Článek se věnuje tvorbě počítačové online podpory umožňující nejen domácí léčbu (rehabilitaci), ale rovněž průběžné monitorování výsledků léčebných úloh pacienta lékařem. Zahrnuje rovněž možnosti teletestování pacientů se zaměřením například na psychologické testy, detekci Parkinsonovy nemoci, testy pro předškolní děti a řadě dalších využití. Snaha autorů spočívá ve vytvoření tzv. „frameworku“ pro podporu těchto počítačových aplikací. Tedy možnosti snadného vytváření jak desktopových, tak webových aplikací představující zejména rehabilitační, monitorovací a testovací úlohy. Mnoho léčebných úloh využívá adaptaci na měnící se stav pacienta, a tím zajišťuje stálou efektivnost léčebné metody i mezi průběžnými kontrolami u lékaře. Každému pacientovi je poskytnut jedinečný přístupový kód, pod kterým jsou výsledky všech vypracovaných úloh a testů odesílány. Podle identifikace pacienta jsou tato data zpracovávána a předávána na pracoviště odpovědného lékaře (dozoru). Získané výsledky se nejprve automaticky hodnotí na detekci nežádoucích stavů a poté se prezentují lékaři vhodnou zejména grafickou formou. Z dat lékař dále získá informace o časovém rozložení domácí léčby (průběžná nebo jednorázová), možnost porovnání kvality tzv. „domácích výsledků léčby“ pacientů s „kontrolními výsledky“ v ordinaci lékaře a rovněž přehled celkové stability naměřených výsledků. V současné době je vytvořený „framework“ prototypově využíván na 5 lékařských pracovištích pro zhruba 100 pacientů v domácí léčbě zrakových poruch. Dále je zahájen projekt pro rehabilitaci pohybového aparátu a připravují se úlohy pro hodnocení stavu zejména paměti, postřehu a dalších kognitivních činností zvláště u stárnoucí generace. Již první výsledky jsou pro lékařskou praxi velmi povzbudivé a přínosné. Nejen, že lze snadno detekovat, jaké dny v týdnu jsou pro pacienta při cvičení vhodnější, jak domácí trénink ovlivňuje výsledky kontroly u lékaře, ale z výsledků mnoha úloh lze navíc detekovat dokonce i dříve neodhalené poruchy nebo další schopnosti a dovednosti testované osoby.
The article discusses the development of computer online support that allows for not only home treatment (rehabilitation), but also continuous monitoring of the results of therapeutic tasks determined by the physician for the patient. It also includes possible ways of teletesting the patients while focusing, for example, on psychological tests, Parkinson's disease detection, tests for preschool children and numerous other ways of use. The authors sought to establish the so called “framework“ for the support of such computer applications, thus a possibility of easy creation both of desktop and web-based applications consisting particularly in rehabilitation, monitoring and testing tasks. Many therapeutic tasks work with adaptation to the changing condition of the patient, thereby ensuring permanent efficiency of the therapeutic method also between continuous medical visits. A unique access code is given to every patient, which is used to send the results of all completed tasks and tests. Based on patient identification, the data is processed and transferred to the department of the responsible physician (supervisor). First, the results are automatically assessed for detection of undesirable conditions, and then it is presented to the physician in a suitable, particularly graphical form. The physician uses the data to obtain information on the home therapy distribution in time (continuous or one-time), has the option to compare the quality of the so called “home treatment results“ of the patients to “control results“ at the doctor's office, and also obtains a summary of overall stability of the measured results. Currently, the designed “framework“ is being used as a prototype at 5 medical departments for approximately 100 patients on home therapy of vision disorders. Furthermore, a project has been initiated for motor apparatus rehabilitation, and tasks are being prepared for evaluation of the condition especially of the memory, perception and other cognitive activities, particularly in the ageing generation. Even the first results have been proven to be very encouraging and beneficial for the medical practice. It is possible not only to easily detect what days of the week are more suitable for the patient doing their exercises, to see how home training affects the results of medical visits, but the results of many tasks can be moreover used to detect even disorders not left undetected before or other abilities and skills of the tested person.
Sdělení popisuje dynamické chování vázaných řiditelných pseudooscilátorů představovaných srdcem a plícemi při zátěžovém testu. Na základě fyzikálních poznatků a poznatků z teorie systémů můžeme chápat tento kardiorespirační systém jako systém vázaných řiditelných biologických pseudooscilátorů. Stručně bude pojednáno o biologické struktuře a řízení tohoto systému. Budou popsány dva typy ergometrických zátěžových testů I a II, kterými byly získány průběhy charakteristických veličin definovaného systému vázaných pseudooscilátorů. Průběhy těchto veličin jsou podrobně specifikovány velikostí maxim a dobou zpoždění reakce systému na zátěž. Je řešena i predikce vývoje veličin metodou nejmenších čtverců. Z dosažených výsledků je provedena detekce vazby mezi definovanými pseudooscilátory srdce – plíce. Detekce vazby je založena na frekvenční, fázové, intervalové synchronizaci a na korelační analýze. Z uvedených analýz se potvrdila obecná známost, že vazba existuje a charakteristické veličiny se synchronizují, což odpovídá skutečnosti. Na závěr jsou presentovány vnější parametry ARX modelu popisující dynamické chování sledovaných veličin v závislosti na fyzické zátěži a je s nimi provedena řada simulací.
The paper describes dynamic behaviour of bound controllable pseudo-oscillators represented by the heart and the lungs during an exercise stress test. Based on physical knowledge and the knowledge of system theory, this cardiorespiratory system can be understood as a system of bound controllable biological pseudo-oscillators. Biological structure and control of this system will be briefly discussed. Two types of ergometric exercise stress tests I and II will be described, which were used to obtain time courses of characteristic quantities of the defined bound pseudo-oscillator system. Time courses of these quantities are specified in detail by their maxima and by the delay time taken by the system to respond to the stress. Prediction of the quantities development is also addressed using the least squares method. The results achieved were used to detect the bound between the defined heart-lung pseudo-oscillators. This detection was based on frequency, phase, interval synchronization, and on correlation analysis. The undertaken analyses confirmed the general well-known fact, i.e. that a bound does exist and characteristic quantities are synchronized, which is in accordance with reality. In conclusion, external parameters of the ARX model are presented, which describe dynamic behaviour of observed quantities in dependence on physical stress, and they are subjected to a number of simulations.
- MeSH
- biologické hodiny MeSH
- dechová frekvence MeSH
- dýchací soustava MeSH
- ergometrie metody přístrojové vybavení využití MeSH
- ergonomie MeSH
- kardiovaskulární systém MeSH
- srdeční frekvence MeSH
- statistika jako téma MeSH
- tělesná námaha fyziologie MeSH
- využití lékařské informatiky MeSH
- zátěžový test MeSH
Příspěvek se zabývá návrhem a netradiční grafi ckou interpretací modelu, který by názornou formou zobrazil průběhy změn psychosomatických veličin u člověka vystaveného v čase proměnné psychické zátěži. Ta byla testované osobě programově simulována postupným automatickým předkládáním řady matematicko-logických úloh s různou řešitelskou obtížností. Celkový počet 30 úkolů byl strukturován po 10 do 3 zátěžových úrovní. Každý z úkolů obsahoval 10 testovacích polí. Řešení každého úkolu spočívalo v uspořádání testovacích polí v požadovaném pořadí za daný časový limit. Zátěžový test byl programován v prostředí ADOBE FLASH (ACTION SCRIPT 2). Na 5 testovaných osobách byly během testování snímány některé jejich psychosomatické veličiny jako signály EEG, EKG, krevní tlak v artérii prstu, kožní odpor, dechová frekvence a saturace hemoglobinu kyslíkem, a to před psychickou zátěží, při ní a následné relaxaci testované osoby. Naměřené hodnoty těchto psychosomatických veličin jsou grafi cky znázorněny v jedno -, dvou - a trojrozměrných tzv. Subsystémových grafech v Podprostorech „plice“, „srdce“ a „mozek“, které jsou integrovány do trojrozměrného Systémového grafu v Systémovém prostoru. V něm koncové body vektorů psychosomatických veličin vytvářejí v závislosti na čase a psychické zátěži osoby prostorové křivky a s jejich průměty vyplňují útvary aproximovatelné elipsami v rovině a rotačním elipsoidem v prostoru. Parametrizací Systémového a subsystémových grafů tak byly získány nové vektorové a skalární veličiny. Tato transformace umožňuje integrálně sledovat změny všech měřených psychosomatických veličin při přechodech testované osoby ze stavu klidu do psychické zátěže a zpět ve formě vázaných Elipsogramů a StresMetru jako indikátorů změn forem klidu a stresu u člověka. Z provedené analýzy výsledků měření je provedena klasifi kace testovaných osob podle stupně stresovatelnosti. Simulace byly prováděny v prostředí MATLAB - SIMULINKu.
Sdělení popisuje praktické použití katalogu modelů ve výuce předmětu Simulace a modelování v inženýrském bloku studijního plánu biomedicínské inženýrství – strukturované studium. Katalog se provozuje ve cvičeních jako interaktivní systém prezentací těchto modelů v prostředí Matlab-Simulinku a je výsledkem diplomových práci Patrika Onderky [6], Tomáše Půži [4] a Jana Příhody [5]. Systém je koncipován jako otevřený s možností dalšího rozšiřování. V textu je popsána idea systému, jeho konfigurace a ovládání, a také přehled instalovaných modelů. Na 4 obrázcích je dokumentována funkčnost systému.
V článku je uvedena aplikace simulačních modelů vytvořených v prostředí MATLAB SIMULINK ve výuce biosystémů. Modely jsou rozděleny do dvou skupin - fyziologických a socioekonomických systémů, zpracovaných v rámci diplomových prací na katedře kybernetiky, fakulty elektrotechnické, ČVUT v Praze. Práce s těmito modely je ilustrována na několika příkladech řešených úloh vytvořených pro laboratorní cvičení. Následně jsou popsány perspektivní metody inicializace a zobrazování simulačních prúběhů uvedených modelů prostřednictvim INTERNETU. Tento výzkum je podporován výzkumným záměrem J04/98:21 0000012 - Transdisciplinárni výzkum v oblasti biomedicínského inženýrství.
V článku je popsán vliv psychické zátěže na psychosomatické veličiny (srdeční frekvence, tlak krve, elektromyografické potenciály, kožní odpor). Psychologická zátěž byla vyvolána dvěma testy. První zátěžový test je zaměřen na zjištění úrovně verbální, percepční a numerické logiky, prostorové představivosti, technické a analytické schopnosti (testl). Jako druhý je použit tzv. sedmičkový test (test 2), který ovlivňuje pozornostní a paměťovou funkci při stresových podnětech. Klasifikace respondentů byla provedena: a) z psychologických dotazníků, b) z výsledků měření. Pro zpracování výsledků měření bylo použito logistické regresní analýzy, expertního systému, strojového učení a kombinace expertního systému se strojovým učením. Tato práce je úvodní, v následujících pracích budou jednotlivé metody podrobně rozpracovány.
The infiuence of a psychical load on psychosomatic quantities (heart beat frequency, blood pressure, electromyographic potentials, skin resistance) are described. The psychologie load is represented by two tests. The first one is intended for determination of verbal, perception a numerical logic level, 3D space imagination, and technical and analytical abilities (test 1). The second one is presented by the so-called sevens-test (test 2), which has an infiuence on the attention and memory functions during the time of stress. The classification was performed: a) using the psychological questionnaires, b) using the measurements results. Logistic regression analysis, expert system, machine learning and the combination of an expert systém and machine learning were used for the measurement results evaluation. This is an introductory the article, the individual methods will be explained in details in the following article.
