Biomedicininių duomenų vizualizacija daugiamačių skalių metodu

Abstract

Miegas yra svarbus žmogaus sveikatai ir jo gyvenimo kokybei. Dažni miego sutrikimai ar lėtinė nemiga pasireiškia daugiau nei 10 proc. suaugusių gyventojų. Esant sutrikusiam miegui, blogėja asmenų gyvenimo kokybė, neigiamai veikiamas žmogaus aktyvumas dienos metu, mažėja darbingumas, atsiranda mieguistumas, nuovargis, dažniau įvyksta nelaimingi atsitikimai. Norint diagnozuoti miego sutrikimus ir nustatyti, ar jie blogina ir kiek blogina gyvenimo kokybę, reikia atlikti daug sudėtingų tyrimų, taip pat anketinę apklausą. Tyrimų rezultatai išreikiami daugeliu skaičių, kuriuos reikia apibendrinti ir integruoti į vieną išvadą. Kadangi sunku aprėpti didelį kiekį skaitinės informacijos, tikslinga pasitelkti duomenų vizualizacijos metodus. Daugiamačių duomenų analizė ir vizualizavimas daugiamačių skalių metodu (angl. multidimensional scaling, specialioje literatūroje vadinamų trumpinių MDS) yra duomenų analizės metodas tinkantis analizuoti ir atvaizduoti žmogui suprantamesne forma sudėtingais ir dažnai nežinomais tarpusavio ryšiais susietus daugiamačius duomenis. Pagrindinis duomenų vizualizacijos tikslas – tai daugiamačių duomenų atvaizdavimas į mažesnės dimensijos erdvę, išsaugant jų tarpusavio panašumo struktūras. MDS metodu gaunamas dvimatis vaizdas yra žymiai lengviau interpretuojamas ir suvokiamas negu lentelėmis pateikiami duomenys, nes artimi taškai atitinka panašius pagal sveikatos būklę subjektus ir atvirkščiai. Kiekvienas duomenų žemėlapio taškas atitinka vieną iš nagrinėjamų daugiamačių vektorių (objektų), o jų tarpusavio išsidėstymas atskleidžia informaciją apie duomenų aibės struktūras. The study deals with a visualization of biomedical data using multidimensional scaling (MDS) method. An efficient hybrid algorithm, including a combination of the quasi-Newton’s descent algorithm and the genetic algorithm, with minimization of sstress and stress criteria for quantitative evaluation of dissimilarities, i.e. how exactly the distances among the images correspond the dissimilarities, was created. Distinguished clear-cut dissimilarities demonstrate MDS as an efficient technique for evaluation of different states in healthy subjects and coronary artery disease patients.