Проектированиеадаптивной сети нейро-нечеткого вывода для контроля критической зависимостипараметров гемодинамики по модели измерений предрейсовых осмотров
COДЕРЖАНИЕ
СПИСОК СОКРАЩЕНИЙ
ВВЕДЕНИЕ
1. ПРОБЛЕМЫ ОПРЕДЕЛЕНИЯ НОРМЫ ВМЕДИЦИНЕ. МЕТОДЫ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ НОРМЫ
1.1 АСПО как предметная областьмодели прогноза медицинской нормы в
системе безопасности нажелезнодорожном транспорте
1.2 Стандартные функции АСПО
1.3 Медицинские ипсихофизиологические аспекты выделения группы повышенного риска
1.3.1 Оценка параметровпрофессиональной пригодности
1.3.2 Критерии выделения «группыриска»
1.3.3 Расширенноепсихофизиологическое обследование по данным АСПО
1.3.3.1 Психологическая диагностика
1.3.3.2 Функциональная диагностика
1.4 Проблемы предоставления нормы вАСПО
2. АДАПТИВНАЯ НАСТРОЙКАСТАТИСТИЧЕСКОГО РАЗДЕЛЕНИЯ ПРИЗНАКОВ В СИСТЕМЕ НЕЙРО-НЕЧЕТКОГО ВЫВОДА
2.1 Основы принципа нечеткого выводаи идентификации
2.1.1 Нечеткая логика,лингвистическая оценка медицинских параметров
2.1.2 Направления исследованийнечеткой логики по отношению к медицинским диагностическим заключениям
2.1.2.1 Символическая нечеткая логикаи терминология предметной области.
2.1.2.2 Теория приближенныхвычислений и стохастические измерения.
2.1.3 Идентификация с помощьюиерархической системы нечеткого логического вывода
2.2 Задача разработки программныхсредств оценки критической зависимости гемодинамических показателей
2.2.1 Характеристики программноймодели при обработке регрессионных измерений предрейсовых осмотров
2.2.2 Управление иерархией нечеткоговывода интерактивным пакетом ANFIS
2.2.3 Алгоритм диагностики
2.2.4 Усовершенствованный методдиагностики
2.2.5 Выводы и база знаний
2.2.6 Проектирование систем типаСугено
2.2.7 Результаты проектированиянечеткого алгоритма предрейсовых медицинских осмотров на основе адаптивной сетинейро-нечеткого вывода
Заключение
БИБЛИОГРАФИЧЕСКИЙ СПИСОК ИСПОЛЬЗОВАННОЙЛИТЕРАТУРЫ
Список сокращений
медицинский осмотр нейронечеткий сеть
ANFIS – Adaptive NeuroFuzzy Inference System (адаптивная нейро-нечеткая система вывода);
АСУ – автоматизированная системауправления;
АСПО – автоматизированная системапредрейсовых осмотров;
БД – база данных;
БП – база правил;
ИТ– информационные технологии;
МНК – метод наименьших квадратов;
ННС – нейро-нечеткие системы;
НС – нейронная сеть;
НЛ – нечеткая логика;
ОС – операционная система;
ПК – персональный компьютер;
ПО – программное обеспечение;
СУБД – система управления базами данных;
ЭВМ – электронная вычислительнаямашина;
Введение
Система предрейсовых осмотровактуальна в плане обеспечения безопасности транспортных перевозок, кроме тогоприменяемый на данный момент принцип измерения и выбора медицинских наблюдаемыхпараметров позволяет усовершенствовать систему диагностики результатаразличными методами, начиная регрессионными и заканчивая современнымиинтеллектуальными технологиями. Но в этом процессе должно совмещаться какэкспертное знание так и числовая точность критериальной оценки состояниянаблюдаемого субъекта. Соответственно здесь популярны гибридные схемы вподобных оценках. Экспертные базы требуют ввода лингвистическойнеопределенности в алгоритмы решения, а регрессионный характер измеренийтребует предварительной оценки их параметров и получение статистической моделис исключением аддитивных помех в наблюдаемом выходе.
Гибридные нейро-нечеткие системы(далее просто гибридные ANFIS системы) нашли самую большую область применениясреди всех возможных методов синтеза нечетких множеств и нейронных сетей.Связано это с тем, что именно они позволяют наиболее полно использовать сильныестороны нечетких систем и НС. Характерной чертой гибридных систем является то,что они всегда могут быть рассмотрены как системы нечетких правил, при этомнастройка функций принадлежностей в предпосылках и подзаключениях правил наоснове обучающего множества производится с помощью НС. Существуют архитектурыгибридных систем, прогрессирующие от иерархической системы нечеткого выхода иот метода получения подзаключений по Сугено, учитывающие регрессионных характерисходных измерений. Эта схема вывода способна совместить предварительнуюнастройку к стохастической среде получаемых данных методом регрессионногоанализа и точную настройку к аппроксимируемому объекту по свойствам экспертногомнения. Кроме того, нужно учесть в пользу данного метода, что регрессионнаячасть выполняется матричным способом решения линейных уравнений и этосоставляет незначительную линейную трудность для алгоритма.
Проблема медицинской нормы, с точкизрения пространственного разделения признаков, состоит в том, что принимаемоево внимание среднеквадратичное отклонение нормального распределения потрадиционной методике относится к одному медицинскому параметру, а центрраспределения линейно связан с его средним значением. Если признаков несколько,то линейное геометрическое разделение по осям признаков составляет простейшуюобласть для идеально нормального субъекта, что в реальности практически недостижимо и, кроме того, несовместимо с экспертным мнением, которое способноопределять некоторые допуски к тем или иным параметрам. Та же проблемамногоканального разделения признаков и в существующем АСПО, так как измерениямногомерны – для оценки готовности к рейсу учитываются 7-14 параметров. В своюочередь возникает и экспертная сложность интеллектуального обобщениямногомерных показателей в норму. Поэтому для решения этой актуальной проблемыпринадлежности объекта к целевым классам нормы или ненормы самым оптимальнымбудет нелинейное разделение данных классов в пространстве признаков, котороеидеально моделирует формула НС.
Нейро-нечеткие системы совмещаютэкспертные знания и оценки регрессионной среды как оптимальные аппроксиматорыцелевых функций, но для разделения по признакам еще нужно обсудить некоторыеособенности ННС. То есть, следует определить специфику ННС в решении проблемдиагностики нормы исследуемых субъектов совместно с регрессионным анализоммедицинских параметров. Итак, надо учесть, что ННС-аппроксиматоры образуют полносвязаннуюструктуру без обратных связей. На выходе последнего слоя нет активационнойфункции, а формула квадратичной разности выхода и обучающего сигнала являетсяфункционалом, который зависит от параметров функций принадлежности экспертнойбазы и параметров выходного слоя вывода по Сугено. Величина изменения принастройке каждого параметра вычисляется как частная производная градиентафункционала на выходе ННС, выполняя критерий его минимизации. Но исследуемаяпроблема требует ответа классификатора на пространстве признаков – принадлежитисследуемый субъект к целевой группе риска или нет. При этом подходеопределяется пространство признаков размерности по числу параметров,предоставляемых с системе предрейсовых осмотров для диагностическогозаключения. Подобные измерения уже имеются в наличии у баз данных системпредрейсовых осмотров, в этом плане также отработана технология измерений. Но вэтой системе экспертные представления фактически доминируют с существующимиметодами автоматизированной оценки норма/ненорма, так как исследуемые объекты всущности являются сложными физиологическими системами с трудно формализуемымиматематическими признаками целевого состояния в выполнении профессиональных действий.В этом случае ННС оптимально подходит для анализа признаков с учетом экспертныхмнений, но традиционный выход системы требует соответствующей модификации, гденеобходимо обеспечить: аппроксимируемую непрерывную функцию выхода;активационную непрерывную функцию по формуле логистического распределения.Первая функция должна отображать стандартное нормальное распределение случайнойвеличины, соответственно для нее будет подготовлены обучающие выборкигемодинамических показателей нормы. Аппроксимация центра распределения будетсоответствовать активационному ответу «Нет» на принадлежность субъекта целевомуклассу риска. При смещении цента в случае выборки «ненорма» будет активированафункция выхода. С учетом того, что центр распределения может быть смещенвыборкой «ненорма» в любую сторону оси, то выход аппроксимации несложно модифицируетсяинвертором уровня выхода и второй активационной функцией, а функции связаны слинией ответа посредством линейного сумматора. Таким образом, несложнаяадаптация к конкретной ситуации еще раз показывает универсализм иерархическихННС в управлении и настройке как регрессионных моделей, так и экспертных базправил, где эти две структуры объединены нейросетевыми отношениями.
Актуальность работы: требования к качеству повышенияобработки измерений с системах медицинского обеспечения безопасности натранспорте.
Целю работыявляется разработка системы на базе иерархии правил для нейросетевого принципаразделения признаков с использованием экспертных знаний достоверного анализапрофессиональной пригодности работников транспорта.
Основные задачи, определенные в соответствии с поставленной целью квалификационнойработы:
– анализ существующих методов,систем, типов и способов проводимых измерений в автоматизированных системахмедицинского обеспечения безопасности на транспорте;
– ознакомление с типичными моделямиННС и выбор оптимальной с учетом особенностей организации АСПО;
– выбор способа определениямедицинской нормы, который обладает свойством стохастичности с возможностьюприменения аппроксимирующей его ННС при ее обучении и использовании методоврегрессионного анализа;
– выбор алгоритмов предварительногорасчета регрессионных параметров вход-выход и градиентной весовой настройкиправил;
– создание, на основе предложенных принципов и способов адаптации ННС кАСПО, алгоритмов ПО обучения и эксплуатации ННС в задачах АСПО;
– модернизация базовой технологии обеспечения безопасности грузопассажирскихперевозок, учитывающей надежность «человеческого фактора», экспертной системойна базе ННС, способной к нелинейному разделению граничных условий норма/ненормав пространстве признаков исходных измерений;
– составление ряда рекомендаций поиспользованию алгоритмов, свойств и параметров полученной программной моделииерархической системы нечеткого логического вывода контроля критическойзависимости параметров гемодинамики.
1. ПРОБЛЕМЫ ОПРЕДЕЛЕНИЯНОРМЫ В МЕДИЦИНЕ. МЕТОДЫ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ НОРМЫ
1.1 АСПО как предметная область моделированияпрогноза медицинской нормы в системе безопасности на железнодорожном транспорте
Профессиональный отбор, предсменный ипредрейсовый – все это является важнейшим направлением обеспечения безопасностидвижения на железнодорожном транспорте. В данной области медицинской практикиможно рассмотреть аспекты адаптации к проблеме безопасности и внедрения вычислительныхресурсов компьютерных комплексов, функционирование которых базируется наразличных по типу программных моделях медицинских исследований. Независимо отуровня чувствительности используемой аппаратуры получения исходных данных и средстввизуализации результата, актуальным остается вопрос статистической обработкиисходных измерений с целью выборки полезного сигнала с учетом знанияопределенной модели помехи наблюдения. Задачу подобной обработки данных вопределенные моменты времени должны решать математические модели, используяклассические методы идентификации. Но в плане моделирования динамики возникаютпроблемы с идентификацией параметров, т.к. стандартные методы даютнесостоятельные оценки параметров при наличии ненаблюдаемых помех на входе инаблюдаемых на выходе. Это открывает направления научного исследованияпроблемы, одно из которых – модификация стандартных методов оценки параметров.Для возможности организации и внедрения программной обработки статистическойвыборки измерений, по математическим моделям моментного и динамическогосостояния медицинских показателей исследуемых работников, в качестве базовойразработки принимается действующая на Куйбышевской железной дороге АСПО на базекомплексов КАПД-01-СТ для медико-психологического обеспечения безопасностидвижения поездов (рисунок 1.1). Идеология АСПО заключается в следующем:интенсивность работы водителей транспорта имеет большое число факторов,влияющих на безопасность перевозок, требуются сведения о медицинских параметрахсостояния здоровья участников перевозок и их обработка в едином информационномпространстве. В АСПО реализуется информационная технология (ИТ), позволяющаяоптимизировать процессы управления за счет автоматизации рабочих мест, а такжеИТ выполняет обеспечение процесса безопасности перевозок с учетом надежности«человеческого фактора».
/>
Рисунок 1.1- Структурная ветвьбазовой организации служб в АСПО на железной дороге
Необходимо помнить, что ИТ лишьавтоматизируют существующий процесс, включая его недостатки. Например,полученный по датчикам поток измерений включает в себя аддитивные ошибки.Ошибка измерения (помеха) — объективный процесс, складывающийся с учетом:нелинейности физиологических процессов; поверхностного контакта датчиков;взаимной корреляции величин одной размерности, морфологии тканей, анизотропиибиологических сред и т.п. В медицинской и биологической физике одним изосновных направлений медицинских знаний является изучение физической сущности основныхметодов диагностики, их особенностей, приборной базы, а также оценка качестваполучаемой при этом информации. Следовательно, актуально разрабатывать численныеметоды идентификации полезного сигнала на базе математических моделей,адаптировать полученные программные продукты как расширение базовых ИТ, ужесуществующих в эксплуатации и не исключающих необходимости улучшения своегокачества. По существу это задача реинжениринга — проектирования новогопроцесса, дающего основные результаты улучшения характеристик принимаемой каналитической обработке информации. Это не только дополнительная автоматизацияпроцессов управления, но и научно обоснованная возможность создать полностьюновые, пересмотреть или оптимизировать уже существующие процессы и,следовательно, улучшить в несколько раз конечный продукт. В данном случае — повысить надежность «человеческого фактора» и, как следствие, увеличитьбезопасность грузопассажирских перевозок.
Новым процессом, реализованным вдипломном проекте для программных средств АСПО, является выявление «группыповышенного риска» и восстановление здоровья этой группы на основематематического моделирования статического и динамического распределенияизмерений медицинских параметров. «Процесс» — это ключевое слово врассматриваемой концепции реинжениринга, означает не только использованиеспециализированных технических средств и ИТ, но и постоянную работу всехучастников, задействованных в обеспечении перевозок, направленную на выявлениепотенциальной опасности на ранней стадии и своевременного предупреждения. Всетехнические средства, начиная от средств измерений, сетевых решений,корпоративной базы данных до средств анализа подчинены этой цели. ФактическиАСПО — это система управления, которая обеспечивает эффективное взаимодействиеструктурных подразделений транспортных предприятий и предприятий с высокимриском возникновения массовых катастроф в сочетании с автоматизациейпредрабочего (предрейсового) медицинского осмотра. Структура АСПО четкоопределяет функциональные подразделения и их связи внутри нее. Это позволяет,на базе поставленных целей и решаемых задач, выявлять участки межструктурноговзаимодействия, где можно применять методы идентификации полезной информации ирасширять базу ИТ всей системы. В определении набора численных характеристикдля клинического использования необходимо рассмотреть понятие медицинской нормынаблюдаемых параметров.
1.2 Стандартные функции АСПО
АСПО позволяет произвести выборки работников локомотивных бригад,относящихся к группе повышенного риска:
1.Выборкиработников локомотивных бригад, относящихся к группе повышенно риска с помощьювыбора математического ожидания и дисперсии. В заштрихованной зоне (АД свыше 140 мм.рт.ст. содержится группа работников, которая по показателям АДС может быть отнесена к группеповышенного риска).
2. Список этих работников локомотивных бригад, входящих в группуповышенного риска но показателю АДС > 140 мм.рт.ст. Задав минимальное количество осмотров, которое определяется в соответствии с выбранным промежутком времени(например, если запрос выполнен за 1 месяц, — от 5 до 15 осмотров) и процентпопадания в выделенную зону (например 70 %), можно выделить значимую группу извсего состава.
3. Выделение фамилии работника для получения индивидуальных сведений.Предоставляется возможность выбора пороговых значений, анализ психофизиологическихпоказателей и произвести запись в буфер для дальнейшего анализа.
4. Выполнение систематического обследования, входящих в группу работниковс неадаптивной реакцией и срывом адаптации с помощью производственных врачей ипсихологов депо.
5. Применение такой методологиипозволяет сделать существенно важные шаги для соединения медицинского,психологического и физиологического подходов к оценке здоровья работниковлокомотивных бригад. Например, начать определение взаимосвязи психологическогофона возникающих заболеваний с конкретной диагностикой.
1.3 Медицинские и психофизиологические аспекты выделения группыповышенного риска
1.3.1 Оценка параметровпрофессиональной пригодности
Часто регистрируемые случаипрофессиональных заболеваний – это болезни, связанные с воздействием наорганизм шума – нейросенсорная тугоухость – около 50%. Заболевания пылевойэтиологии занимают второе место – 15–20%. На третьем месте стоят заболеванияопорно-двигательного аппарата – 10–15%, далее вибрационная болезнь – около 10%.
По статистике, наибольшее числозарегистрированных случаев профессиональных заболеваний выявляются среди членовлокомотивных бригад – около 30%.
По результатам предрейсовых медицинских осмотров с помощью автоматизированнойсистемы предрейсового медицинского осмотра на базе аппаратно программногокомплекса КАПД-01-СТ, выделяется группа риска по возможности развитияпатологических состояний и внезапного ухудшения самочувствия. За этот периодвремени стало ясно, что данная система может применяться для динамическогоконтроля функционального состояния работников локомотивных бригад.
Группу риска по результатам медицинского и психологического обследованийв основном составляют соматические заболевания около- 57%, психосоматическиезаболевания около 20% и около 23%- лица, у которых при медицинском обследованиипризнаков заболевания не обнаружено, т.е. с психологическими проблемами. Каквидно из приведенных данных, около 43% работников локомотивных бригад,попадающих в группу риска, нуждаются в помощи психолога.
Такое положение и заставило объединить усилия медицинских работников ипсихологов локомотивных и мотор-вагонных депо в борьбе за здоровье ипрофессиональную работоспособность работников локомотивных бригад. Опыт работыпсихологов с группой риска дает право говорить о том, что комплекс КАПД-01-СТ ианалитические программы автоматизированной системы предрейсового медицинскогоосмотра позволяют выделять у работников локомотивных бригад такие состояния,как стрессовые, депрессивные, психоэмоциональную неустойчивость,накапливающееся утомление.
В исследовательском плане дальнейшая работа психофизиологическихподразделений дорог направлена на уточнение корелляции между величинамииндексов и психофизиологическим состоянием, состоянием здоровья работниковлокомотивных бригад.
Как показывает опыт работы, выделение группы риска по результатампредрейсового медицинского осмотра, на основе показателей индекса напряженности,SDR, Sit, показателям периферической гемодинамики, в основномпроисходит в период предболезни. По этой причине в инструкции психолога депоуказано на необходимость консультации таких работников цеховым врачом с цельюисключения соматического или психосоматического заболевания независимо отполученных им результатов обследования. Это делается с целью не просмотретьразвитие болезни.
В зависимости от полученных результатов медицинского и психофизиологической»обследований, проводятся системные мероприятия: медицинские, восстановительные,реабилитационные.
В случаеобнаружения соматического или психосоматического заболевания на первый план выступаютмедицинская и психотерапевтическая помощь. Если же признаков заболевания не удаетсяобнаружить, на первый план выступает психологическая помощь.
Психофизиологическое обследованиепроводится параллельно с медицинским обследованием психологом локомотивногодепо в первые 7 дней с момента отнесения работника локомотивной бригады кгруппе риска. Такое раннее обследование позволяет не только установить причинуизменения функционального состояния, но и своевременно принять меры попроведению коррекционных мероприятий. Обследование проводится с использованиемтаких психологических методик, как СМИЛ, 16-факторный личностный опросникР.Кеттела, шкала самооценки Ч.Спилбергера / Ю. Ханина, метод цветовых выборов,самооценки состояния (CAHL ипсихофизиологических методик таких как реакция на движущийся объект (РДО), простаядвигательная реакция (ПДР), треморометрия.
Так например при психофизиологическом обследовании работника полученыследующие результаты:
1) с низкимпоказателем Sit: низкаятревожность, уравновешенность нервных процессов, эгоцентричен, обидчив, раним,проявляет неадекватные попытки упрямо отстаивать свои позиции, возможнаригидность характера, жесткость установок, стремится к поведению,ориентированному на одобрение окружающих, озабочен своим социальным статусом,склонен к отрицанию каких-либо затруднений, самооценка неадекватная;
— плохая бдительность, очень неустойчивое внимание, снижен контроль надэмоциональной сферой, проявляет себя осторожно, как будто бы чего-то опасается;
2) с высокимпоказателем Sit: преобладаниепроцессов возбуждения, возбужден, тревожен, напряжен, насторожен, чувствонеуверенности, тревога и опасение, восприимчив к внешним раздражителям;
- социально-психологическая дезадаптация, физическое и душевное перенапряжение,страх, чувство бесперспективности, утрата работоспособности;
3)ссистолическим артериальным давлением более 140 мм рт. ст.: умеренная
реактивная тревожность, обидчив и раним, напряжен, характерна жесткость установок,ригидность характера.;
— высокая тревожность, физиологический дискомфорт, снижена работоспособность;
4) с высокимзначением SDRитахикардией: преобладаниепроцессов возбуждения, отмечается затрудненность межличностных отношений итенденция к усилению тяжести имеющихся затруднений и конфликтов, повышенная самооценка,самооценка не всегда адекватна, отмечаются черты аффективной ригидности,жесткость установок, агрессивность и эгоцентричность;
5) с неоднократнымвысоким значением SDR:неустойчиваяработоспособность, раздражительная слабость, потребность в покое.
Таблица 1.1- Показатели для оценкипсихофизиологического состояния
Параметры
Основной физиологический смысл ЧСС Артериальным пульсом называют ритмические колебания стенки артерии, обусловленные повышением давления в период систолы. Тахикардия (>90 уд/мин). Чаще всего является следствием физической нагрузки, сердечной недостаточности, нервно-эмоционального перенапряжения, утомления, переутомления, тиреотоксикоза (избыточно высокого давления гормонов щитовидной железы), физической нагрузки, повышения тонуса симпатического отдела автономной нервной системы. Брадикардия (Систолическое
давление
Наибольшая величина давления в артериях (систолическое или максимальное) наблюдается во время прохождения вершины пульсовой волны.
Заболевания: Артериальная гипертензия, гипертоническая болезнь, некоторые заболевания эндокринной системы.
Диастолическое
давление
Наименьшая величина (диалистическое или минимальное давление) регистрируется во время прохождения основания пульсовой волны. Диалистическое АД определяют:
а) преднагрузка сердца (количество притекаемой к сердцу крови); б) постнагрузка (тонус и состояние аорты); в) ритм сердца (отсутствие метаболических и других расстройств, нарушающих проводимость); г) сократимость сердца (способность создать достаточный конечнодиастолический объем после трех последовательных стадий систолы: пассивное заполнение левого желудочка, расслабление и фаза активного заполнения при систоле предсердий).
Среднее
гемодинамическое
давление
/> Равнодействующая колебаний АД в разные фазы сердечного цикла. Характеризует эффективность работы системы кровообращения в обеспечении кровоснабжения отдельных органов и тканей. Особое значение показатель имеет при установлении диагноза гипотонической и гипертонической болезни при дифференциальной диагностике с нейроциркуляторной дистонией по гипертензивному типу.
Пульсовое АД
/> Разница между систолическим и диастолическим АД. Зависит от количества крови, перекачиваемой сердцем с каждым ударом. Оценивать пульсовое давление необходимо, например, при патологии почек. Вторичный характер артериальной гипертензии определяет «обезглавленная гипертензия», т.е. пульсовое давление снижается до 20-10 мм.рт.ст. за счет замедленного повышения систоличесой компоненты. Снижение эластических свойств аорты и других крупных артериальных стволов (атеросклероз, эндартериит и т.п.) также определяет уменьшение значений показателя пульсового давления. Однако механизм этого понижения связан прежде всего с опережением роста показателей диастолического АД.
Редуцированное
давление
/> Отражает реакцию прекапиллярного русла, зависящую от объёма циркулирующей крови. SDR Отражает характер и механизмы системных расстройств при изменениях тонуса автономной (вегетативной) нервной системы, а также регуляции артериального давления и частоты сердечных сокращений. SIT Отражает состояние центральной нервной системы при различных типах реакции. В основном используется при определении состояний заторможенности или гиперактивности. Индекс напряжения регуляторных систем Отражает степень централизации управления сердечным ритмом и состояние баланса между центральной и периферической нервной системой. Мода (МО) Наиболее часто встречающееся значение интервала R-R, указывающее на доминирующий уровень функционирования синусового узла. Амплитуда моды (АМо) Количество кардиоциклов с наиболее часто встречающейся длительностью интервалов R-R, в %. Вариационный размах (^X) Разность между максимальным и минимальным значениями кардиоинтервалов.
Продолжение таблицы 1.1
1.3.2 Критерии выделения «группы риска»
Критерием выделения в «группу риска» является:
• выход значений индексов регуляции (IN, SDR, SIT) или одного из них за пределыадаптивной реакции три и более раза в месяц;
• выход параметров частоты пульса и артериального давления за пределыустановленных индивидуальных значений, приведший к отстранению от рейса два иболее раза в месяц;
• признаки повышенной лабильности показателей гемодинамики три и болеераза за 7 дней, в результате чего перед заступлением в рейс медицинскимработником кабинета ПРМО проводились повторные измерения на автоматизированномкомплексе;
• резкое снижение группы годности к поездной работе при периодическомпсихологическом обследовании;
• направление цехового терапевта;
• нарушение безопасности движения поездов, на основании Приказов подисциплинарным нарушениям и направлению руководством локомотивного депо.
1.3.3 Расширенное психофизиологическое обследование по данным АСПО
1.3.3.1 Психологическая диагностика
Психологическая диагностика: исследование интеллекта (тест Амтхауэра), исследование личностных особенностей (MMPI),проверка операторской работоспособности (распределение внимания, скоростьреакции, оперативность мыслительных процессов, скорость реакции выбора)
• Беседа (выясняются возможные причины отклонений по ПРМО, проговариваетсяграфик труда и отдыха, профилактические мероприятия по поддержанию требуемого уровнясостояния здоровья и т.д.).
• Тест «САН» — методика оценки самочувствия, активности, настроения.
• Тест Спилбергера-Ханина — методика оценки личностной тревожности
и реактивной тревоги.
• ЧВ — методика оценки чувства времени.
• ПДР — методика оценки времени простой двигательной реакции.
• РДО — методика оценки реакции на движущийся объект.
• Метод цветовых выборов.
А также:
Определение нарушений функциймышления.
· Определение нарушений функций внимания.
· Определение нарушений функций памяти.
· Диагностика мотивационной сферы:
1. Определениеценностных ориентаций
2. Мотивацияизбегания неуспеха – мотивация достижения
3. Диагностиканаправленности личности
· Диагностика эмоционально-личностных качеств.
· Диагностика коммуникативных навыков и особенностеймежличностного взаимодействия:
1. Склонность кконфликтному и агрессивному поведению
2. Уровеньсубъективного контроля
3. Диагностика стилявзаимодействия
· Диагностика профессиональной направленности икомпетентности:
1. Профориентационныеметодики
2. Система«человек-человек»
3. Система«человек-техника»
4. Система«человек-знаковая система»
5. Система«человек-природа»
6. Творческийпотенциал
1.3.3.2. Функциональная диагностика
· Электроэнцефалография
· Стабилография
· Электрокардиография
· Функциональные пробы
1.4 Проблемы предоставления нормы вАСПО
Основной целью автоматизированной системы предрейсовых осмотров являетсястатистическое наблюдение распределение значений гемодинамики по частоте их измеренияс предположением, что данное распределение, не зависимо от числа измерений, –нормально. Обсуждение проблемной части подобного подхода можно начинать,предварительно ознакомившись с целями и задачами АСПО.
АСПО на транспорте решает три задачи:
Первая — запретительная.По утвержденным критериям иих численным значениям осуществлять отстранение работников, не подготовленных крейсу.
Вторая — предупредительная. С помощью мониторинга контрольэтих же показателей и других критериев для осуществления активного вызова ивыполнения лечебных и реабилитационных мероприятий.
Третья — исследовательская. Определение эффективно работающих критериев и их численныхзначений для решения задачи обеспечения безопасности движения поездов и другихтранспортных средств.
Также к основным задачам можно отнести:
— внедрение современных автоматизированных медицинских технологийдля повышения качества и эффективности проведения предрейсовых медицинскихосмотров локомотивных бригад;
— своевременное выявление лиц с нарушениями функционального состояния,явлениями острых и обострением хронических заболеваний;
— мониторинг состояния здоровья и функционального статуса работниковлокомотивных бригад на основе автоматизированной обработки и анализа результатовпредрейсовых медицинских осмотров, в том числе с учетом данных углубленныхосмотров;
— организационно-методическое обеспечение взаимодействия фельдшеровПРМО, цеховых терапевтов, психологов (психофизиологов) локомотивных депо идругих специалистов по вопросам медицинского и психофизиологическогообеспечения локомотивных бригад;
— разработка индивидуальных критериев и пороговых значений физиологическихпоказателей, оценка состояния здоровья различных возрастных групп работниковлокомотивных бригад, а также лиц, выполняющих иные виды движения;
— выделение групп повышенного риска по развитию психосоматическихзаболеваний, в том числе с симптомами недосыпания, переутомления, стрессовых,депрессивных и других нарушений функционального состояния:
— объективизация данных предрейсовых осмотров, автоматическая обработкаи их систематизация, контроль качества и эффективности проводимых профилактическихмероприятий;
-информационное сопряжение АСПО с ЛСУТ с разграничением правдоступа;
— интеграция результатовНИОКР: — «Автоматизированные методы оценки, в том числе дистантные ипрогнозирование состояния здоровья и работоспособности работников локомотивныхбригад на основе численных критериев функционального состояния в процессепредрейсового контроля» и «Обеспечение информационной безопасности вавтоматизированных системах предрейсового осмотра и медико-психологическогообеспечения работников локомотивных бригад» в программно-техническоеобеспечение АСПО.
Не смотря на существенный переченьзадач АСПО цеховыми терапевтами отмечается следующая закономерность: при маломчисле измерений интервал нормы более объективен к рискованным отклонениямсостояния здоровья членов исследуемой популяции. При большем числе измеренийобъективность скрывается интервалом нормы и отдельные краевые случаи состоянияриска не каким образом не отражаются системой. Это сокрытие происходит за счетсвойств нормального закона, который следуя закону больших чисел по вероятностис увеличением измерений будет приближать вычисляемую норму к «идеальной»,скрывая факторы риска и прогрессирующие патологии. Для исправления подобныхиздержек информационной обработки сигналов АСПО поставлена цель и определенызадачи настоящего проекта.
2. АДАПТИВНАЯНАСТРОЙКА СТАТИСТИЧЕСКОГО РАЗДЕЛЕНИЯ ПРИЗНАКОВ В СИСТЕМЕ НЕЙРО-НЕЧЕТКОГО ВЫВОДА
2.1 Основы принципанечеткого вывода и идентификации
2.1.1 Нечеткая логика,лингвистическая оценка медицинских параметров
Нечеткая логика это обобщениетрадиционной аристотелевой логики на случай, когда истинность рассматриваетсякак лингвистическая переменная, принимающая значения типа: «оченьистинно», «более-менее истинно», «не очень ложно» ит.п. Указанные лингвистические значения представляются нечеткими множествами. Лингвистическойпеременной называется переменная, принимающая значения из множества слов илисловосочетаний некоторого естественного или искусственного языка.
2.1.2 Направленияисследований нечеткой логики по отношению к медицинским диагностическимзаключениям
В настоящеевремя существует по крайней мере два основных направления научных исследованийв области нечеткой логики:
· Нечеткая логика в широком смысле(Теория приближенных вычислений)
· Нечеткая логика в узком смысле(Символическая нечеткая логика)
2.1.2.1 Символическаянечеткая логика и терминология предметной области
Символическаянечеткая логика основывается на понятии t-нормы. После выбора некоторой t-нормы(а её можно ввести несколькими разными способами) появляется возможностьопределить основные операции над пропозициональными переменными: конъюнкцию,дизъюнкцию, импликацию, отрицание и другие. Нетрудно доказать теорему о том,что дистрибутивность, присутствующая в классической логике, выполняется тольков случае, когда в качестве t-нормы выбирается t-норма Гёделя. Кроме того, всилу определенных причин, в качестве импликации чаще всего выбирают операцию,называемую residium (она, вообще говоря, также зависит от выбора t-нормы).Определение основных операций, перечисленных выше, приводит к формальномуопределению базисной нечеткой логики, которая имеет много общего с классическойбулевозначной логикой (точнее, с исчислением высказываний). Существуют триосновных базисных нечетких логики: логика Лукасевича, логика Гёделя ивероятностная логика (Product logic). Интересно, что объединение любых двух изтрех перечисленных выше логик приводит к классической булевозначной логике.
2.1.2.2 Теорияприближенных вычислений и стохастические измерения
Основноепонятие нечеткой логики в широком смысле — нечеткое множество, определяемое припомощи обобщенного понятия характеристической функции. Затем вводятся понятияобъединения, пересечения и дополнения множеств (через характеристическуюфункцию; задать можно различными способами), понятие нечеткого отношения, атакже одно из важнейших понятий — понятие лингвистической переменной. Вообщеговоря, даже такой минимальный набор определений позволяет использоватьнечеткую логику в некоторых приложениях, для большинства же необходимо задатьещё и правило вывода (и оператор импликации).
2.1.3Идентификацияс помощьюиерархической системы нечеткого логического вывода
Длямоделирования многомерных зависимостей «входы — выход» целесообразноиспользовать иерархические системы нечеткого логического вывода. В этихсистемах выходная переменная одной базы знаний является входной для другой базызнаний. На рис. 2.1 приведен пример иерархической нечеткой базы знаний,моделирующей зависимостьвы />с использованиемтрех баз знаний. Эти базы знаний описывают такие зависимости: />, />и />.
/>
Рисунок 2.1 — Пример иерархической нечеткой базы знаний
Применениеиерархических нечетких баз знаний позволяет преодолеть «проклятиеразмерности». При большом количестве входов эксперту трудно описатьпричинно-следственные связи в виде нечетких правил. Это обусловлено тем, что воперативной памяти человека может одновременно хранится не более 7±2понятий-признаков. Следовательно, количество входных переменных в одной базезнаний не должно превышать это магическое число. Более поздние исследованияпоказали, что хорошие базы знаний получаются, когда количество входов непревышает пяти шести. Поэтому, при большем количестве входных переменныхнеобходимо их иерархически классифицировать с учетом приведенных вышерекомендаций. Обычно, выполнение такой классификации не составляет трудностейдля эксперта, так как при принятии решений человек иерархически учитываетвлияющие факторы.
Преимуществоиерархических баз знаний заключается еще и в том, что они позволяют небольшимколичество нечетких правил адекватного описать многомерные зависимости«входы — выход». Пусть, для лингвистической оценки переменныхиспользуется по пять термов. Тогда, максимальное количество правил для заданиязависимости />с помощью одной базы знанийбудет равным /> (конечно, для адекватногоописания зависимости «входы — выход» необходимо значительно меньшенечетких правил). Для иерархической базы знаний (рис. 2.1), описывающую ту же зависимость,максимальное количество нечетких правил будет равным />. Причем, это«короие» правила с двумя — тремя входными переменными.
Особенностьюнечеткого логического вывода по иерархической базе знаний является отсутствиепроцедур дефаззификации и фаззификаци для промежуточных переменных (y1и y2 на рис. 2.1). Результат логического вывода в виде нечеткогомножества напрямую передается в машину нечеткого логического вывода следующегоуровня иерархии. Поэтому, для описания промежуточных переменных в иерархическихнечетких базах знаний достаточно задать только терм-множества, без определенияфункций принадлежностей.
2.2. Задачаразработки программных средств оценки критической зависимости гемодинамическихпоказателей
2.2.1 Характеристикипрограммной модели при обработке регрессионных измерений предрейсовых осмотров
Назначение программы: инструментальный элемент анализанормы гемодинамических показателей участников предрейсового осмотра: пульс,систолическое и диастолическое давление, психофизические показатели. Компонентымоделирования – текущее состояние и прогноз нормы как распределения приопределенной частоте измерений, которые представляет динамическая модель срешением параметров модифицированным МНК в условиях ограниченной стохастичностивходных сигналов. Выход программы – текущее и прогнозированное состояние нормы,в которой исключено влияние аддитивных помех типа белый шум, что позволяетпредставлять распределение значений по норме более объективными, учитываятенденции риска по норме и возможности прогноза патологии по динамике нормы.
Программа моделирует совокупность компонентов исследованиякак некоторую часть объекта, который называется «Динамическая норма гемодинамики».Объект моделирования – есть программная модель как источник анализируемойинформации.
Цель применения программы: анализ текущей и прогнозируемойнормы гемодинамики работников локомотивных бригад при медицинском обеспечениибезопасности на железнодорожном транспорте.
Задачи: программа предназначена дляинтеграции в комплекс АСПО без привлечения дополнительных средств ее адаптациии обучения персонала. Программа выполняет задачу адаптации к системе данныхАСПО и повышает качество измеряемого и анализируемого сигнала. Определяеттекущее и прогнозируемое во времени состояние компонентов исследования длядиагностического заключения о состоянии объекта с использованием графическихвариантов выхода модели.
Функционирование программного обеспечения происходит на персональныхкомпьютерах типа IBM PC не ниже класса Pentium приподдержке операционных систем (ОС) Windows 98, 2000, NT, XP, Vista.Учитывая целесообразность совмещения базы данных ведения картотеки пациентов ипроводимых исследований на основе расчетов пространственно-временной модели, впрограммном обеспечении реализована концепция некоторой системы управленияэтими данными и численными методами расчетов. Проектирование системы начинаетсяс обработки отношений в базе данных типа «Картотека медицинских исследований».Далее система адаптируется к СУБД, управления данными, использует определеннуюв АСПО технологию хранения и считывания данных приборов измерения параметровгемодинамики.
В качестве инструмента выполненияпроекта управляющей системы выбраны: интерактивное ANFIS,объектно-ориентированный язык Object Pascal состандартной библиотекой визуальных компонент проектирования. Концепцияобъектно-ориентированного программирования, реализованная в интерактивном ANFIS,позволяет рассмотреть средства статистической обработки данных параметровгемодинамики, как систему родословных отношений объектов, прогрессирующую помере совершенствования существующих и новых перспективных моделей сбора,анализа исходной информации. Доступ к данным картотеки пациентов и измерениямпроисходит по типу «Клиент-сервер», осуществляется через компонентный интерфейсDelphi с системой доступа к базам данных(БД) фирмы Borland (Borland Database Engine, или BDE).Это первая функциональная часть управляющей системы. Вторая — реализациячисленных методов, описанных входными языками математических пакетов (Mathcad, Matlab и т.п.). Управление расчетами происходит на основе OLE (Object linking and embedding) технологии.
В качестве такого ресурсамоделирования использовались входной язык, модули программирования играфической визуализации математической системы Mathcad версии 11.0а.
Результат:разработана программа управления системой ресурсов информационного обеспечениярасчета параметров гемодинамики и имеющая расширение пространственно-временногоанализа основных компонентов медицинской нормы, используются элементыграфического вывода для целей интерпретации исходных данных и диагностическогозаключения.
Обмен административной оболочки пользователя с вычислительными ресурсамиматематических пакетов происходит по системной технологии OLE – вычислительныересурсы методов идентификации и прогноза есть исходные данные COM сервераMathcad для административной оболочки, выполненной по схеме многодокументногоинтерфейса.
2.2.2Управление иерархией нечеткого вывода интерактивным пакетом ANFIS
ANFIS — этоаббревиатура Adaptive-Network-Based Fuzzy Inference System — адаптивная сетьнечеткого вывода. Она была предложена Янгом (Jang) в начале девяностых. ANFISявляется одним из первых вариантов гибридных нейро-нечетких сетей — нейроннойсети прямого распространения сигнала особого типа. Архитектура нейро-нечеткойсети изоморфна нечеткой базе знаний. В нейро-нечетких сетях используютсядифференцируемые реализации треугольных норм (умножение и вероятностное ИЛИ), атакже гладкие функции принадлежности. Это позволяет применять для настройкинейро-нечетких сетей быстрые алгоритмы обучения нейронных сетей, основанные наметоде обратного распространения ошибки. Ниже описываются архитектура и правилафункционирования каждого слоя ANFIS-сети.
ANFISреализует систему нечеткого вывода Сугено в виде пятислойной нейронной сетипрямого распространения сигнала. Назначение слоев следующее: первый слой — термы входных переменных; второй слой — антецеденты (посылки) нечетких правил; третийслой — нормализация степеней выполнения правил; четвертый слой — заключенияправил; пятый слой — агрегирование результата, полученного по различнымправилам.
Входы сети вотдельный слой не выделяются. На рис. 2.2. изображена ANFIS-сеть с двумявходными переменными (x1 и x2) и четырьмя нечеткимиправилами. Для лингвистической оценки входной переменной x1используется 3 терма, для переменной x2 — 2 терма.
/>
Рисунок 2.2 – Пример ANFIS-сети
Введемследующие обозначения, необходимые для дальнейшего изложения:
/> - входы сети;
/> - выход сети;
/> - нечеткое правило с порядковымномером />;
/> - количество правил ,/>;
/> - нечеткий терм с функциейпринадлежности />, применяемый длялингвистической оценки переменной /> в r-омправиле (/>,/>);
/> - действительные числа взаключении r-го правила (/>,/>).
ANFIS-сетьфункционирует следующим образом.
Слой 1. Каждый узел первого слояпредставляет один терм с колоколобразной функцией принадлежности. Входы сети /> соединены только со своимитермами. Количество узлов первого слоя равно сумме мощностей терм-множестввходных переменных. Выходом узла являются степень принадлежности значениявходной переменной соответствующему нечеткому терму:
/>, (2.1)
где a, b иc - настраиваемые параметры функции принадлежности.
Слой 2. Количество узлов второго слояравно m. Каждый узел этого слоя соответствует одному нечеткому правилу. Узелвторого слоя соединен с теми узлами первого слоя, которые формируют антецедентысоответствующего правила. Следовательно, каждый узел второго слоя можетпринимать от 1 до n входных сигналов. Выходом узла является степень выполненияправила, которая рассчитывается как произведение входных сигналов. Обозначимвыходы узлов этого слоя через />,/>.
Слой 3. Количество узлов третьего слоятакже равно m. Каждый узел этого слоя рассчитывает относительную степеньвыполнения нечеткого правила:
/>. (2.2)
Слой 4. Количество узлов четвертогослоя также равно m. Каждый узел соединен с одним узлом третьего слоя а также совсеми входами сети (на рис. 2.1. связи с входами не показаны). Узелчетвертого слоя рассчитывает вклад одного нечеткого правила в выход сети:
/>. (2.3)
Слой 5. Единственный узел этого слоясуммирует вклады всех правил:
/>. (2.4)
Типовыепроцедуры обучения нейронных сетей могут быть применены для настройкиANFIS-сети так как, в ней использует только дифференцируемые функции. Обычноприменяется комбинация градиентного спуска в виде алгоритма обратногораспространения ошибки и метода наименьших квадратов. Алгоритм обратногораспространения ошибки настраивает параметры антецедентов правил, т.е. функцийпринадлежности. Методом наименьших квадратов оцениваются коэффициентызаключений правил, так как они линейно связаны с выходом сети. Каждая итерацияпроцедуры настройки выполняется в два этапа. На первом этапе на входы подаетсяобучающая выборка, и по невязке между желаемым и действительным поведением сетиитерационным методом наименьших квадратов находятся оптимальные параметры узловчетвертого слоя. На втором этапе остаточная невязка передается с выхода сети навходы, и методом обратного распространения ошибки модифицируются параметрыузлов первого слоя. При этом найденные на первом этапе коэффициенты заключенийправил не изменяются. Итерационная процедура настройки продолжается поканевязка превышает заранее установленное значение. Для настройки функцийпринадлежностей кроме метода обратного распространения ошибки могут использоватьсяи другие алгоритмы оптимизации, например, метод Левенберга-Марквардта.
2.2.3 Алгоритм диагностики
Информация, полученная от врача ибольного, включает нечеткость, выраженную ЛЗИ. Для вычислений необходимопреобразовать эти значения в числовые значения истинности (ЧЗИ). Для ихколичественной оценки использованы функции принадлежности. В данной системетакие понятия, как «немного», «очень» для симптомов и «часто», «вероятно» и др.для взаимосвязи между болезнями и симптомами, представлены ЛЗИ (семь уровней).При этом необходимо установить, каким образом выбирать по функциипринадлежности каждого ЛЗИ значения принадлежности. Такие значения назовема-сечением, а значение, выбранное для />,обозначим />. Обычно /> имеет одно значение, но вцелях сохранения нечеткости в словах более естественно использовать интервалзначений, например для ЛЗИ «UN» (неизвестное) введем интервал [О, 1].Таким образом будем задавать интервал значений принадлежности для всех ЛЗИ,т.е.
/>. (2.5)
Связь между ЛЗИ, а-сечением изначениями принадлежности показана на рис. 2.3. В системе существует базаданных, в которой все функции принадлежности и а-сечение являются координатами,константами и другими параметрами.
Алгоритм выводов следует из формул (2.6)и (2.7).
/>, (2.6)
/> (2.7).
При этом предполагается, что />-нечеткие подмножествамножества V ЛЗИ, т. е. очень правдивые и выпуклые подмножества. Если применитьк формулам (2.6) и (2.7) нечеткие правила «модус поненс» и «модус толлекс», тополучатся следующие взаимосвязи между болезнями и симптомами:
для />
/> (2.8)
/>, (2.9)
где /> означаетотрицание в нечеткой логике, Lуказывает нижнюю границу (см. дополнение об операциях в нечеткой логике).Зададим наблюдаемые симптомы />,- изнания />,
/>
/>
Рисунок 2.3 Связь между ЛЗИ, а изначениями принадлежности
/>, и обнаружим все болезни {/>}. /> можно получить, найдяобщее решение формул (2.8) и (2.9). При этом достоверности знаний />,/>,/> можно определить черезинтервал их значений ([нижнее значение, верхнее значение]) следующим образом:
/> (2.10)
Кроме того, определим расстояниемежду симптомом и знаниями следующим образом:
/>, (2.11)
/>. (1.12)
Введем следующие множества интерваловзначений для знаний и расстояний: для любых i, j
/>, />,/>. (2.13)
Записи />,/>, /> обозначают, что для любыхi, j
/>, />,/>. (2.14)
Обратная задача для D.6) сводится кнахождению следующего вектора
/>, (2.15)
где а-вектор, элементами которогоявляются множества интервалов значений. Используя алгоритм для обратной задачи,основанный на нечетких неравенствах, получаем решение
/>, />,(2.16)
где
/> (2.17)
Где />,/>
(обозначения />, /> объяснены в дополнении).
Кроме того, решение для выражения (2.9)можно получить, найдя вектор
/>, (2.18)
Это решение имеет следующий вид:
/>, />.(2.19)
Следовательно, решение, удовлетворяющееформулам (2.15), (2.19), для любых /> имеетвид
/>, />,(2.20)
где /> определяетсяследующим образом:
/> . (2.21)
Если />,решения не существует. В этом случае можно рекомендовать следующие способырешения:
1) уменьшить значение параметра а(а-сечение), отражающего точность выводов, и делать повторные выводы, приближаяэтот параметр к нулю;
2) повторно расспросить больного осимптоме/>, исправить данные науточненные и вновь сделать выводы.
Первый способ позволяет легко получитьрезультаты с достаточно высокой степенью нечеткости в целом, но он не слишкомэффективен. Поэтому целесообразно применить второй способ.
2.2.4 Усовершенствованный методдиагностики
Выше мы рассмотрели случай, когдасуществует решение обратной задачи при некотором заданном значении а. Однако,например, если а = 0,6, решение существует, но при а > 0,8 уже несуществует, т. е. прийти к решению не всегда возможно. Обычно в подобныхслучаях недостаточно информации о симптомах, и лучше повторить диагностику послеполучения более полной информации. Следовательно, необходимо рассмотретькакие-либо методы выбора нужных симптомов. Например, в случае ошибочныхисходных данных можно использовать усовершенствованную диагностику, котораяпозволяет прийти к правильному диагнозу. Такая диагностика состоит в следующем.
Прежде всего рассмотрим следующийвектор />, элементами которогоявляются ЛЗИ элементов нечеткого множества болезней по отношению к симптомам:
/>. (2.22)
i-й базовый вектор А определимследующим образом:
/>, />,(2.23)
где а. л. означает «абсолютная ложь».
/>-вектор, в котором только i-й элемент есть />, а все остальные элементы- а.л. Другими словами, учитывается только возможность появления болезни i, а уровень ЛЗИ для всех остальныхболезней есть а.л. Кроме того, предложим следующие варианты ЛЗИ, относящиеся к />:
L = {ложь, неизвестно, истина,абсолютная истина}. Если применить к формулам (2.6), (2.7) правила нечеткий«модус поненс» и нечеткий «модус олленс» соответственно, то для i, j получим следующие формулы:
/>, (2.24)
/>. (2.25)
Приближение (среднее арифметическоеожидаемое значение) /> полученное спомощью ЧЗИ для симптома, предсказанного в случае />,есть вектор, элементы которого имеют следующий вид:
/>, />.(2.26)
Аналогично определим среднееарифметическое значение b дляреально наблюдаемых симптомов. Элементы /> зададим следующим образом:
/>, />.(2.27)
Направление новых наблюдений можноопределить с учетом геометрической формы /> и/>, т.е. чтобы определить группусимптомов, которые следует проверить, вычислим разность /> и />. Алгоритм вычислений заключается вследующем. Сначала рассмотрим обычное расстояние />:
/>. (2.28)
/> есть разность ожидаемых значенийистинности симптомов при />. Этоодин из способов определения расстояния, кроме него можно рассматривать другиерасстояния. Кратчайшее расстояние /> определим следующим образом:
/>, />, (2.29)
а именно
/>. (2.30)
Запомним />,удовлетворяющую следующему условию:
/>, />. (2.31)
/> представляет собой значение, прикотором /> является минимальным для /> при любой болезни i. При этом пусть /> -это />, задающее />. Затем вычислим />такое, что
/>. (2.32)
/> определяет /> для болезней, средикоторых есть номер болезни с самым маленьким />.Учитывая значения истинности симптомов, определим базовый вектор /> для болезни, разностьожидаемых и наблюдаемых значений для которой наименьшая:
/>. (2.33)
Этот вектор позволяет создатьотносительный критерий истинности значений для симптомов. Кроме того, получим />, т.е. />, который можно сравнить с /> для каждого элемента.
Итак, можно указать группу симптомов,соответствующую номеру с наибольшим значением />.
Если прогнозируется появлениеодновременно двух и более болезней, данный алгоритм предполагаетсяусовершенствовать, например путем изучения комбинации базовых векторов />.
2.2.5 Выводы и база знаний
В качестве методов нечетких выводов сиспользованием нечеткой информации известны продукционные правила, выводы спомощью нечетких отношений и другие методы. В данной системе из-за того, чтознания имеют иерархическую структуру (что позволяет делать окончательную оценкус использованием промежуточных гипотез об оценке результатов обследования,рекомендаций по образу жизни и других гипотез) и есть необходимость запуска механизмавыводов не в режиме диалога, а по факту ввода данных, использованы выводы спомощью продукционных правил с прямым построением цепочки рассуждений. По мерепрослеживания правил метод построения цепочки увеличивает нечеткость, поэтому всистеме результаты выдаются на втором или третьем уровне иерархии.
При вводе данных клиническиханализов, информации, полученной при расспросе пациента, и при выводе тяжестиболезни или других сведений используются непосредственные значения илилингвистические значения
ности. Механизм выводов являетсянезависимой подсистемой (рисунок 2.4). На входы поступают данные из базы фактови базы знаний, а на выход передаются результаты выводов, их достоверность иобъяснение процесса выводов.
/>
Рисунок — 2.4 Схема механизмавыводов.
Для выводов использован нечеткий«модус поненс», представляющий собой расширение правила «модус поненс» — дедуктивного вывода в классической логике. Это правило можно представитьследующим образом:
Если /> и />, тогда />, (2.34)
где /> -нечеткиемножества в полных пространствах />,соответственно их элементы обозначим через />.Знак /> обозначает импликацию.
Если можно получить информацию /> о пространстве U длянечеткого отношения /> между некоторымиобъектами /> и />, о которых имеется знание,то как результат можно вывести информацию о V из /> и/>.
Нечетким множествам в полномпространстве V можно поставить в соответствие функции принадлежности />, где /> обозначает меру принадлежности/> элемента />. Нечеткое множество аможно также представить в виде
/>, (2.35)
где /> -объединение /> на всем пространстве U, азнак «/» — разделитель.
При нечетких выводах необходимозадать метод преобразования нечеткого условного оператора /> в нечеткое отношение />. Кроме того, заключениеможно получить путем свертки фактических данных и нечеткого отношения. Существуетнесколько традиционных методов преобразования и свертки. В данной системевыводы делаются с помощью следующего метода, обеспечивающего минимальныйразброс решений:
/>, (2.36)
где /> -заключение,/> фактические данные.
Блок выводов работает следующимобразом. Пусть в предпосылке правил записано несколько тезисов:
Если />,тогда />. (2.37)
Тогда, если в базе фактических данныхзаданы /> и />, заключение /> получается по следующейформуле:
/>, (2.38)
где/>-операциямаксимум-минимум, /> обозначает />.
Последовательность вывода показана нарис. 2.5.
База знаний для выводов составляетсяиз функций принадлежности (в случае оценки входных и выходных значений),правил, диапазона входных и выходных значений и указаний к окончательнымвыходным данным. Функции принадлежности состоят из названия функции (уровнянечеткости) и значений принадлежности, в системе использованы следующиенечеткие уровни (ниже приведен процесс составления базы знаний):
1. Для каждого пункта клиническиханализов, исключая качественные данные, в предпосылках используется пятьуровней:
TRS (очень маленький) TPS (довольномалый)
ММ (обычный) ТРВ (довольно большой)
TRB (очень большой)
2. Для пунктов клинических анализов скачественными данными в предпосылках используются
ММ (-) TPS (+ — и ниже) РВ (+ -)
RB (+) ТРВ ( + и выше) ТРВ (+ + ивыше)
VB ( + + +)
3. При расспросе о симптомах впредпосылках используются LT1 (не проявляется, проявляется временами,проявляется)
4. Для промежуточных гипотез итяжести болезни в заключениях используются
CLA (классический) DEF (определенный)
PRO (вероятный) POS (возможный)
SUS (подозреваемый)
5. Для выбора диагноза на экране,выбора способа осмотра и промежуточных гипотез в предпосылках и заключенияхиспользуются
YES (да) NO (нет).
Пример функции принадлежности дляуровней (1) приведен на рис. 2.6 а), для уровней (4)-на рис. 2.6 б). В правилахможно описать до десяти нечетких тезисов предпосылки и до двух нечетких тезисовзаключения. Правила имеют следующую структуру:
/>
Рисунок 2.5 Процесс выводов.
Если пункт введенных данных = уровеньнечеткости,
тогда пункт выходных данных = уровеньнечеткости.
/>а) />б)
Рисунок 2.6 функции принадлежностидля уровней (1) на рис. а) и для уровней (4) на рис. б).
Кроме того, для уровней нечеткости,представленных функциями принадлежности, в тезисах можно использовать отрицаниеи логическую сумму.
Правила записаны в трех файлах:первичной оценки, вторичной оценки и указаний по охране здоровья. Файлыпереключаются по соответствующей команде.
Приведем ниже примеры правилпервичной оценки функционирования печени.
1. Если GOT = ТРВ, тофункционирование печени = DEF.
2. Если GPT = ТРВ, тофункционирование печени = DEF.
3. Если GGT = ТРВ, тофункционирование печени = DEF.
4. Если (GOT =
5. Если расспрос (легкая усталость) =LT1, то функционирование печени = PRO.
6. Если GOT = ММ & GPT = ММ &(GOT =
2.2.6 Проектирование систем типа Сугено
Рассмотрим основные этапыпроектирования систем типа Сугенона примере создания системы нечеткого логического вывода, моделирующей зависимость/>, />, />. Моделирование этой зависимости будем осуществлять спомощью следующей базы знаний:
1. Если x1=Средний, то y=0;
2. Если x1=Высокий и x2=Высокий, то y=2x1+2x2+1;
3. Если x1=Высокий и x2=Низкий, то y=4x1-x2;
4. Если x1=Низкий и x2=Средний, то y=8x1+2x2+8;
5. Если x1=Низкий и x2=Низкий, то y=50;
6. Если x1=Низкий и x2=Высокий, то y=50.
/>
Рисунок 2.7 Эталонная поверхность
Проектирование системы нечеткого логического вывода типа Сугэносостоит в выполнении следующей последовательности шагов.
Шаг 1. Для загрузки основного fis-редактора напечатаем слова fuzzyв командной строке. После этого откроется нового графическое окно, показанноена рис. 2.8.
/>
Рисунок 2.8 Окно редактора FIS-Editor
Шаг 2. Выберем тип системы. Для этого в меню File выбираем вподменю New fis… команду Sugeno.
Шаг 3. Добавим вторую входную переменную. Для этого в меню Editвыбираем команду Add input.
Шаг 4. Переименуем первую входную переменную. Для этого сделаемодин щелчок левой кнопкой мыши на блоке input1, введем новое обозначение x1 вполе редактирования имени текущей переменной и нажмем .
Шаг 5. Переименуем вторую входную переменную. Для этого сделаемодин щелчок левой кнопкой мыши на блоке input2, введем новое обозначение x2 вполе редактирования имени текущей переменной и нажмем .
Шаг 6. Переименуем выходную переменную. Для этого сделаем один щелчоклевой кнопкой мыши на блоке output1, введем новое обозначение y в полередактирования имени текущей переменной и нажмем .
Шаг 7. Зададим имя системы. Для этого в меню File выбираем вподменю Export команду To disk и введем имя файла, например, FirstSugeno.
Шаг 8. Перейдем в редактор функций принадлежности. Для этогосделаем двойной щелчок левой кнопкой мыши на блоке x1.
Шаг 9. Зададим диапазон изменения переменной x1. Для этогонапечатаем -7 3 в поле Range (см. рис. 2.9) и нажмем .
/>
Рисунок 2.9 Функции принадлежности переменной x1
Шаг 10. Зададим функции принадлежности переменной x1. Длялингвистической оценки этой переменной будем использовать, 3 терма стреугольными функциями принадлежности, которые установлены по умолчанию.Зададим наименования термов переменной x1. Для этого делаем один щелчок левойкнопкой мыши по графику первой функции принадлежности (см. рис. 2.9). Затемнапечатаем наименование терма Низкий в поле Name. Затем делаем один щелчоклевой кнопкой мыши по графику второй функции принадлежности и вводимнаименование терма Средний в поле Name. Еще раз делаем один щелчок левойкнопкой мыши по графику третьей функции принадлежности и вводим наименованиетерма Высокий в поле Name и нажмем . В результате получимграфическое окно, изображенное на рис. 2.9.
Шаг 11. Зададим функции принадлежности переменной x2. Длялингвистической оценки этой переменной будем использовать 3 терма стреугольными функциями принадлежности, которые установлены по умолчанию. Дляэтого активизируем переменную x2 с помощью щелчка левой кнопки мыши на блокеx2. Зададим диапазон изменения переменной x2. Для этого напечатаем -4.4 1.7 вполе Range (см. рис. 2.10.) и нажмем . По аналогии с предыдущим шагомзададим следующие наименования термов переменной x2: Низкий, Средний, Высокий.В результате получим графическое окно, изображенное на рис. 2.10.
/>
Рисунок 2.10 Функции принадлежности переменной x2
Шаг 12. Зададим линейные зависимости между входами и выходом, приведенныев базе знаний. Для этого активизируем переменную y с помощью щелчка левойкнопки мыши на блоке y. В правом верхнем угле появилось обозначение трехфункций принадлежности, каждая из которых соответствует одной линейнойзависимости между входами и выходам. В базе знаний, приведенной в началеподраздела 2.2.6. указаны 5 различных зависимостей: y=50; y=4x1-x2;y=2x1+2x2+1; y=8x1+2x2+8; y=0. Поэтому добавим еще две зависимости путем выборакоманды Add Mfs… меню Edit. В появившимся диалоговом окне в поле Number of MFsвыбираем 2 и нажимаем кнопку OK.
Шаг 13. Зададим наименования и параметры линейных зависимостей.Для этого делаем один щелчок левой кнопкой мыши по наименованию первойзависимости mf1. Затем печатаем наименование зависимости, например 50, в полеName, и устанавливаем тип зависимости – константа путем выбора опции Сonstant вменю Type. После этого вводим значение параметра – 50 в поле Params.
Аналогично для второй зависимости mf2 введем наименование зависимости,например 8+8x1+2x2. Затем укажем линейный тип зависимости путем выбора опцииLinear в меню Type и введем параметры зависимости 8 2 8 в поле Params. Длялинейной зависимости порядок параметров следующий: первый параметр –коэффициент при первой переменной, второй – при второй и т.д., и последнийпараметр – свободный член зависимости.
Аналогично для третьей зависимости mf3 введем наименование зависимости,например 1+2x1+2x2, укажем линейный тип зависимости и введем параметрызависимости 2 2 1.
Для четвертой зависимости mf4 введем наименование зависимости,например 4x1-x2, укажем линейный тип зависимости и введем параметры зависимости4 -1 0.
Для пятой зависимости mf5 введем наименование зависимости,например 0, укажем тип зависимости — константа и введем параметр зависимости 0.
В результате получим графическое окно, изображенное на рис. 2.11.
/>
Рисунок 2.11 Окно линейных зависимостей “входы-выход”
Шаг 14. Перейдем в редактор базы знаний RuleEditor. Для этоговыберем в меню Edit команду Edit rules… и введем правила базы знаний. Дляввода правила необходимо выбрать соответствующую комбинацию термов и зависимостейи нажать кнопку Add rule. На рис. 2.12. изображено окно редактора базы знанийпосле ввода всех шести правил.
На рис. 2.13. приведено окно визуализации нечеткого логическоговывода. Это окно активизируется командой View rules… меню View. В поле Inputуказываются значения входных переменных, для которых выполняется логическийвывод. Как видно из этого рисунка значение выходной переменной рассчитываетсякак среднее взвешенное значение результатов вывода по каждому правилу.
/>
Рисунок 2.12 Нечеткая база знаний для системы типа Сугено
/>
Рисунок 2.13 Визуализация нечеткого логического вывода для системытипа Сугено
На рис. 2.14. приведена поверхность “входы-выход”, соответствующаясинтезированной нечеткой системе. Для вывода этого окна необходимо использоватькоманду View surface… меню View. Сравнивая поверхности на рис. 2.7. и на рис.2.14. можно сделать вывод, что нечеткие правила достаточно хорошо описываютсложную нелинейную зависимость. При этом, модель типа Сугено более точная.Преимущество моделей типа Мамдани состоит в том, что правила базы знанийявляются прозрачными и интуитивно понятными, тогда как для моделей типа Сугеноне всегда ясно какие линейные зависимости “входы-выход” необходимоиспользовать.
/>
Рисунок 2.14 Поверхность “входы-выход” для системы типа Сугено
2.2.7 Результаты проектированиянечеткого алгоритма предрейсовых медицинских осмотров на основе адаптивной сетинейро-нечеткого вывода
Для реализации в экспертной системе был выбран нечеткийлогический вывод по Сугено: выходное нечеткое множество в этой схемелогического вывода является нечетким множеством первого порядка, то естьдискретным множеством, заданным на множестве четких чисел. Это позволяетизбежать накопления нечеткости при его использовании в иерархических системах.
В отличие от результата вывода Мамдани, нечеткое множествоявляется обычным нечетким множеством первого порядка. Оно задано на множествечетких чисел. Результирующее значение выхода /> определяется как суперпозиция линейных зависимостей, выполняемыхв данной точке /> n-мерного факторного пространства. Для этого дефаззифицируютнечеткое множество, находя взвешенное среднее или взвешенную сумму.
/>
Рисунок 2.15Функции слоев при аппроксимации нормы.
В гибридной схеме (рис. 2.15)иерархия нейронной сети адаптивно настраивает функции принадлежности в условияхи заключениях правил. Совмещение экспертных знаний и оценок регрессионнойсреды, как коэффициентов вывода по Сугено, позволяет получать оптимальныеаппроксиматоры функций. Для целевого отделения признаков в работе былмодифицирован выход сети. Добавление активационной логистической функциипозволяет отследить изменение центра распределения в сторону риска.
/>
Рисунок 2.16Схема классификатора.
Отклонения от центрараспределения – это есть значение минимизируемого функционала, обеспечивающегооптимальность решения относительно параметров правил. Регрессионный характермедицинских измерений учитывается при грубой настройке коэффициентов Сугенометодом МНК. Точная подстройка функций правил осуществляется градиентнымметодом, где значением градиента является изменение функционала нормы, ааргументами частных производных – параметры гемодинамики (см. рис. 2.16).
/>
Рисунок 2.17- Схема статистического разделения нейротехнологии
Сигмоидальный выходхарактеризует с дробной вероятностью разделение входных признаков (рисунок 2.17).Грубая предварительная настройка по МНК приводит к общей области гистограммразделения признаков. Точная настройка правил по обучающей выборке оптимальнопо вероятности обеспечивает минимальное пересечение классов.
/>
Рисунок 2.18Гистограммы указателя цели.
Алгоритм был применен кдвум входным признакам гемодинамического артериального давления с одним выходомлогического заключения, «есть риск, т.е. цель или нет». Грубой настройкой былаполучена вероятностная граница цели и не цели (рис. 2.18 (А, Б)). Точнаянастойка обучением обеспечила почти наверное разделение, смещая вероятностнуюграницу вправо, в сторону риска(рис. 2.18 (В, Д)). Этим обеспечивается минимальнаявозможность ошибки.
Заключение
Произведенная теоретическая ипрактическая часть (в виде компьютерного программирования) работы достигаетцели, поставленной при дипломном проектировании.
Разработанная система расспроса и предварительной диагностикипозволяет получить достоверные результаты диагностирования и приемлемуюскорость обработки при вводе симптомов, соответствующих базе знаний. Она даетпревосходные методы обработки нечеткостей, которые свойственны всем медицинскимданным, с помощью функций выводов. Наблюдения числовых характеристик полученной модели позволяютсоставить достоверный прогноз индивидуальных показателей нормы здоровьяводителей транспортного средства. А это, в свою очередь, приводит к достижениюцели обеспечения безаварийности перевозочного процесса и продления стажаопытных работников за счет планирования профилактических мероприятий по даннымпрогноза.
Все это подтверждаетдостижение цели, определенной поставленными перед выпускной работой актуальнымипроблемами современных систем управления в условиях лингвистической неопределенности.
ЛИТЕРАТУРА
1. Тэрано Т., Асаи К., Сугено М Прикладные нечеткиесистемы перевод с японского канд. техн. наук Ю. Н. Чернышова — Москва «Мир»1993 – 363 с.
2. Норвиг А.М., Турсон И.Б.Построение функций принадлежности // Нечеткие множества и теория возможностей.Последние достижения: пер. с англ./ под ред. Р.Р. Ягера. – М.: Радио и связь,1986. – 408 с.
3. Рыжов А.П. Элементы теориинечетких множеств и измерения нечеткости.– М.: Диалог –МГУ, 1998.
4. Штовба С.Д. Введение в теориюнечетких множеств и нечеткую логику.-http://www.matlab.ru/fuzzylogic/book1/index.asp
5. Ярушкина Н.Г. Основы теориинечетких и гибридных систем. – М.: Финансы и статистика, 2004.
6. Круглов В. В., Борисов В.В.Искусственные нейронные сети. Теория и практика. — М.: Радио и связь, 2000.
7. Катковник В. Я. Непараметрическаяидентификация и сглаживание данных: метод локальной аппроксимации. — М.: Наука,1985.
8. Заде Л. А., Понятие лингвистической переменной и егоприменение к принятию приближенных решений, Мир, М., 1976
9. АлексеевА.Н., Волков Н.И., Кочевский А.Н. Элементы нечёткой логики при программномконтроле знаний // Открытое образование. 2004.Гроп Д. Методыидентификации. – М.: Наука, 1979.
10. Сейдж Э., Мелса Д. Индентификациясистем управления. – М: Наука, 1974. – 247с.
11. БорисовВ.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. – М.: Горячая линия –Телеком, 2007.