SAŽETAK
Poremećaji respiratornog sustava kod čovjeka se mogu jako teško razlikovati obzirom da su simptomi vrlo slični jedni drugima. Ovaj rad je u velikoj mjeri baziran na simptomima astme i poremećajima koje ona uzrokuje, te je stoga potrebno znati da rano otkrivanje smanjenja malih dišnih putova može značajno pomoći kod postavljanja dijagnoze. Cilj je razviti softverski paket koji bi kliničarima pomagao u klasifikaciji stupnja astme koristeći podatke dobivene mjerenjem Impulsnom oscilometrijom (IOS). Bit će predstavljeno istraživanje svih značajnih studija koje uspoređuju IOS s drugim metodama za određivanje plućnih funkcija. IOS spada u grupu forsiranih oscilatornih tehnika (FOT) za mjerenje mehaničkih impedancija respiratornog sustava. Ekvivalentni strujni krugovi su razvijeni kako bi se mogla kvantificirati oštećenja malih dišnih putova. Softverski paket je zasnovan na treniranim neuronskim mrežama, neizrazitoj logici i grafičkom sučelju koji korisniku pruža bolju sliku rezultata. Dijagnostički IOS parametri, kao što su područje reaktancije (AX) i frekvencijska ovisnost otpora, te estimirani parametri proširenog RIC (eRIC) i povećanog RIC (aRIC) modela se koriste kao elementi vektora za predstavljanje respiratorne impedancije.
Ključne riječi: Impulsna oscilometrija, astma, bronhodilatacija, ekvivalentni model pluća, FOT
SUMMARY
Disorders of the respiratory system in humans can be very difficult to distinguish since the symptoms are very similar to each other. This work is based on asthma symptoms and disorders that it causes, and it is therefore necessary to know that early detection of small airway reduction can significantly help in the diagnosis. The aim is to develop a software package that would assist clinicians in the classification of the degree of asthma using data obtained by measuring the impulse oscillometry (IOS). It will be presented to all relevant research studies comparing IOS to other methods to determine lung function. IOS belongs to the group forced oscillation technique (FOT) to measure the mechanical impedance of the respiratory system. Equivalent circuits have been developed in order to quantify the damage to the small airways. The software package is based on the trained neural networks, fuzzy logic and the graphical user interface which provides better image results. Diagnostic IOS parameters, such as area reactance (AX), frequency dependence of resistance, and the estimated parameters of the extended RIC (eRIC) and augmented RIC (aRIC) models are used as elements of the vector to represent the respiratory impedance
Keywords: impulse oscillometry, asthma, broncho dilatation, equivalent lung model, FOT
UVOD
Astma je kronična upalna bolest dišnih putova. Upalnu reakciju karakterizira kompleksna reakcija upalnih medijatora, živčanog sustava i efektornih stanica, osobito mastocita, eozinofila i limfocita T. Astmu funkcionalno karakterizira rasprostranjena bronhoopstrukcija, koja je spontano ili uz pomoć lijekova reverzibilna, te pojačano reagiranje dišnih putova na različite podražaje, tzv. hiperreaktivnost dišnih putova. Simptomi uključuju tlak u prsima, kašalj i čujno piskanje, a u težim slučajevima gubitak daha (tahipneja) i nisku razinu kisika u krvi [1].
Međunarodna stručna udruga GINA („Global Initiative for Astma”), u svojim istraživanjima pokazuje da 55% liječenih bolesnika s astmom u Europi nema tu bolest pod kontrolom, 70% ih osjeća zaduhu 3-6 puta tjedno, čak 80% ih primjenjuje simptomatski lijek 2-3 puta tjedno, a 58% ih se zbog napada astme budi noći barem jednom tjedno.
Pojavnost astme na Balkanu nije točno poznata, ali na osnovu podataka iz zemalja u okruženju koje posjeduje vodeća svjetska farmaceutska kompanija u istraživanju i razvoju lijekova za astmu i ostale plućne bolesti Glaxo Smith Kline, procjenjuje se da od astme boluje između 4 – 5% balkanskog stanovništva, što znači oko 220.000 bolesnika. Prosječna ambulanta obiteljske medicine na Balkanu ima od 60 do 110 bolesnika s astmom.
Izravni zdravstveni troškovi zbog astme na području Balakana, dok u SAD iznose više od 10 milijardi dolara godišnje, a neizravni troškovi (izgubljena produktivnost) je 8 milijardi dolara, što daje ukupan iznos od 18 milijardi dolara [2], [3].
Procjena respiratorne funkcije je važna u dijagnostici i praćenju astme i drugih respiratornih bolesti kod djece [4]. Test plućne funkcionalnosti koji se najčešće koristi je spirometrija, koja mjeri volumen zraka koji se može udahnuti i izdahnuti kao funkcija vremena sa brzim i maksimalnim udisajnim i izdisajnim naporima. Ovo zahtijeva znatan stupanj suradnje od strane subjekta, što je teško postići kod starije djece i gotovo nemoguće kod mlađe djece. To čini dijagnostiku astme otežanom jer nedostaje objektivno mjerenje kod mlađe djece [5]. Nadalje, prijavljeno je da neki astmatični pacijenti ne pokazuju spirometrijski napredak, usprkos kliničkom poboljšanju nakon tretmana [6]. Ovo je bitno jer ako astma nije pod kontrolom može dovesti do trajnih oštećenja dišnih putova.
Nasuprot spirometriji, tehnika forsiranih oscilacija (FOT) superponira male perturbacije tlaka na normalno disanje subjekta da bi se izmjerili mehanički parametri pluća.
Sustav impulsne oscilometrije (IOS) mjeri respiratorne otpore korištenjem kratkih pulsova (impulsa) tlaka zraka.Razvijen je kao test funkcije pluća koji minimizira zahtjeve prema pacijentu i zahtijeva samo pasivnu suradnju u vidu nošenja stezaljke na nosu i zatvorena usta na usniku, te normalno disanje kroz usta. IOS je korišten s uspjehom u procjeni plućne funkcije zdrave i astmatične djece i adolescenata [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32].
Kod novorođenčadi i djece, reverzibilna opstrukcija dišnih putova i bronhijalna hiperreaktivnost (BHR) su značajne komponente koje doprinose utvrđivanju dijagnoze bronhijalne astme [27].
Nekoliko studija je napravljeno kako bi se dobile referentne vrijednosti zdrave djece korištenjem tehnike forsiranih oscilacija (FOT) i IOS-a [33], [34], [35], [37], [38], [39], [40], [41]. Najvažniji dijelovi ovih studija će biti spomenuti u ovom radu, obzirom da je od vitalne važnosti imati IOS referentne vrijednosti za djecu, pošto se ova tehnika pokazala kao vrlo korisna u detekciji abnormalnosti pluća.
IOS daje krivulje respiratorne impedancije u ovisnosti o frekvenciji koje se vizualno analiziraju da bi se prepoznale promjene u obliku i stupnju krivulja i razlikovala kod zdrave funkcije dišnog sustava od bolesne osobe. IOS podaci se mogu koristiti za razvoj mehaničkih i ekvivalentnih električnih modela respiratorne impedancije za procjenu i kvantifikaciju mehanike pluća.
U ovim ekvivalentnim modelima se koriste električni dijelovi analogni mehaničkim otporima, komplijansi i inerciji slični onima u dišnom sustavu. Procjene parametara modela temeljene na IOS mjerenjima mogu se koristiti kao osnovne mjere za bolju detekciju, dijagnostiku, i liječenje različitih respiratornih bolesti [42].
Prethodne studije na ovu temu su bile usmjerene na razvoj i analizu različitih modela ekvivalentnih električnih sklopova za mjerenje ljudske respiratorne impedancije.Takvo razmatranje je do sada pokazalo da se performanse eRIC modela i aRIC modela rangiraju u sredini niza konvencionalnih modela koji su se razvili tijekom posljednjih nekoliko desetljeća u smislu ukupne kumulativne greške. Međutim, oni daju procjene parametara koje su fiziološki realnije i u vezi sa očekivanim vrijednostima kod normalnih subjekata i kod onih koji pate od plućnih bolesti [42], [43], [44], [45], [46], [47], [48], [49], [50] nego prethodni modeli. Sve te spoznaje o respiratornom sustavu čovjeka, simptomima astme i ostalih bolesti plućnih funkcija, te ekvivalentnim električnim modelima pluća otvaraju mogućnost za razvoj integriranog softvera koji će pomagati kliničarima u klasifikaciji stupnja razvoja astme i ostalih bolesti respiratornog sustava. Integrirani softver predstavlja skup računalnih programa namijenjenih za zajednički rad pri obradi zahtjeva, bilo da se radi o prenošenju podataka od jednog do drugog ili da rade kao moduli jedinstvenog sustava. U posljednjih nekoliko desetljeća, mnogi dobro razvijeni programski paketi su komercijalizirani u različitim područjima biomedicine, kao što su biomedicinska obrada signala, bioinformatika i neuroznanost. U svim tim sustavima primarni cilj je izgradnja interaktivnih računarski potpomognutih okruženja za stvaranje sofisticiranih računarskih rješenja za složene zdravstvene probleme. Tipična primjena u biomedicini uključuje analizu i klasifikaciju eksperimentalnih podataka koji se sastoje od mnogo različitih varijabli, kao što je slučaj i s IOS-om.
Umjetna neuronska mreža (ANN) može se okarakterizirati kao paralelni distribuirani sustav za obradu sposoban za rješavanje složenih problema klasifikacije. ANN su slične sustavima koji vrše mapiranje funkcija, a odlikuje ih fleksibilnost i sposobnost generalizacije.
Uporaba neizrazite logike u fazama donošenja odluka obuke umjetnih neuronskih mreža, njihova robusnost i točnost su od velikog značaja za ukupni integrirani softver.
Ovaj rad je prikazan kroz pet poglavlja. Poglavlje 2 daje osnovne informacije o anatomiji respiratornog sustava čovjeka i neke bolesti koje utječu na dišni sustav. Poglavlje 3 daje informacije o tehničkom rješenju sustava impulsne oscilometrije i osnovne informacije o modelima respiratorne impedancije. Poglavlje 4 općenito objašnjava osnovne informacije o umjetnim neuronskim mrežama, njihova svojstva, koncept neizrazite logike, članskim funkcijama, if–then pravilima, kao i o sustavu neizrazitog zaključivanja. Poglavlje 5 prikazuje zaključke i buduće smjernice istraživanja i razvoja.
TEHNIČKA REALIZACIJA SUSTAVA IMPULSNE OSCILOMETRIJE
Godine 1956. Dubois predstavlja prvu studiju o FOT-u. U spomenutoj studiji FOT je primijenjen korištenjem sinusnih oscilacija na više pojedinačnih frekvencija između dva i osamnaest ciklusa u sekundi. Nakon ovog istraživanja razvijene su neke preinake FOT-a, do 1993, kada je impulsna tehnika poboljšana, te se komercijalno počela proizvoditi u njemačkoj firmi Jaeger. Nazvana je sustav impulsne oscilometrije (IOS) i korištena kao metoda za mjerenje otpora disanja (R) i reaktancije (X). Prednosti IOS-a uključuju dobru vremensku razlučivost, mjerenje 5 impulsa u sekundi i kontinuiranu razlučivost u frekvencijskoj domeni korištenjem Fourier-ovog integrala [57], [58]. IOS, kao FOT superponira mali poremećaj – perturbaciju tlaka zraka na prirodno disanje subjekta koji se mjeri da bi se izmjerile impedancije dišnog sustava. Kao metoda je jednostavan za korištenje, jer ne zahtijeva nikakav napor subjekta koji se testira. Dodatna prednost je jednostavnost hardvera potrebnog za generiranje prisilne oscilacije, što je omogućilo izradu manjih i učinkovitijih elektroničkih i mehaničkih struktura sa minimalnom potrošnjom [59].
Prepoznati su i neki nedostaci IOS-a. Činjenica da IOS mjeri spontano disanje subjekta, uvodi biološku varijabilnost, a kao kontramjera izvodi se više testova na subjektu radi utvrđivanja pouzdane srednje vrijednosti IOS parametara.
Poseban aspekt primjene impulsa tlaka je da se primjenjuju u vrlo kratkom vremenu, zbog čega se vrši veći utjecaj na dišni sustav u usporedbi s drugim testovima plućne funkcije, a to može stvarati neugodan osjećaj za vrijeme mjerenja [59].
Svestran uređaj za analizu mehanike disanja metodom impulsne oscilometrije mora biti pouzdan, pogodan za rukovanje i jednostavno konstruiran. Treba ispunjavati potrebe različitih grupa korisnika:
u epidemiologiji: brz pregled mnogo pacijenata;
u općoj praksi: jednostavna primjena;
na klinikama: detaljna analiza mehanike disanja kod diferencijalnih dijagnoza;
u eksperimentalnim laboratorijima: tretman posebnih pitanja;
u istraživanju: razvoj, primjenu i provjeru novih modela mehanike disanja i njihovu analizu.
Trenutno razvijeni uređaj Master Screen IOS pokušava zadovoljiti ove različite uvjete sa različitim opcijama, kao što je prikazano na slici 1.
Osnovna verzija koja je napravljena za epidemiologiju i opću praksu ili dnevne klinike je usmjerena na brzinu i jednostavnost upotrebe. Nadogradnja za klinike je napravljena za kliničke laboratorije za plućnu funkciju gdje postoji dovoljno vremena za detaljan pregled pacijentove funkcije pluća. Dodatna znanstvena nadogradnja zadovoljava uvjete znanstvenih pregleda u istraživanjima i razvoju.
Za optimalnu organizaciju rada nužno je razlikovati sljedeće korake: pregled pacijenta, primarna procjena, detaljna prezentacija rezultata sa intra-individualnom statistikom, dalja obrada podataka sa inter-individualnom statistikom kod grupa pacijenata.
Slika 1. Koncept razvoja i ekstenzije za impulsnu oscilometriju: univerzalna primjenljivost u epidemiologiji, općoj praksi, klinikama, istraživanju i razvoju. Kratko vrijeme pregleda i evaluacije (1-2 min) i mogućnosti odgovarajuće organizacije rada na odvojenim dokumentima za primarne (*.DAT) i ukupne podatke (*.ERG, *.ERM). [60]
Na osnovu toga moguće je u laboratoriji plućne funkcije fokusirati se na rad pregleda ujutro, na pregled primarne procjene od strane tehničara u rano poslijepodne, a kasnije i s konačnim doktorovim dijagnostičkim pregledom.
Na slici 2. je prikazan shematski dijagram IOS-a, njegove mjerne glave i konektora. Pneumotahograf, s otporom od 36 Pa.s.l-1 mjeri protok. Proksimalna strana pneumotahografa spojena je na pretvornik protoka i tlaka. Da bi se izbjegle fazne razlike, podudarni pretvornici se koriste i za kanale tlaka i za kanale protoka. Signali za tlak i protok uzorkovani su frekvencijom od 200 Hz i pretvoreni u brojeve pomoću 12-bitnog analogno digitalnog pretvornika. Terminalni otpornik stvara putanju niske impedancije za respiratorni protok, te omogućava da se dovoljan tlak impulsa pošalje u respiratorni sustav [59].
IOS vrši mjerenja na sljedeći način: subjekt udiše ambijentalni zrak preko usnika i terminalnog otpornika, zvučnik stvara i prenosi impulse tlaka preko Y adaptera, pneumotahografa i usnika u respiratorni trakt, a zatim posljednja dva registriraju signale disajne aktivnosti i primjenjuju prisilne impulse za daljnju obradu [59].
U pisanju ovog rada korišteni su rezultati dobiveni mjerenjem s uređajem Jaeger MasterScreen IOS, proizvođača CareFusion. Sustav je kalibriran svaki dan korištenjem pumpe kapaciteta 3 l za kalibraciju volumena i referentnog otpora (0,2 kPa/l/s) za kalibraciju tlaka. Djeca su zamoljena da nose nosnu štipaljku i da normalno dišu kroz usta, te da čvrsto zatvore usne oko usnika kako bi se izbjeglo propuštanje zraka. Tri do pet ponavljanja IOS ispitivanja provedena su na svakom subjektu kako bi se osigurala ponovljivost testova bez dijelova izazvanih curenjem zraka, gutanjem, zadržavanjem daha ili vokalizacijom [9].
Slika 2. Shematski prikaz IOS sa mjernom glavom i konektorima [59]
U svakom IOS ispitivanju impulsi se primjenjuju u periodu od 30 do 45 sekundi. IOS podaci se pomno pregledaju off-line i kvaliteta se utvrđuje od strane stručnog kliničara da bi se odbacili dijelovi pogođeni curenjem zraka ili gutanjem. Koherentnost se također koristi kao ‘indeks kvalitete’, tj. Indeks uzročnosti između ulaza i izlaza linearnog sustava. Dakle, ako je sustav nelinearan ili ako je zagađen bukom, onda je koherentnost niža nego što se očekivalo, pa su mjerenja niske koherentnosti isključena, da bi se izbjegli eventualni problemi.
Slika 3. prikazuje tipični IOS prozor, dok slika 4. prikazuje dijete za vrijeme testiranja na IOS-u.
Slika 3. Glavni prozor IOS-a
Slika 4. Dijete za vrijeme testiranja plućne funkcije na IOS-u.
Parametri IOS-a
IOS je višefrekvencijska oscilatorna metoda koja pruža mjerenje respiratorne mehanike u smislu respiratorne impedancije kao funkcije frekvencije Z(f). Respiratorna impedancija je prijenosna funkcija tlaka (P) i protoka (V), izvedena iz superponiranih prisilnih oscilacija, nakon što je izdvojena iz respiratornog tlaka i protoka.
(1)
Respiratorna ili dišna impedancija (Z) mjerena IOS-om je složena i sastoji se od stvarnog (realnog) dijela zvanog dišni (respiratorni) otpor (R) i imaginarnog dijela koji se naziva dišna (respiratorna) reaktancija (X).
(2)
IOS posjeduje rezonantnu frekvenciju (Fres) i reaktancijsku zonu (AX), također poznate kao “Goldmanov trokut”, te pri svom mjerenju nudi sve spomenute indekse u odabranom frekvencijskom rasponu od 3 do 35 Hz [59].
Dišni otpor: Stvarni (realni) dio impedancije odgovara otporu (R), što uključuje otpor proksimalnih (središnjih) i distalnih (perifernih) dišnih putova, kao i plućnog tkiva i zida grudnog koša, dok su ostali otpori obično zanemarivi. Kod zdravih odraslih osoba, R je gotovo neovisan o frekvenciji oscilacije. Kad se dogodi opstrukcija zračnih putova, ili središnji ili periferni otpor R5 (otpor na 5 Hz) se povećava iznad normalne vrijednosti. Središnja opstrukcija zračnih putova podiže R ravnomjerno neovisno o oscilatornoj frekvenciji. Periferna opstrukcija dišnih putova je najviša na niskim frekvencijama oscilacija i opada s porastom frekvencije, a to se zove negativna ovisnost otpora o frekvenciji (fdR). Kako se periferni otpor povećava, R postaje više frekvencijski ovisan. Kod male djeca je normalno prisutna ovisnost otpora od frekvencije i može biti veća nego kod odraslih kada postoji opstrukcija perifernog protoka zraka. Otpor se mjeri u cmH2O/l/s ili KPa/l/s [59].
Respiratorna reaktancija (X): Respiratorna reaktancija (X) uključuje maseno-inertive snage kretanja stupca zraka izražene u inerciji (I) i elastičnim osobinama periferije pluća izražene u obliku kapaciteta (C) [59].
(3)
gdje je:
Važno je primijetiti da C predstavlja sposobnost dišnog sustava za pohranu energije, koja se prvenstveno nalazi u periferiji pluća.
Komponenta X povezana sa C se definira kao negativna u predznaku, što znači da je C dominantan kod niskih frekvencija oscilacije, dok komponenta X koja se odnosi na I je pozitivna u predznaku, što znači da je I više istaknuto na visokim frekvencijama oscilacija (slika 5). Reaktancija se mjeri u cmH2O/l/s ili KPa/l/s [59].
Slika 5. Prikaz IOS parametara [61]
Rezonantna frekvencija (Fres): točka na kojoj su C i I jednake, stoga je reaktancija jednaka nuli i mjeri se u hercima (1/s) [59].
(4)
Ovaj parametar ne treba interpretirati kao posebnu mehaničku osobinu respiratornog sustava, nego on može biti korišten kao pogodan marker za odvajanje otpora na niskim frekvencijama od otpora na visokim frekvencijama.
Abnormalnosti respiratornog sustava imaju za posljedicu povećanje Fres. [59].
Površina reaktancije: (AX-Goldmanov trokut) je uvedena od strane Goldmana u njegovoj studiji “Kliničke primjene prisilnih oscilacija” [62], gdje je AX definiran kao integrirana veličina otpora respiratorne reaktancije na niskoj frekvenciji između 5 Hz i Fres, te se mjeri u cmH2O/l ili kPa/l.
AX je praktično FO indeks vezan za respiratornu reaktanciju. AX je jedinstvena količina koja reflektira promjene u stupnju opstrukcije perifernih dišnih putova i usko je vezana sa fdR [59]. AX je koristan i osjetljiv pokazatelj funkcije perifernih dišnih putova [58].
Slika 6. pokazuje podatke prikupljane u razdoblju od 2010. – 2012. godine kod zdrave djece i djece sa malim oštećenjima zračnih putova (SAI). Na ovoj slici se vidi da AX (Goldmanov trokut) trokutasto područje je veće kod djece sa SAI, nego kod zdrave djece. Zanimljivo je primijetiti da su vrijednosti Fres jako blizu kod obje grupe djece.
Slika 6. Mjerenja reaktancija kod normalne i SAI djece kao funkcija oscilatorne frekvencije
Frekvencijska ovisnost otpora (fdR ili R5-R20): Predstavlja jednostavnu razliku izmjerenog otpora na 20Hz i otpora na 5 Hz ili 3 Hz. Frekvencijska ovisnost otpora je karakteristična za perifernu disfunkciju disajnog kanala [62]. Promjene u AX-u uz adekvatnu terapiju praćene su promjenama frekvencijske ovisnosti otpora. Goldman u članku [58] sugerira mogućnost da amplitude frekvencijske ovisnosti R i AX odražavaju sličan dominantan utjecaj mehaničke funkcije perifernih zračnih putova.
Frekvencijska ovisnost otpora pojavljuje se kod zdrave djece i u većem obujmu kod djece sa oboljenjima respiratornog sustava [62]. Danas postoji mnoštvo dokaza da je upala perifernih disajnih kanala prisutna kod pacijenata sa astmom i da je frekvencijska ovisnost otpora značajna kod astme [59].
Modeli respiratorne impedancije
Krivulje imepdancija IOS-a i FOT mogu se korelirati s respiratornim sustavima električnih modela s komponentama analognim otporima, komplijansama i inercijama. S posebno kreiranim algoritmima, vrijednosti komponenata respiratornog sustava se mogu estimirati i ti estimirani parametri se mogu koristiti kao pomoć kliničarima u dijagnozama i tretmanu respiratornih bolesti [41]. Postoji nekoliko razvijenih modela električnih krugova respiratornog sustava koji su istraživani i analizirani do danas.
RC model: Otpor dišnih putova i propustljivost alveola su modelirani kao jednostavni RC krug prikazan na slici 7.
Slika 7. RC model
Impedancija ovog kruga se može izraziti kao:
(5)
RIC model: Krug s tri elementa pluća gdje je pored RC elemenata uključena i inercija pluća I je prikazan na slici 8.
Slika 8. RIC model
Impedancija ovog kruga se može izraziti kao:
(6)
DuBois model: U ovom modelu, otpor je podijeljen na otpor dišnih putova ( ) i otpor tkiva ( ), inercija je podijeljena na inerciju dišnih putova ( i inerciju tkiva ( . Komplijansa je također podijeljena na komplijansu tkiva ) i komplijansu alveola ( ), kao što je to prikazano na slici 9.
Slika 9. DuBois model
Impedancija ovog kruga se može izraziti kao:
(7)
Mead model: Modelirani respiratorni parametri ovog modela su inercija pluća (I), centralni otpor ( ), periferalni otpor ( ), komplijansa pluća ( ), komplijansa grudnog koša ( ), komplijansa bronhijalnih cijevi ( i ekstratorakalna komplijansa ( ). Takav model je prikazan na slici 10.
Slika 10. Mead model
Impedancija ovog kruga se može izraziti kao:
(8)
gdje je:
(9)
Pa se dobije da je:
(10)
Prošireni RIC model: Razvijen je kao unaprijeđeni RIC model. Dodatni periferalni otpor je vezan paralelno s komplijansama perifernih dišnih putova. Ovaj model se može promatrati kao pojednostavljena verzija DuBois modela (gdje je, a teži u beskonačno) ili Mead modela (gdje i teže u beskonačno, dok je ). Električni krug ovog modela je predstavljen na slici 11.
Slika 11. eRIC model
Impedancija ovog kruga se može izraziti kao:
(11)
Povećani RIC model: Ovaj tip modela ima za cilj unapređenje proširenog RIC modela i može se promatrati kao pojednostavljena verzija Mead modela u slučaju vrlo velikih komplijansi pluća i grudnog koša. Dodatni parametar predstavlja ekstratorakalnu komplijansu, koja ima za cilj povećanje realnog dijela impedancije respiratornog sustava na višim frekvencijama za vrijeme efekta „proširivanja“ gornjih dišnih putova. Primjer ovog kruga je predstavljen na slici 12.
Slika 12. aRIC model
Impedancija ovog kruga se može izraziti kao:
(12)
gdje je:
UMJETNE NEURONSKE MREŽE I NEIZRAZITA LOGIKA
Nije jednostavno izvršiti dijagnostiku plućnih bolesti vodeći se samo podacima o otporu i reaktanciji izmjerenih IOS-om. U ovoj vrsti problema, umjetne neuronske mreže su najbolje rješenje. One se koriste u slučajevima gdje je teško riješiti problem, a razvoj algoritma za njegovo rješavanje je veoma kompliciran. Te činjenice otvaraju mogućnost za izgradnju modela impulsne oscilometrije za dijagnostiku plućnih bolesti pomoću umjetnih neuronskih mreža.
Umjetne neuronske mreže (ANN) su ustvari matematički model za simulaciju struktura i/ili funkcionalnih aspekta bioloških neuronskih mreža. Sastoji se od grupe međusobno povezanih umjetnih neurona i procesnih informacija neophodnih za dalje proračunavanje. U većini slučajeva, ANN predstavlja adaptivni sustav koji mijenja svoju strukturu na osnovu unutrašnjih ili vanjskih informacija koje prolaze kroz mrežu za vrijeme faze učenja. Umjetne mreže predstavljaju alat za modeliranje nelinearnih statističkih podataka. Koriste se za modeliranje kompleksnih veza između ulaza i izlaza ili za pronalazak uzoraka u podacima.
ANN su se razvile kao generalizacija matematičkih modela čovjekovih saznanja baziranih na pretpostavkama da:
Procesne informacije se javljaju u mnogim jednostavnim elementima nazvanim neuroni.
Signali prolaze između neurona duž ostvarenih konekcija.
Svaka konekcija ima određenu težinu, koja u tipičnoj neuronskoj vezi stvara težinski faktor za prijenosni signal.
Svaki neuron koristi aktivacijsku funkciju (najčešće nelinearnu) na ulaze svojih veza (suma težinskih ulaznih signala) kako bi dobio izlazni signal.
Biološke neuronske mreže
Mozak se sastoji od velike mreže živčanih stanica ili neurona, koji imaju osobinu da sakupljaju i prenose informacije između sebe, zahvaljujući elektrokemijskim procesima. Biološki neuron se sastoji od tri komponente: dendrita, soma i aksona. Dendriti primaju signale od ostalih neurona. Signali su u obliku električnih impulsa koji se prenose duž sinaptičkih pukotina u smislu kemijskih procesa. Utjecaj kemijskog prijenosa modificira ulazni signal na način sličan utjecaju težina kod umjetnih neuronskih mreža. Tipični biološki neuron je prikazan na slici 13, te zajedno s aksonima iz druga dva neurona od kojih prikazani neuron ima mogućnost primanja signala i dendritima za druga dva neurona koji imaju mogućnost da šalju signale.
Slika 13. Biološki neuron [12]
Stanično tijelo neurona zbraja ulazne signale u vremenu i kada je dovoljan broj ulaza primljen, stanica emitira signal preko aksona na ostale povezane stanice. Akcijski potencijal, koji nastaje kao rezultat različitih koncentracija iona na obje strane aksonskog omotača neurona, emitira signal iz jednog neurona.
ANN su kreirane zahvaljujući mnogim elementima bioloških neuronskih mreža, kao što su:
Neuron prima mnogo signala.
Signal se može modificirati s težinom na primljenoj sinapsi.
Procesni element neurona zbraja težinske ulaze.
Na osnovu primljenog dovoljnog broja ulaza, neuron emitira jedan izlaz.
Izlaz iz jednog neurona može ići na mnoge druge neurone.
Lokalno procesiranje informacija.
Memorija je raspodijeljena.
Jačina sinapsi može biti modificirana s iskustvom.
Slično kao i biološke mreže, ANN ima mogućnost identificirati ulazne signale i oni se mogu ponovo trenirati u slučaju oštećenja (gubitak podataka ili nekih veza).
Struktura umjetne neuronske mreže
Slično kao i biološka neuronska mreža, ANN se sastoji od velikog broja neurona koji su jednostavni procesni elementi u neuronskoj mreži. Oni se još nazivaju i jedinice, stanice ili čvorovi. Svaki neuron obavlja jednostavnu operaciju za proračun svog izlaza (ili aktivaciju) na osnovu ulaza i povezan je s ostalim neuronima pomoću težinskih veza. Svaki neuron posjeduje unutrašnje stanje koje se naziva aktivacijska funkcija, koja predstavlja funkciju svojih ulaza. Tipično, neuron šalje aktivaciju kao signal ostalim neuronima. Bitno je znati da neuron može poslati samo jedan signal u vremenu, dok se taj signal ne prenese do ostalih neurona [63]. Informacije između neurona se prenose zahvaljujući vezama između njih. Svaka veza ima svoju težinu. Ove težine se postavljaju na osnovu informacija dobivenih iz treniranih podataka koji obuhvaćaju različite uvjete ulaza i željenih izlaza.
U vrijeme treniranja, za svaki ulaz težine se postavljaju da minimiziraju razliku između ANN izlaza i željenog izlaza specificiranog u podacima za treniranje. Nakon treninga, cijeli set težina u ANN-u odgovara mapirajućoj funkciji u prostoru ulaza koji se koristi za postizanje odgovarajućeg izlaza kasnije.
Slika 14. Jednostavni umjetni neuron [54]
Kao što se vidi s slike 14, neuron Y prima ulaze od varijabilnog neurona X0 i neurona X1, X2 i X3. Aktivacija (izlazni signali) ovih neurona su x0, x1, x2 i x3, a težine na vezama s ovih neurona na neuron Y su w0, w1, w2 i w3. Ulaz neurona Y u ovom slučaju je zbroj težinskih signala s neurona X0, X1, X2 i X3.
Varijabilni neuron x0 je uvijek jednak 1 i dozvoljava svojoj težini da se ponaša kao adaptivna varijabla. Na slici 15. neuron Y je povezan s neuronima Z1 i Z2 s pripadajućim težinama v1 i v2.
Neuron Y šalje svoj izlazni signal y svakom od neurona. Vrijednosti primljene od neurona Z1 i Z2 će biti različite jer svaki izlazni signal je skaliran na osnovu pripadajuće težine v1 ili v2.
Slika 15. Primjer jednostavne umjetne mreže [54]
Iako je mreža prikazana na slici 15 vrlo jednostavna, vrlo jasno pokazuje razliku između ANN i normalnog ulazno – izlaznog sustava. ANN je u mogućnosti riješiti mnogo problema koji se ne mogu riješiti mrežom koja posjeduje samo ulaze i izlaze (rješava samo probleme s linearnim rješenjima).
Karakteristike umjetnih neuronskih mreža
Neuronske mreže su karakterizirane arhitekturom koja predstavljaju model povezanosti neurona koji stvaraju mrežu, algoritama za treniranje ili učenje čime se postavljaju vrijednosti i težine veza, te sa njenom aktivacijskom funkcijom.
Arhitektura ANN-a predstavlja način na koji su neuroni međusobno povezani za stvaranje slojeva mreže i definira model povezanosti između različitih slojeva.
Direktne (prijenosne) ANN omogućavaju signalima putanju u samo jednom smjeru, od ulaza ka izlazu.
Povratne ANN mogu imati signale koji putuju u različitim smjerovima uvođenjem u mrežu petlji, tako da su neuroni povezani na različite načine.
Aktivacijska funkcija: Nakon dodavanja ulaznih signala s njihovim pripadajućim težinama u neuronima ANN-a, neuron treba primijeniti aktivacijsku funkciju kako bi generirao izlaz. Aktivacijska funkcija upravlja amplitudom izlaza neurona.
Algoritmi za treniranje ili učenje predstavljaju strategiju u fazi treniranja ANN-a. Ako mreža u fazi treniranja ne generira željeni izlaz, parametri i težine mreže trebaju biti promijenjeni da bi se dobio odgovarajući izlaz. Algoritam za treniranje je sposobnost unapređivanja performansi mreže u svrhu rješavanja problema. Postoje tri glavna tipa za treniranje algoritama, u ovisnosti od vrste problema koji treba riješiti: nadzirano, nenadzirano i podržano učenje.
Neizrazita logika
Neizrazita logika je proširenje klasične Boolove logike sposobna upravljati pomoću koncepta „djelomične“ istinitosti. Standardna logika podržava samo vrijednosti istinitosti 0 (laž) i 1 (istina), dok neizrazita logika podržava raspon vrijednosti od potpune laži do potpune istine, tj. pokriva raspon vrijednosti iz intervala od 0 do 1.
Neizraziti skupovi predstavljaju skupovi čiji elementi imaju stupanj članstva. U klasičnoj teoriji skupova, element pripada ili ne pripada skupu. Nasuprot tome, element može biti član jednog ili više skupova sa stupnjem pripadanja.
Prema ovoj definiciji, neizraziti skup zahtjeva funkciju koja mapira objekte na domeni od interesa prema njihovoj vrijednosti pripadnosti u skupu [64]. Operacije koje se koriste u neizrazitom skupu su: unija, presjek i komplement.
Funkcije pripadnosti su grafički prikaz stupnja pripadnosti elementa u neizrazitom skupu. Funkcija pripadnosti mapira elemente neizrazitog skupa na intervalu [0,1]. Stupanj pripadnosti elementa x u neizrazitom skupu A je predstavljen kao, gdje je . Funkcija pripadnosti povezuje težine s svakim ulazom koji se obrađuje, definira funkcionalno preklapanje između elemenata i određuje izlazni odziv. Postoje različiti tipovi funkcija pripadnosti definiranih u neizrazitom skupu. Gausove, trokutaste i trapezoidne funkcije pripadnosti omogućavaju najveći postotak točnosti u odnosu na sve ostale funkcije pripadnosti.
If – then pravila: Obrada ulaznih podataka u neizrazitim sustavima se postiže pomoću neizrazitih (if – then) pravila. Za povezivanje propozicija koriste se riječi I, ILI, te AKO – ONDA koje se kvantificiraju preko T i S normi. Kombinacijom propozicija i veznika nastaje neizrazito pravilo koje u općem slučaju ima oblik:
AKO x je A i y je B ONDA z je C.
gdje „x je A I y je B“ predstavlja premisu ili uvjet, a „z je C“ zaključak ili posljedicu pravila.
Pojam tzv. procesa neizrazitog zaključivanja se promatra kao opći slučaj matematičke relacije u kojoj se određuje funkcijska slika na temelju zadane relacije i poznatog originala.
Postoje tri tipa modela neizrazite logike koji se najčešće koriste i to su: Mamdani, Tsukamoto i Sugeno model.
Mamdani model je karakterističan po tome što su mu jasne (crisp) i ulazne i izlazne vrijednosti. Jednostavni neizraziti sustav s jednim ulazom i jednim izlazom koji koristi Mamdani model se može prikazati na sljedeći način:
AKO je x Veliko ONDA je y Veliko
AKO je x Srednje ONDA je y Srednje
AKO je x Malo ONDA je y Malo
gdje x predstavlja jasan ulaz, a y jasan izlaz.
U Tsukamoto modela zaključeni izlaz svakog pravila je definiran kao jasna (crisp) vrijednost izvedena po pravilima težine (snage). Na primjer:
AKO je x Veliko ONDA je y C1
AKO je x Srednje ONDA je y C2
AKO je x Malo ONDA je y C3
gdje su Veliko, Srednje, Malo, C1, C2 i C3 funkcije pripadnosti.
U Sugeno neizrazitog modela tipično neizrazito pravilo je predstavljeno kao:
AKO x je A I y je B ONDA je z = f(x,y)
gdje su A i B neizraziti skupovi koji su prethodili razdvajanju, dok je z = f(x,y) jasna (crisp) funkcija koja iz toga proizilazi.
Obično je f(x,y) polinom s ulaznim varijablama x i y ili neka funkcija koja može ispravno opisati izlaz modela u sklopu neizrazitog područja određeno prethodnim pravilima. Kada je f(x,y) polinom prvog reda, rezultirajući neizraziti sustav zaključivanja se naziva Sugeno neizraziti model prvog reda.
Sustav zasnovan na neuro – neizrazitoj klasifikaciji u ovom radu zasnivat će se na Sugeno neizrazitom modelu prvog reda, zbog svoje transparentnosti i učinkovitosti.
ZAKLJUČAK
U poglavlju II opisana je tehnička realizacija sustava za impulsnu oscilometriju, kao jednu od metoda za određivanje plućne funkcije. Predstavljeni su također i ekvivalentni električni modeli pluća, koji na najbolji način opisuju dišni sustav. Obzirom da je za razliku od ostalih metoda za određivanje plućne funkcije ova metoda za korištenje najjednostavnija, a za tehničku realizaciju najkompliciranija zbog svog matematičkog modela, postoji niz unapređenja i dodataka koji se mogu realizirati za ovu metodu. Iz tog razloga buduće istraživanje će biti usmjereno na dodatna ispitivanja iz ove oblasti.
U poglavlju III predstavljene su mogućnosti umjetne neuronske mreže i neizrazite logike.
Na osnovu svega prikazanog u ovom radu, glavni cilj budućeg istraživanja će se svoditi na realizaciju softvera zasnovanog na umjetnim neuronskim mrežama i neizrazitoj logici, koji će moći dijagnosticirati bolesti dišnih putova, na osnovu rezultata dobivenih iz mjerenja obavljenih na aparatu za impulsnu oscilometriju.
LITERATURA
B.Vrhovac, B.Jakšić, Ž.Reiner, B.Vucelić, „Interna Medicina“, Zagreb, listopad 2008.
„American Academy of Allergy Asthma and Inmunology”, online edition 2011.http://www.aaaai.org/media/resources/media_kit/asthma_statistics.stm.
„Glaxo Smith Kline Hrvatska”, Istraživanja o astmi u Hrvatskoj http://www.glaxosmithkline.hr/vasezdravlje-astma.html,
http://vijesti.gorila.hr/galerije/mozaik/svjetski_dan_astme_u_hrvatskoj_od_astme_boluje_oko_220_000_bolesnika
Klug, B and Bisgaard, H. “Specific Airway Resistance, Interrupter Resistance, and Respiratory Impedance in Healthy Children, and Respiratory Impedance in Healthy Children Aged 2-7 Years”. Pediatric Pulmonology. 1998, Vol. Vol.25, pp. 322-331.
Nielsen, KG and Bisgaard, H. “The Effect of Inhaled Budesonide on Symptoms, Lung Function, and Cold Air and Methacholine Responsiveness in 2 to 5 year old asthmatic Children”. Am J Respir Crit Care Med. 2000, Vol. 162, pp. 1500-1506.
Gaylor, P B, et al. “Forced Oscillation using Impulse Oscillometry (IOS) Provides Objective Responses to Inhaled Corticosteroids (ICS) in Asthmatic Patients when FEV1 Fails to Improve”. J Allergy and Clin Immun. 2003, Vol. 111, p. S135.
Marotta, A, et al. “Impulse Oscillometry provides an effective measure of lung dysfunction in 4 year old children at risk for persistent asthma”. J Allergy Clin Immunol. 2003, Vol. 112, pp. 317-321.
Ortiz, G and Mendez, R. “The Effects of Inhaled Albuterol and Salmeterol in 2- to 5-Year-Old Asthmatic Children as Measured by Impulse Oscillometry”. Journal of Asthma. 2002, Vol. 39, 6, pp. 531-536.
Goldman, M D, et al. “Within and Between Day Variability of Respiratory Impedance, Using Impulse Oscillometry in Adolescent Asthmatics”. Pediatric Pulmonology. 2002, Vol. 34, pp. 312-319.
Klug, B and Bisgaard, H. “Measurement of Lung Function in awake 2-4 Year Old Asthmatic Children During Methacholine Challenge and Acute Asthma: A Comparison of the Impulse Oscilator Technique, the Interrupter Technique, and Transcutaneous Measurments of Oxygen vs W-B Plethysmography. Pediatric Pulmonology. 1996, Vol. 21, pp. 290-300.
Saadeh, C K, et al. “Forced Oscillation Using Impulse Oscillometry (IOS) Detects False Negative Spirometery in Symptomatic Patients with Reactive Airways”. Journal of Allergy and Clinical Immunology. 2003, Vol. III, p. S136.
Vink, G R, et al. “Impulse Oscillometry: A measure for Airway Obstruction”. Pediatric Pulmonology. 2003, Vol. 35, pp. 214-219.
Song, T W, et al. “Utlility of impulse oscillometry in young children with asthma”. Pediatr Allergy Immunol. 2008, Vol. 19, pp. 763-768.
Song, T W, et al. “Correlation between spirometry and impulse oscillometry in children with asthma”. Acta Paediatrica, vol., pp.,. 2008, Vol. 97, pp. 51-54.
Antonova, E A, et al. “Sensitivity impulse oscillometry and spirometry for assessment degree of severity of bronchial asthma in preschool children”. ERS Annual Congress Abstracts. 2006, p. 477s.
Linares, M, Concha, I and Meter, R. “Correlation between spirometry and respiratory resistance and reactance measured by impulse oscillometry in asthmatic children”. Revista Chilena de enfermedades respiratorias. 2002, Vol. 18, 2, pp. 90-98.
Lewis-Brown, K, Hildreth, G and Maupin, K d. “The association of spirometry with impulse oscillometry in pediatric patients with asthma”. Chest 2005-Slide presentations. p. 188s.
Olaguibel, J M, et al. “Comparative analysis of the bronchodilator response measured by impulse oscillometry (IOS), spirometry and body plethysmography in asthmatic children”. J Invest Allergol ClinImmunol. 2005, Vol. 15, 2, pp. 102-106.
Tomalak, W, et al. “Impulse Oscillometry vs. Body Plethysmography in Assessing Respiratory Resistance in Children”. Pediatric Pulmonology. 2006, Vol. 41, pp. 50-54.
Bisgaard, H and Klug, B. “Lung function measurement in awake young children”. Eur Resp J.1995, Vol. 8, pp. 2067-2075.
Nielsen, K G and Bisgaard, H. “Lung Function Response to Cold Air Challenge in Asthmatic and Healthy Children of 2-5 years of age”. Am J Respir Crit Care Med. 2000, Vol. 161, pp. 1805-1809.
Goldman, M D, et al. “Impulse oscillometry sensitively measures long and short acting bronchodilator in asthmatic children”,. Biomedical Engineering Recent Developments, Proceedings of the Twenty Fourth SBEC. 2008, pp. 73-76.
Nielsen, K G and Bisgaard, H. “Discriminative Capacity of Bronchodilator Response Measured with Three Different Lung Function Techniques in Asthmatic and Healthy Children Aged 2 to 5 Years”. Am J Respir Crit Care Med. 2001, Vol. 164, pp. 554-559.
Nieto, A, et al. “Montelukast improves pulmonary function measured by impulse oscillometry in children with asthma (Mio study)”. Respiratory Medicine. 2006, Vol. 100, 7, pp. 1180-1185.
Hur, H Y, et al. “A comparison between impulse oscillometry system and spirometry for detecting airway obstruction in children”. Korean Journal of Pediatrics. 2008, Vol. 51, 8, pp. 842-847.
Larsen, G L, et al. “Impulse oscillometry versus spirometry in a long-term study of controller therapy for pediatric asthma. J Allergy Clin Immunol. 2009, Vol. 123, 4, pp. 861-867.
Frey, U. “Forced oscillation technique in infants and young children”. Pedriatric Respiratory Reviews. 2005, Vol. 6, pp. 246-254.
Hellinckx, J, et al. “Bronchodilator response in 3-6 years old healthy and stable asthmatic children”. Eur Respir J. 1998, Vol. 12, pp. 438-443.
Graw-Panzer, K D, et al. Comparing Bronchodilator Response Measured by Impulse Oscillometry to Spirometry in Children with Asthma. Am J Respir Crit Care Med. 2009, Vol. 179, p. A4858.
Todaki, H, et al. Effect of bronchoconstriction on exhaled nitric oxide levels in healthy and asthmatic children. Ann Allergy Asthma Immunol . 2009, Vol. 102, 6, pp. 469-74.
Menendez, R, et al. Impulse Oscillometry (IOS) measures effects of short and long acting Beta-Agonists (SABA, LABA) on Lung Mechanics in 2-5 year old children with asthma. J Allergy ClinImmunol. 2008, Vol. 121, 2, p. S211.
Jee, H M, et al. “Usefulness of bronchial hyperresponsiveness measured with impulse oscillation technique in preschool children”. J Asthma. 2010, Vol. 47, 3, pp. 227-232.
Stocks, J and Quanjer, H. “Reference values for residual volume, functional residual capacity and total lung capacity”. Eur Respir J. 1995, Vol. 8, pp. 492-506.
Clement, J, et al. “Reference values of total respiratory resistance and reactance between 4 and 26 Hz in children and adolescents aged 4-20 years”. Bull Eur Physiopathol Respir, vol., pp. 1987, Vol. 23, pp. 441-448.
Ducharme, F M, Davis, G M and Ducharme, G R. “Pediatric Reference Values for Respiratory Resistance Measured by Forced Oscillation”. CHEST. 1998, Vol. 113, pp. 1322-1328.
Frei, J, et al. “Reference values in children 100 to 150 cm in height and 3 to 10 years of age”. CHEST. 2005, Vol. 128, pp. 1266-1273.
Dencker, M, et al. “Reference values for respiratory system impedance by using impulse oscillometry in children aged 2-11 years”. Clin Physiol Funct Imaging. 2006, Vol. 26, pp. 247-250.
Nowowiejska, B, et al. “Transient Reference values for Impulse Oscillometry for children aged 3-18 years”. Pediatric Pulmonology. 2008, Vol. 43, pp. 1193-1197.
Amra, B, Soltaninejad, F and Golshan, M. “Respiratory Resistance by Impulse Oscillometry in Healthy Iranian Children aged 5-19 years”. Iran J Allergy Asthma Immunol. 2008, Vol. 7, 1, pp. 25-29.
Wee, Y S, et al. “Reference Values of respiratory system impedance using impulse oscillometry in school-aged children in Korea”. Korean J Pediatr. 2007, Vol. 50, 9, pp. 862-867.
Jee, H M, et al. Reference Values for lung function testing using spirometry and impulse oscillometry in healthy preschool-aged children in Korea. [Online] 2010. [Cited: March 15, 2011.] http://www.ers- education.org/pages/default.aspx?id=2320&idBrowse=85383&det=1.
Diong, B, et al. “Modeling Human Respiratory Impedance: Comparing the Best Method with the Least Estimation Errors”. IEEE Engineering in Medicine and Biology Magazine. 2007, pp. 48-55.
Diong, B, et al. “The augmented RIC model of the human respiratory system”. Med Biol Eng Comput. 2009, Vol. 47, 4, pp. 395-404.
Rajagiri, A, et al. “Can Asthma in Children be Detected by the Estimated Parameter Values of the Augmented RIC Model?”. Proceedings of the IEEE-Engineering in Medicine and Biology Society (EMBS), 28th Annual International Conference. August 30 – September 3, 2006, pp. 5595-5598.
Rajagiri, A, et al. “Evaluation of Augmented RIC Model of Adult Respiratory Impedance Based on Impulse Oscillometry Data”. Procedings of the 12th Intl. Conf. Biomedical Engineering. December 2005.
Rajagiri, A and Diong, B. “Evaluation of Augmented RIC Model of Child Respiratory Impedance Based on Impulse Oscillometry Data”. Proc. IEEE Region 5 Technical Conf. April 7-9, 2006, pp. 291-295.
Baswa, S, et al. “Evaluation of Respiratory System Models Based on Parameter Estimates from Impulse Oscillometry Data”. Proc. IEEE Engineering in Medicine and Biology 27th Annual Conference. September 1-4, 2005, Vol. 3, pp. 2958-2961.
Nguyen, T-U, et al. “A study of IOS Data Using Two Mead-related Models of Respiratory Impedance”. Proceedings of the 29th Annual International Conference of the IEEE EMBS. August 23-26, 2007, pp. 1078-1081.
Nguyen, T-U and Diong, B. “Evaluation of Two Mead-related Models of Adult Respiratory Impedance Based on IOS Data”. IEEE Region 5 Technical Conference. April 20-21, 2007, pp. 303-308.
Woo, T, et al. “A Comparison of Various Respiratory Models Based on Parameter Estimates From Impulse Oscillometry Data”. Proceedings of the 26th Annual International Conference of the IEEE EMBS. September 1-5, 2004, Vol. 5, pp. 3828-3831.
Google Pages, “Human Physiology and Anatomy”, http://humananatomyandphysiology.googlepages.com, 2008.
Sherwood L., “Human Physiology: From Cells to Systems,” Thomson Learning, Inc., California, 2004.
Marieb E., “Human Anatomy & Physiology,” Pearson Benjamin Cummings, California, 2004.
Maduko E., “A Co-Active Neuro-Fuzzy Inference System for Classification of Asthma,” M. S. Thesis, The University of Texas at El Paso, 2007.
National Heart Lung and Blood Institute, “Asthma,” http://www.nhlbi.nih.gov/health/dci/Diseases/Asthma/Asthma_WhatIs.html, 2008.
eMedicin from Web MD, “Restrictive lung diseases,” http://emedicine.medscape.com/article/301760-overview, 2009.
Galant, S. “Lung Function Measurement in the Assessment of Childhood Asthma: Recent Important Developments”. Curr Opin Allergy Clin Immunol. 2010, Vol. 10, 2, pp. 149-154.
Goldman, M D, Saadeh, C and Ross, D. “Clinical applications of forced oscillation to assess peripheral airway function”. Respiratory Physiology & Neurobiology. 2005, Vol. 148, pp. 179-194.
Smith, H J, Reinhold, P and Goldman, M D. “Forced Oscillation technique and impulse oscillometry”. Eur Respir Mon. 2005, Vol. 31, pp. 72-105.
J. Vogel, U. Smidt, “Impulse oscillometry – Analysis of lung mechanics in general practice and the clinic epidemiological and experimental research”.
Carefusion Company online edition http://www.carefusion.com/images/IOS_Special_Edition.pdf
Goldman, M D. “Clinical Application of Forced Oscillation”. Pulmonary Pharmacology & Therapeutics. 2001, Vol. 14, pp. 341-350.
Fausset L., “Fundamentals of Neural Networks: Architectures, Algorithms, and Applications,” Prentice Hall, New Jersey, 1994.
Yen J., Langari R., “Fuzzy Logic: Intelligence, Control and Information,” Prentice Hall, New Jersey, 1999.
Google Pages, “Human Physiology and Anatomy,” http://humananatomyandphysiology.googlepages.com, 2008.