sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2026-2-70-76sapi-816Research ArticleОбработка информации и принятие решенийData processing and decision–makingМобильная система с цифровым двойником для диагностики и поддержки терапии пациентов с неврологическими заболеваниямиMobile system with a digital twin for the diagnosis and support of therapy of patients with neurological diseasesВишняковВ. А.VishniakouU. A.

Вишняков Владимир Анатольевич - Доктор технических наук, профессор. г. МинскE-mail: vish2002@list.ru

 

Uladzimir Anatolyevich Vishnyakov - Doctor of Technical Sciences, Professor.Minsk.E-mail: vish2002@list.ru

 

vish@bsuir.byБелорусский государственный университет информатики и радиоэлектроникиБеларусьBelarusian State University of Informatics and RadioelectronicsBelarus202617072026027076Copyright © Вишняков В.А., 20262026Вишняков В.А.Vishniakou U.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/816

Нейронная сеть для диагностики обучена на международных данных больных с неврологическими заболеваниями (БН). Нейронная сеть (НС) для поддержки терапии динамически пополняется данными состояния конкретного пациента. Устройство IoT (смартфон) собирает данные пациентов (голос, движение), инициируя их предварительную обработку и извлечение признаков. Эти данные передаются через локальный фреймворк Flask на сервер, использующий Open Semantic Technology for Intelligent Systems (OSTIS) ‒ платформу, которая обрабатывает и интерпретирует информацию о пациентах. Агент прогнозирования на базе НС на сервере, используя обученную нейронную сеть, ставит диагноз пациенту, который передается врачу. Лечение БН требует непрерывной, адаптивной и индивидуальной терапии. Блок электронной терапии на основе нейронной сети, включающий модули пациента и врача, принятия решений и цифрового двойника пациента, расширяет диагностическую систему до поддержки принятия терапевтических решений. Блок выполняет поиск предыдущего состояния пациента; прогностическое моделирование: курс лечения, лекарственную терапию; пояснение для врача. Структура блока включает: рекуррентную нейронную сеть на основе GRU, компонент семантической памяти системы OSTIS, контекстно-зависимые правила в виде SC-графических форм.

The neural network for diagnosis is trained on international data from patients with neurological diseases (ND). The neural network (NN) is dynamically updated with data on the condition of a particular patient to support therapy. An IoT device (smartphone) collects patient data (voice, movement), initiating their preprocessing and feature extraction. This data is transmitted via the local Flask framework to a server using Open Semantic Technology for Intelligent Systems (OSTIS), a platform that processes and interprets patient information. An NN-based forecasting agent on the server, using a trained neural network, performs the patient's diagnosis, which is transmitted to the doctor. Treatment of ND requires continuous, adaptive and individual therapy. The NN-based electronic therapy unit, which includes modules for patient and doctor, decision-making and the patient's digital twin, expands the diagnostic system to support therapeutic decisionmaking. The block searches for the patient's previous condition; predictive modeling: course of treatment, drug therapy; explanation for the doctor. The block structure includes: a recurrent neural network based on GRU, a component of the semantic memory of the OSTIS system, context-sensitive rules in the form of SC-graphical forms.

IoTнейросетевые моделиграф знаний болезниэлектронная диагностики и терапияцифровой двойникIoTneural network modelsgraph of disease knowledgeelectronic diagnostics and therapydigital twinReferencesSveinbjornsdottir, S. The clinical symptoms of Parkinson's disease / Sigurlaug Sveinbjornsdottir // Journal of Neurochemistry. 2016. Vol. 139, № S1. P. 318–324. DOI: 10.1111/jnc.13691.Sveinbjornsdottir S. The clinical symptoms of Parkinson's disease. Journal of Neurochemistry. 2016;139Suppl1:318–324. https://doi.org/10.1111/jnc.13691.Upadhya, S. S. Discriminating Parkinson and healthy people using phonation and cepstral features of speech / Savitha S. Upadhya, A. N. Cheeran // Procedia Computer Science. 2018. Vol. 143. P. 197–202. DOI: 10.1016/j.procs.2018.10.376.Upadhya S.S., Cheeran A.N. Discriminating Parkinson and healthy people using phonation and cepstral features of speech. Procedia Computer Science. 2018;143:197–202. https://doi.org/10.1016/j.procs.2018.10.376.Voiceprint recognition of Parkinson patients based on deep learning / Z. Xu, J. Wang, Y. Zhang, X. He // arXiv. 2018. Dec. P. 1–10. DOI: 10.48550/arXiv.1812.06613.Xu Z., Wang J., Zhang Y., He X. Voiceprint recognition of Parkinson patients based on deep learning. arXiv. 2018;Dec:1–10. https://doi.org/10.48550/arXiv.1812.06613.Development of Parkinson patient generated data collection platform using FHIR and IoT devices / D. Y. Kim, S. H. Hwang, M. G. Kim [et al.] // Studies in Health Technology and Informatics. 2017. Vol. 245. 141–145.Kim D.Y., Hwang S.H., Kim M.G., Song J.H., Lee S.W., and Kim I.K. Development of Parkinson patient generated data collection platform using FHIR and IoT devices. Studies in Health Technology and Informatics. 2017;245:141–145.Anter, A. M. E-health Parkinson disease diagnosis in smart home based on hybrid intelligence optimization model / A. M. Anter, Z. Zhang // Proceedings of the International Conference on Advanced Intelligent Systems and Informatics 2019 / ed.: A. Hassanien, K. Shaalan, M. Tolba. Springer, 2020. Vol. 1058 : Advances in Intelligent Systems and Computing. P. 153–162. DOI: 10.1007/978-3-030-31129-2_15.Anter A.M., Zhang Z. E-health Parkinson disease diagnosis in smart home based on hybrid intelligence optimization model. In: Hassanien A, Shaalan K, Tolba M, eds. Proceedings of the International Conference on Advanced Intelligent Systems and Informatics 2019. Vol 1058. Advances in Intelligent Systems and Computing. Springer; 2020:153– 162. https://doi.org/10.1007/978-3-030-31129-2_15.Organization of online learning using the intelligent metasystem of open semantic technology for intelligent systems / A. Kintonova, A. Sabitov, I. Povkhan [et al.] // Eastern-European Journal of Enterprise Technologies. 2023. Vol. 1, № 2 (121). P. 29–40. https://doi.org/10.15587/1729-4061.2023.272952.Kintonova A., Sabitov A., Povkhan I., Khaimulina D., and Gabdreshov G. Organization of online learning using the intelligent metasystem of open semantic technology for intelligent systems. Eastern-European Journal of Enterprise Technologies. 2023;1(2(121)):29–40. https://doi.org/10.15587/1729-4061.2023.272952.Vishniakou, U. A. IT Diagnostics of Parkinson’s disease based on the analysis of voice markers and machine learning / U. A. Vishniakou, Y. Xia // Доклады БГУИР. 2023. Т. 21, № 3. С. 102–110. DOI: 10.35596/1729-7648-2023-21-3-102-110.Vishniakou U.A., Xia Y. IT diagnostics of Parkinson’s disease based on the analysis of voice markers and machine learning. Doklady BGUIR [BSUIR Reports]. 2023;21(3):102–110. http://dx.doi.org/10.35596/1729-7648-2023-21-3-102-110.Vishniakou, U. Models and algorithms for the diagnosis of Parkinsons disease and their realization on the Internet of Things network / U. Vishniakou, Y. Xia // Global Journals of Research in Engineering. 2024. Vol. 24 (J1). P. 43–49. DOI: 10.34257/GJREJVOL24IS1PG43.Vishniakou U., Xia Y. Models and algorithms for the diagnosis of Parkinsons disease and their realization on the Internet of Things network. Global Journals of Research in Engineering. 2024;24(J1):43–49. https://doi.org/10.34257/GJREJVOL24IS1PG43.A Comparative analysis of speech signal processing algorithms for Parkinson’s disease classification and the use of the tunable Q-factor wavelet transform / C.O. Sakar, G. Serbes, A. Gunduz [et al.] // Applied Soft Computing. 2019. Vol. 74. P. 255–263. DOI: 10.1016/j.asoc.2018.10.022.Sakar C.O., Serbes G., Gunduz A., Tunc H.C., Nizam H., Sakar B.E, and et al. A comparative analysis of speech signal processing algorithms for Parkinson’s disease classification and the use of the tunable Q-factor wavelet transform. Applied Soft Computing. 2019;74:255–263. https://doi.org/10.1016/j.asoc.2018.10.022.Патент 048311, G10L 15/01 (2013.01) G10L 25/00 (2006.01) G16Y 40/20 (2020.01). Способ диагностики болезни Паркинсона в сети Интернет вещей, основанный на анализе голосовых маркеров : № a 202392267 : заявлено 21.07.2023 : опубликовано 13.11.2024 / Вишняков В. А., Ся Ивей ; заявитель Белорусский государственный университет информатики и радиоэлектроники. 12 с. URL: https://libeldoc.bsuir.by/bitstream/123456789/59103/1/Pat_048311.pdf (дата обращения: 17.06.2026).Vishniakou U.A., Xia Y. inventors; Belarusian State University of Informatics and Radioelectronics, assignee. Patent 048311, G10L 15/01 (2013.01) G10L 25/00 (2006.01) G16Y 40/20 (2020.01). Sposob diagnostiki bolezni Parkinsona v seti internet veshchei, osnovannyi na analize golosovykh markerov [Method for diagnosing Parkinson’s disease in the Internet of Things network based on the analysis of voice markers] : Eurasian patent application EA 202392267 A1. November 13, 2024. Available at: https://libeldoc.bsuir.by/bitstream/123456789/59103/1/Pat_048311.pdf (accessed 17th June 2026) (in Russian).

The authors declare that there are no conflicts of interest present.