯЦ), Литвиненко Владимир Алексеевич (Яи), Самоходкина Ирина Александровна (Яи), Донская Анастасия Романовна (Я и). Зубков Александр Владимирович (Яи), Сибирный Никита Димитриевич (ЯЩ, Кулевич Андрей Павлович (Яи), Черкашин Дмитрий Романович (Яи), Носкин Виктор Викторович (Яи), Писарев Андрей Константинович (Яи), Рыбчиц Григорий Михайлович (Яи), Воробьев Александр Сергеевич (ЯЦ), Кузнецова Анна Игоревна (ЯЧ), Великанов Евгений Максимович (ЯЦ), Ломакин Арсений Сергеевич (Яи), Зверьков Максим Кириллович (Яи), Макаревич Ирина Вячеславовна (Яи) Правообладатель(и):

Федеральное государственное бюджетное образовательное учреждение высшего образования «Волгоградский государственный технический университет» (Яи)

Название программы для ЭВМ:

Личный кабинет врача-реабилитолога для тренажера нейрореабилитации пациентов на базе технологии виртуальной реальности

Реферат:

Программа предназначена для управления и настройкой тренажера нейрореабилитации с применением технологий виртуальной реальности. Областью применения является медицинская реабилитация, управление восстановительны процессом. Функции программы: настройка сессии, обновление информации о сессии, регистрация пациентов, создание сессии, просмотр информации о пациентах.

Язык программирования: Объем программы для ЭВМ:

75 Кб

Стр.: 1

Рисунок 3 - Свид. о гос. регистрации программы для ЭВМ № 2022615069 от 29 марта 2022 г. Российская Федерация. Личный кабинет врача-реабилитолога для тренажера нейрореабилитации пациентов на базе технологии виртуальной реальности

11112022669018

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства):

2022669018 Дата регистрации: 14.10.2022 Номер и дата поступления заявки:

2022668715 14.10.2022 Дата публикации и номер бюллетеня: 14.10.2022 Бюл. № 10

Автор(ы):

Орлова Юлия Александровна (1Ш), Розалиев Владимир Леонидович (Яи), Кузнецова Агнесса Сергеевна (Яи). Зубков Александр Владимирович (Ии). Донская Анастасия Романовна (Ии), Сибирный Никита Димитриевич (ЯЧ), Кулевич Андрей Павлович (1Ш), Тарапатина Екатерина Сергеевна (Ш-Г), Литвиненко Владимир Алексеевич (Яи), Самоходкина Ирина Александровна (Яи), Черкашин Дмитрий Романович (ИИ), Носкин Виктор Викторович (Ии), Писарев Андрей Константинович (Яи), Рыбчиц Григорий Михайлович (КЩ Воробьев Александр Сергеевич (1Ш), Кузнецова Анна Игоревна (1Ш), Великанов Евгений Максимович (Ии), Макаревич Ирина Вячеславовна (Ии), Коршунов Анатолий Алексеевич (Яи), Ролдугин Олег Денисович (ЕШ) Правообладатель(и):

Федеральное государственное бюджетное образовательное учреждение высшего образования «Волгоградский государственный технический университет» (Яи)

Название программы для ЭВМ:

Система трекинга дыхания на основе технологии компьютерного зрения Реферат:

Программа предназначена для отслеживания ритмов дыхания, распознавания типов дыхания на базе технологий компьютерного зрения. Областью применения является медицинская реабилитация, восстановительный процесс, восстановление легких. Функции программы: детектирование дыхания, детектирование маркеров, цветовое детектирование, настройка Ь8У пространства для распознавания маркеров.

Язык программирования: Объем программы для ЭВМ:

РуЛоп 23 Кб

Рисунок 4 - Свид. о гос. регистрации программы для ЭВМ № 2022669018 от 14 октября 2022 г. Российская Федерация. Систематрекинга дыхания на основе технологии компьютерного зрения

11(12022680242

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства):

2022680242 Дата регистрации: 28.10.2022 Номер и дата поступления заявки:

2022669995 28.10.2022 Дата публикации и номер бюллетеня: 28.10.2022 Бюл. № 11

Автор(ы):

Орлова Юлия Александровна (1Ш), Кузнецова Агнесса Сергеевна (ЯЦ), Зубков Александр Владимирович (ЯЩ Гилка Вадим Викторович (1Ш), Донская Анастасия Романовна (Яи), Павлова Дарья Сергеевна (1Ш), Степанов Станислав Владиславович (ЯИ), Гомазкова Юлия Сергеевна (ЯЦ), Гумеров Марат Робертович (ЯЩ Писарев Андрей Константинович (Яи), Деменков Дмитрий Владимирович (Яи), Ролдугин Олег Денисович (Яи) Правообладатель(и):

Федеральное государственное бюджетное образовательное учреждение высшего образования «Волгоградский государственный технический университет» (ЯИ)

Название программы для ЭВМ:

Серверное программное обеспечение для организации взаимодействия клиентов между шлемом виртуально реальности и системой трекинга дыхания на основе технологии компьютерного зрения

Реферат:

Серверное программное обеспечение предназначено для организации централизованного взаимодействия программных клиентов на шлеме виртуальной реальности и системы трекинга дыхания на основе технологии компьютерного зрения. Область применения: постковидная реабилитация, медитативные и психологические практики. Функции программы: регистрация шлема в базе данных, регистрация и валидация клиентского программного обеспечения, организация передачи данных между модулями сервиса.

Язык программирования: Объем программы для ЭВМ:

Ру^оп 13 Кб

Рисунок 5 - Свид. о гос. регистрации программы для ЭВМ № 2022680242 от 28 октября 2022 г. Российская Федерация. Серверное программное обеспечение для организации взаимодействия клиентов между шлемом виртуально реальности и системой трекинга дыхания на основе

технологии компьютерного зрения

Приложение Б. Акты внедрения результатов работы

Республика Армения Университет Традиционной Медицины Ереван. 375040, Бабаджанян 38

www.utm.am ¡пЯофуиПп.ат

АКТ

о внедрении результатов диссертационного исследования

Результаты диссертационного исследования Зубкова Александра Владимировича «Методы обработки многомерных временных рядов для анализа параметров дыхательной системы человека и подбора персонализированных рекомендаций» были внедрены в работу Научном Медицинской Учебном центр университета (НМУЦ). Применение разработанных средств для проведения дыхательных тренировок позволило повысить эффективность выполняемых физических упражнений, повысить мотивацию и заинтересованность в тренировках

4 июня 2023 г.

НХСарибекян

Рисунок 1 - Акт внедрения в Университет Традиционной Медицины в Республике Армения

Общество с ограниченной ответственностью «Академия терапии виртуальной реальностью «Девирта»

АКТ

о внедрении результатов диссертационного исследования

Мы, представители ООО «Академия терапии виртуальной реальностью «Девирта» и настоящим актом внедрения подтверждаем, что методы для анализа показателей дыхания человека, разработанные в рамках выполнения диссертационного исследования Александра Владимировича Зубкова «МЕТОДЫ ОБРАБОТКИ МНОГОМЕРНЫХ ВРЕМЕННЫХ РЯДОВ ДЛЯ АНАЛИЗА ПАРАМЕТРОВ ДЫХАТЕЛЬНОЙ СИСТЕМЫ ЧЕЛОВЕКА И ПОДБОРА ПЕРСОНАЛИЗИРОВАННЫХ РЕКОМЕНДАЦИЙ» внедрены в программные продукты ООО «Академия терапии виртуальной реальностью «Девирта».

ОГРН 1153443011974 ИНН 3460057940

Расчетный счет 40702810026010003401 В Операционный офис «Поволжье» и г.Волгоград Филиала «Ростовский» ЛО «Альфа-Банк» к с 1п|0|янио00000п0207 н (>г 1пгннг Росток-на-Дон)

40000!, Ьи.ишрад,

ул. Пугачевская. 7Б. офис I

У I ВКРЖДАЮ: ор

2023 г.

Рисунок 2 - Акт внедрения в ООО «Академия терапии виртуальной

реальностью «Девирта»

Рисунок 3 - Акт внедрения в ООО «Многопрофильная медицинская клиника

«СОВА»

ООО «Волгоградский лечебно-консультативны» диагностический центр «Здоровье>

400087. г. Волгоград, ул. Невская, д. 8 ИНН 3444123000. КПП 344401001 ОГРН 1053444054487. ОКПО 76883315 ОКВЭД 85. р/с 40702810626000010364 Южный филиал АО «Райффайзенбанк) БИК 040349556 корр. счет 30101810900000000556 Тел. [phone] [e-mail]. www.zdorovie-vlg.nl

АКТ

о внедрении результатов диссертационного исследования

Настоящим акт внедрения свидетельствует о том, что результаты диссертационного исследования Александра Владимировича Зубкова «МЕТОДЫ ОБРАБОТКИ МНОГОМЕРНЫХ ВРЕМЕННЫХ РЯДОВ ДЛЯ АНАЛИЗА ПАРАМЕТРОВ ДЫХАТЕЛЬНОЙ СИСТЕМЫ ЧЕЛОВЕКА И ПОДБОРА ПЕРСОНАЛИЗИРОВАННЫХ РЕКОМЕНДАЦИЙ» были переданы и внедрены в работу ООО «ВОЛГОГРАДСКИЙ ЛЕЧЕБНО-КОНСУЛЬТАТИВНЫЙ ДИАГНОСТИЧЕСКИЙ ЦЕНТР «ЗДОРОВЬЕ».

Результаты диссертационного исследования позволили повысить эффективность работы специалистов во время проведения дыхательных тренировок. Специалисты, использующие интеллектуальную систему высоко оценили возможности предоставляемые ей.

Рисунок 4 - Акт внедрения в ООО «Волгоградский лечебно-консультативный

диагностический центр «Здоровье»

04 июня 2023 г.

Главный врач

Мажбиц Е.Г.

Рисунок 5 - Акт внедрения в ООО «Клиника Академическая»

Рисунок 6 - Акт внедрения в АО «Многопрофильный медицинский центр»