Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотро

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров

COДЕРЖАНИЕ СПИСОК СОКРАЩЕНИЙ ВВЕДЕНИЕ

1. ПРОБЛЕМЫ ОПРЕДЕЛЕНИЯ НОРМЫ В МЕДИЦИНЕ. МЕТОДЫ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ НОРМЫ

1.1 АСПО как предметная область модели прогноза медицинской нормы в системе безопасности на железнодорожном транспорте

1.2 Стандартные функции АСПО

1.3 Медицинские и психофизиологические аспекты выделения группы повышенного риска

1.3.1 Оценка параметров профессиональной пригодности

1.3.2 Критерии выделения «группы риска»

1.3.3 Расширенное психофизиологическое обследование по данным АСПО

1.3.3.1 Психологическая диагностика

1.3.3.2 Функциональная диагностика

1.4 Проблемы предоставления нормы в АСПО

2. АДАПТИВНАЯ НАСТРОЙКА СТАТИСТИЧЕСКОГО РАЗДЕЛЕНИЯ ПРИЗНАКОВ В СИСТЕМЕ НЕЙРО-НЕЧЕТКОГО ВЫВОДА

2.1 Основы принципа нечеткого вывода и идентификации

2.1.1 Нечеткая логика, лингвистическая оценка медицинских параметров

2.1.2 Направления исследований нечеткой логики по отношению к медицинским диагностическим заключениям

2.1.2.1 Символическая нечеткая логика и терминология предметной области.

2.1.2.2 Теория приближенных вычислений и стохастические измерения.

2.1.3 Идентификация с помощью иерархической системы нечеткого логического вывода

2.2 Задача разработки программных средств оценки критической зависимости гемодинамических показателей

2.2.1 Характеристики программной модели при обработке регрессионных измерений предрейсовых осмотров

2.2.2 Управление иерархией нечеткого вывода интерактивным пакетом ANFIS

2.2.3 Алгоритм диагностики

2.2.4 Усовершенствованный метод диагностики

2.2.5 Выводы и база знаний

2.2.6 Проектирование систем типа Сугено

2.2.7 Результаты проектирования нечеткого алгоритма предрейсовых медицинских осмотров на основе адаптивной сети нейро-нечеткого вывода Заключение БИБЛИОГРАФИЧЕСКИЙ СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

Список сокращений

медицинский осмотр нейро нечеткий сеть

ANFIS — Adaptive NeuroFuzzy Inference System (адаптивная нейро-нечеткая система вывода);

АСУ — автоматизированная система управления;

АСПО — автоматизированная система предрейсовых осмотров;

БД — база данных;

БП — база правил;

ИТинформационные 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 вычислительная машина;

Система предрейсовых осмотров актуальна в плане обеспечения безопасности транспортных перевозок, кроме того применяемый на данный момент принцип измерения и выбора медицинских наблюдаемых параметров позволяет усовершенствовать систему диагностики результата различными методами, начиная регрессионными и заканчивая современными интеллектуальными технологиями. Но в этом процессе должно совмещаться как экспертное знание так и числовая точность критериальной оценки состояния наблюдаемого субъекта. Соответственно здесь популярны гибридные схемы в подобных оценках. Экспертные базы требуют ввода лингвистической неопределенности в алгоритмы решения, а регрессионный характер измерений требует предварительной оценки их параметров и получение статистической модели с исключением аддитивных помех в наблюдаемом выходе.

Гибридные нейро-нечеткие системы (далее просто гибридные ANFIS системы) нашли самую большую область применения среди всех возможных методов синтеза нечетких множеств и нейронных сетей. Связано это с тем, что именно они позволяют наиболее полно использовать сильные стороны нечетких систем и НС. Характерной чертой гибридных систем является то, что они всегда могут быть рассмотрены как системы нечетких правил, при этом настройка функций принадлежностей в предпосылках и подзаключениях правил на основе обучающего множества производится с помощью НС. Существуют архитектуры гибридных систем, прогрессирующие от иерархической системы нечеткого выхода и от метода получения подзаключений по Сугено, учитывающие регрессионных характер исходных измерений. Эта схема вывода способна совместить предварительную настройку к стохастической среде получаемых данных методом регрессионного анализа и точную настройку к аппроксимируемому объекту по свойствам экспертного мнения. Кроме того, нужно учесть в пользу данного метода, что регрессионная часть выполняется матричным способом решения линейных уравнений и это составляет незначительную линейную трудность для алгоритма.

Проблема медицинской нормы, с точки зрения пространственного разделения признаков, состоит в том, что принимаемое во внимание среднеквадратичное отклонение нормального распределения по традиционной методике относится к одному медицинскому параметру, а центр распределения линейно связан с его средним значением. Если признаков несколько, то линейное геометрическое разделение по осям признаков составляет простейшую область для идеально нормального субъекта, что в реальности практически не достижимо и, кроме того, несовместимо с экспертным мнением, которое способно определять некоторые допуски к тем или иным параметрам. Та же проблема многоканального разделения признаков и в существующем АСПО, так как измерения многомерны — для оценки готовности к рейсу учитываются 7−14 параметров. В свою очередь возникает и экспертная сложность интеллектуального обобщения многомерных показателей в норму. Поэтому для решения этой актуальной проблемы принадлежности объекта к целевым классам нормы или ненормы самым оптимальным будет нелинейное разделение данных классов в пространстве признаков, которое идеально моделирует формула НС.

Нейро-нечеткие системы совмещают экспертные знания и оценки регрессионной среды как оптимальные аппроксиматоры целевых функций, но для разделения по признакам еще нужно обсудить некоторые особенности ННС. То есть, следует определить специфику ННС в решении проблем диагностики нормы исследуемых субъектов совместно с регрессионным анализом медицинских параметров. Итак, надо учесть, что ННС-аппроксиматоры образуют полносвязанную структуру без обратных связей. На выходе последнего слоя нет активационной функции, а формула квадратичной разности выхода и обучающего сигнала является функционалом, который зависит от параметров функций принадлежности экспертной базы и параметров выходного слоя вывода по Сугено. Величина изменения при настройке каждого параметра вычисляется как частная производная градиента функционала на выходе ННС, выполняя критерий его минимизации. Но исследуемая проблема требует ответа классификатора на пространстве признаков — принадлежит исследуемый субъект к целевой группе риска или нет. При этом подходе определяется пространство признаков размерности по числу параметров, предоставляемых с системе предрейсовых осмотров для диагностического заключения. Подобные измерения уже имеются в наличии у баз данных систем предрейсовых осмотров, в этом плане также отработана технология измерений. Но в этой системе экспертные представления фактически доминируют с существующими методами автоматизированной оценки норма/ненорма, так как исследуемые объекты в сущности являются сложными физиологическими системами с трудно формализуемыми математическими признаками целевого состояния в выполнении профессиональных действий. В этом случае ННС оптимально подходит для анализа признаков с учетом экспертных мнений, но традиционный выход системы требует соответствующей модификации, где необходимо обеспечить: аппроксимируемую непрерывную функцию выхода; активационную непрерывную функцию по формуле логистического распределения. Первая функция должна отображать стандартное нормальное распределение случайной величины, соответственно для нее будет подготовлены обучающие выборки гемодинамических показателей нормы. Аппроксимация центра распределения будет соответствовать активационному ответу «Нет» на принадлежность субъекта целевому классу риска. При смещении цента в случае выборки «ненорма» будет активирована функция выхода. С учетом того, что центр распределения может быть смещен выборкой «ненорма» в любую сторону оси, то выход аппроксимации несложно модифицируется инвертором уровня выхода и второй активационной функцией, а функции связаны с линией ответа посредством линейного сумматора. Таким образом, несложная адаптация к конкретной ситуации еще раз показывает универсализм иерархических ННС в управлении и настройке как регрессионных моделей, так и экспертных баз правил, где эти две структуры объединены нейросетевыми отношениями.

Актуальность работы: требования к качеству повышения обработки измерений с системах медицинского обеспечения безопасности на транспорте.

Целю работы является разработка системы на базе иерархии правил для нейросетевого принципа разделения признаков с использованием экспертных знаний достоверного анализа профессиональной пригодности работников транспорта.

Основные задачи, определенные в соответствии с поставленной целью квалификационной работы:

— анализ существующих методов, систем, типов и способов проводимых измерений в автоматизированных системах медицинского обеспечения безопасности на транспорте;

— ознакомление с типичными моделями ННС и выбор оптимальной с учетом особенностей организации АСПО;

— выбор способа определения медицинской нормы, который обладает свойством стохастичности с возможностью применения аппроксимирующей его ННС при ее обучении и использовании методов регрессионного анализа;

— выбор алгоритмов предварительного расчета регрессионных параметров вход-выход и градиентной весовой настройки правил;

— создание, на основе предложенных принципов и способов адаптации ННС к АСПО, алгоритмов ПО обучения и эксплуатации ННС в задачах АСПО;

— модернизация базовой технологии обеспечения безопасности грузопассажирских перевозок, учитывающей надежность «человеческого фактора», экспертной системой на базе ННС, способной к нелинейному разделению граничных условий норма/ненорма в пространстве признаков исходных измерений;

— составление ряда рекомендаций по использованию алгоритмов, свойств и параметров полученной программной модели иерархической системы нечеткого логического вывода контроля критической зависимости параметров гемодинамики.

1. ПРОБЛЕМЫ ОПРЕДЕЛЕНИЯ НОРМЫ В МЕДИЦИНЕ. МЕТОДЫ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ НОРМЫ

1.1 АСПО как предметная область моделирования прогноза медицинской нормы в системе безопасности на железнодорожном транспорте

Профессиональный отбор, предсменный и предрейсовый — все это является важнейшим направлением обеспечения безопасности движения на железнодорожном транспорте. В данной области медицинской практики можно рассмотреть аспекты адаптации к проблеме безопасности и внедрения вычислительных ресурсов компьютерных комплексов, функционирование которых базируется на различных по типу программных моделях медицинских исследований. Независимо от уровня чувствительности используемой аппаратуры получения исходных данных и средств визуализации результата, актуальным остается вопрос статистической обработки исходных измерений с целью выборки полезного сигнала с учетом знания определенной модели помехи наблюдения. Задачу подобной обработки данных в определенные моменты времени должны решать математические модели, используя классические методы идентификации. Но в плане моделирования динамики возникают проблемы с идентификацией параметров, т.к. стандартные методы дают несостоятельные оценки параметров при наличии ненаблюдаемых помех на входе и наблюдаемых на выходе. Это открывает направления научного исследования проблемы, одно из которых — модификация стандартных методов оценки параметров. Для возможности организации и внедрения программной обработки статистической выборки измерений, по математическим моделям моментного и динамического состояния медицинских показателей исследуемых работников, в качестве базовой разработки принимается действующая на Куйбышевской железной дороге АСПО на базе комплексов КАПД-01-СТ для медико-психологического обеспечения безопасности движения 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 параметрах состояния здоровья участников перевозок и их обработка в едином информационном пространстве. В АСПО реализуется информационная технология (ИТ), позволяющая оптимизировать процессы управления за счет автоматизации рабочих мест, а также ИТ выполняет обеспечение процесса безопасности перевозок с учетом надежности «человеческого фактора».

Рисунок 1.1- Структурная ветвь базовой организации служб в АСПО на железной дороге Необходимо помнить, что ИТ лишь автоматизируют 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, анизотропии биологических сред и т. п. В медицинской и биологической физике одним из основных направлений медицинских знаний является изучение физической сущности основных методов диагностики, их особенностей, приборной базы, а также оценка качества получаемой при этом информации. Следовательно, актуально разрабатывать численные методы идентификации полезного сигнала на базе математических моделей, адаптировать полученные программные продукты как расширение базовых ИТ, уже существующих в эксплуатации и не исключающих необходимости улучшения своего качества. По существу это задача реинжениринга — проектирования нового процесса, дающего основные результаты улучшения характеристик принимаемой к аналитической обработке информации. Это не только дополнительная автоматизация процессов управления, но и научно обоснованная возможность создать полностью новые, пересмотреть или оптимизировать уже существующие процессы и, следовательно, улучшить в несколько раз конечный продукт. В данном случае — повысить надежность «человеческого фактора» и, как следствие, увеличить безопасность грузопассажирских перевозок.

Новым процессом, реализованным в дипломном проекте для программных средств АСПО, является выявление «группы повышенного риска» и восстановление здоровья этой группы на основе математического моделирования статического и динамического распределения измерений медицинских параметров. «Процесс» — это ключевое слово в рассматриваемой концепции реинжениринга, означает не только использование специализированных технических средств и ИТ, но и постоянную работу всех участников, задействованных в обеспечении перевозок, направленную на выявление потенциальной опасности на ранней стадии и своевременного предупреждения. Все технические средства, начиная от средств измерений, сетевых решений, корпоративной базы данных до средств анализа подчинены этой цели. Фактически АСПО — это система управления, которая обеспечивает эффективное взаимодействие структурных подразделений транспортных предприятий и предприятий с высоким риском возникновения массовых катастроф в сочетании с автоматизацией предрабочего (предрейсового) медицинского осмотра. Структура АСПО четко определяет функциональные подразделения и их связи внутри нее. Это позволяет, на базе поставленных целей и решаемых задач, выявлять участки межструктурного взаимодействия, где можно применять методы идентификации полезной информации и расширять базу ИТ всей системы. В определении набора численных характеристик для клинического использования необходимо рассмотреть понятие медицинской нормы наблюдаемых параметров.

1.2 Стандартные функции АСПО

АСПО позволяет произвести выборки работников локомотивных бригад, относящихся к группе повышенного риска:

1. Выборки работников локомотивных бригад, относящихся к группе повышенно риска с помощью выбора математического ожидания и дисперсии. В заштрихованной зоне (АД свыше 140 мм.рт.ст. содержится группа работников, которая по показателям АДС может быть отнесена к группе повышенного риска).

2. Список этих работников локомотивных бригад, входящих в группу повышенного 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 процент попадания в выделенную зону (например 70%), можно выделить значимую группу из всего состава.

3. Выделение фамилии работника для получения индивидуальных сведений. Предоставляется возможность выбора пороговых значений, анализ психофизиологических показателей и произвести запись в буфер для дальнейшего анализа.

4. Выполнение систематического обследования, входящих в группу работников с неадаптивной реакцией и срывом адаптации с помощью производственных врачей и психологов депо.

5. Применение такой методологии позволяет сделать существенно важные шаги для соединения медицинского, психологического и физиологического подходов к оценке здоровья работников локомотивных бригад. Например, начать определение взаимосвязи психологического фона возникающих заболеваний с конкретной диагностикой.

1.3 Медицинские и психофизиологические аспекты выделения группы повышенного риска

1.3.1 Оценка параметров профессиональной пригодности

Часто регистрируемые случаи профессиональных заболеваний — это болезни, связанные с воздействием на организм шума — нейросенсорная тугоухость — около 50%. Заболевания пылевой этиологии занимают второе место — 15−20%. На третьем месте стоят заболевания опорно-двигательного аппарата — 10−15%, далее вибрационная болезнь — около 10%.

По статистике, наибольшее число зарегистрированных случаев профессиональных заболеваний выявляются среди членов локомотивных бригад — около 30%.

По результатам предрейсовых медицинских осмотров с помощью автоматизированной системы предрейсового медицинского осмотра на базе аппаратно программного комплекса КАПД-01-СТ, выделяется группа риска по возможности развития патологических состояний и внезапного ухудшения самочувствия. За этот период времени стало ясно, что данная система может применяться для динамического контроля функционального состояния работников локомотивных бригад.

Группу риска по результатам медицинского и психологического обследований в основном составляют соматические заболевания около- 57%, психосоматические заболевания около 20% и около 23%- лица, у которых при медицинском обследовании признаков заболевания не обнаружено, т. е. с психологическими проблемами. Как видно из приведенных данных, около 43% работников локомотивных бригад, попадающих в группу риска, нуждаются в помощи психолога.

Такое положение и заставило объединить усилия медицинских работников и психологов локомотивных и мотор-вагонных депо в борьбе за здоровье и профессиональную работоспособность работников локомотивных бригад. Опыт работы психологов с группой риска дает право говорить о том, что комплекс КАПД-01-СТ и аналитические программы автоматизированной системы предрейсового медицинского осмотра позволяют выделять у работников локомотивных бригад такие состояния, как стрессовые, депрессивные, психоэмоциональную неустойчивость, накапливающееся утомление.

В исследовательском плане дальнейшая работа психофизиологических подразделений дорог направлена на уточнение корелляции между величинами индексов и психофизиологическим состоянием, состоянием здоровья работников локомотивных бригад.

Как показывает опыт работы, выделение группы риска по результатам предрейсового медицинского осмотра, на основе показателей индекса напряженности, SDR, Sit, показателям периферической гемодинамики, в основном происходит в период предболезни. По этой причине в инструкции психолога депо указано на необходимость консультации таких работников цеховым врачом с целью исключения соматического или психосоматического заболевания независимо от полученных им результатов обследования. Это делается с целью не просмотреть развитие болезни.

В зависимости от полученных результатов медицинского и психофизиологической" обследований, проводятся системные мероприятия: медицинские, восстановительные, реабилитационные.

В случае обнаружения соматического или психосоматического заболевания на первый план выступают медицинская и психотерапевтическая помощь. Если же признаков заболевания не удается обнаружить, на первый план выступает психологическая помощь.

Психофизиологическое обследование проводится параллельно с медицинским обследованием психологом локомотивного депо в первые 7 дней с момента отнесения работника локомотивной бригады к группе риска. Такое раннее обследование позволяет не только установить причину изменения функционального состояния, но и своевременно принять меры по проведению коррекционных мероприятий. Обследование проводится с использованием таких психологических методик, как СМИЛ, 16-факторный личностный опросник Р. Кеттела, шкала самооценки Ч. Спилбергера / Ю. Ханина, метод цветовых выборов, самооценки состояния (CAHL и психофизиологических методик таких как реакция на движущийся объект (РДО), простая двигательная реакция (ПДР), треморометрия.

Так например при психофизиологическом обследовании работника получены следующие результаты:

1) с низким показателем Sit: низкая тревожность, уравновешенность нервных процессов, эгоцентричен, обидчив, раним, проявляет неадекватные попытки упрямо отстаивать свои позиции, возможна ригидность 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 над эмоциональной сферой, проявляет себя осторожно, как будто бы чего-то опасается;

2) с высоким показателем Sit: преобладание процессов возбуждения, возбужден, тревожен, напряжен, насторожен, чувство неуверенности, тревога и опасение, восприимчив к внешним раздражителям;

— социально-психологическая дезадаптация, физическое и душевное перенапряжение, страх, чувство бесперспективности, утрата работоспособности;

3) с систолическим 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 высоким значением SDR и тахикардией: преобладание процессов возбуждения, отмечается затрудненность межличностных отношений и тенденция к усилению тяжести имеющихся затруднений и конфликтов, повышенная самооценка, самооценка не всегда адекватна, отмечаются черты аффективной ригидности, жесткость установок, агрессивность и эгоцентричность;

5) с неоднократным высоким значением SDR: неустойчивая работоспособность, раздражительная слабость, потребность в покое.

Таблица 1.1- Показатели для оценки психофизиологического состояния

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 пределы адаптивной реакции три и более раза в месяц;

* выход параметров частоты пульса и артериального давления за пределы установленных индивидуальных значений, приведший к отстранению от рейса два и более раза в месяц;

* признаки повышенной лабильности показателей гемодинамики три и более раза за 7 дней, в результате чего перед заступлением в рейс медицинским работником кабинета ПРМО проводились повторные измерения на автоматизированном комплексе;

* резкое снижение группы годности к поездной работе при периодическом психологическом обследовании;

* направление цехового терапевта;

* нарушение безопасности движения поездов, на основании Приказов по дисциплинарным 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, скорость реакции, оперативность мыслительных процессов, скорость реакции выбора)

* Беседа (выясняются возможные причины отклонений по ПРМО, проговаривается график труда и отдыха, профилактические мероприятия по поддержанию требуемого уровня состояния 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 функций мышления.

· Определение нарушений функций внимания.

· Определение нарушений функций памяти.

· Диагностика мотивационной сферы:

1. Определение ценностных ориентаций

2. Мотивация избегания неуспеха — мотивация достижения

3. Диагностика направленности личности

· Диагностика эмоционально-личностных качеств.

· Диагностика коммуникативных навыков и особенностей межличностного взаимодействия:

1. Склонность к конфликтному и агрессивному поведению

2. Уровень субъективного контроля

3. Диагностика стиля взаимодействия

· Диагностика профессиональной направленности и компетентности:

1. Профориентационные методики

2. Система «человек-человек»

3. Система «человек-техника»

4. Система «человек-знаковая система»

5. Система «человек-природа»

6. Творческий потенциал

1.3.3.2. Функциональная диагностика

· Электроэнцефалография

· Стабилография

· Электрокардиография

· Функциональные пробы

1.4 Проблемы предоставления нормы в АСПО

Основной целью автоматизированной системы предрейсовых осмотров является статистическое наблюдение распределение значений гемодинамики по частоте их измерения с 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 и их численным значениям осуществлять отстранение работников, не подготовленных к рейсу.

Вторая — предупредительная. С помощью мониторинга контроль этих же показателей и других критериев для осуществления активного вызова и выполнения лечебных и реабилитационных мероприятий.

Третья — исследовательская. Определение эффективно работающих критериев и их численных значений для решения задачи обеспечения безопасности движения поездов и других транспортных средств.

Также к основным задачам можно отнести:

— внедрение современных автоматизированных медицинских технологий для повышения качества и эффективности проведения предрейсовых медицинских осмотров локомотивных бригад;

— своевременное выявление лиц с нарушениями функционального состояния, явлениями острых и обострением хронических заболеваний;

— мониторинг состояния здоровья и функционального статуса работников локомотивных бригад на основе автоматизированной обработки и анализа результатов предрейсовых медицинских осмотров, в том числе с учетом данных углубленных осмотров;

— организационно-методическое обеспечение взаимодействия фельдшеров ПРМО, цеховых терапевтов, психологов (психофизиологов) локомотивных депо и других специалистов по вопросам медицинского и психофизиологического обеспечения локомотивных бригад;

— разработка индивидуальных критериев и пороговых значений физиологических показателей, оценка состояния здоровья различных возрастных групп работников локомотивных бригад, а также лиц, выполняющих иные виды движения;

— выделение групп повышенного риска по развитию психосоматических заболеваний, в том числе с симптомами недосыпания, переутомления, стрессовых, депрессивных и других нарушений функционального состояния:

— объективизация данных предрейсовых осмотров, автоматическая обработка и их систематизация, контроль качества и эффективности проводимых профилактических мероприятий;

— информационное сопряжение АСПО с ЛСУТ с разграничением прав доступа;

— интеграция результатов НИОКР: — «Автоматизированные методы оценки, в том числе дистантные и прогнозирование состояния здоровья и работоспособности работников локомотивных бригад на основе численных критериев функционального состояния в процессе предрейсового контроля» и «Обеспечение информационной безопасности в автоматизированных системах предрейсового осмотра и медико-психологического обеспечения работников локомотивных бригад» в программно-техническое обеспечение АСПО.

Не смотря на существенный перечень задач АСПО цеховыми терапевтами отмечается следующая закономерность: при малом числе измерений интервал нормы более объективен к рискованным отклонениям состояния здоровья членов исследуемой популяции. При большем числе измерений объективность скрывается интервалом нормы и отдельные краевые случаи состояния риска не каким образом не отражаются системой. Это сокрытие происходит за счет свойств нормального закона, который следуя закону больших чисел по вероятности с увеличением измерений будет приближать вычисляемую норму к «идеальной», скрывая факторы риска и прогрессирующие патологии. Для исправления подобных издержек информационной обработки сигналов АСПО поставлена цель и определены задачи настоящего проекта.

2. АДАПТИВНАЯ НАСТРОЙКА СТАТИСТИЧЕСКОГО РАЗДЕЛЕНИЯ ПРИЗНАКОВ В СИСТЕМЕ НЕЙРО-НЕЧЕТКОГО ВЫВОДА

2.1 Основы принципа нечеткого вывода и идентификации

2.1.1 Нечеткая логика, лингвистическая оценка медицинских параметров

Нечеткая логика это обобщение традиционной аристотелевой логики на случай, когда истинность рассматривается как лингвистическая переменная, принимающая значения типа: «очень истинно», «более-менее истинно», «не очень ложно» и т. п. Указанные лингвистические значения представляются нечеткими множествами. Лингвистической переменной называется переменная, принимающая значения из множества слов или словосочетаний некоторого естественного или искусственного языка.

2.1.2 Направления исследований нечеткой логики по отношению к медицинским диагностическим заключениям

В настоящее время существует по крайней мере два основных направления научных исследований в области нечеткой логики:

· Нечеткая логика в широком смысле (Теория приближенных вычислений)

· Нечеткая логика в узком смысле (Символическая нечеткая логика)

2.1.2.1 Символическая нечеткая логика и терминология предметной области

Символическая нечеткая логика основывается на понятии t-нормы. После выбора некоторой t-нормы (а её можно ввести несколькими разными способами) появляется возможность определить основные операции над пропозициональными переменными: конъюнкцию, дизъюнкцию, импликацию, отрицание и другие. Нетрудно доказать теорему о том, что дистрибутивность, присутствующая в классической логике, выполняется только в случае, когда в качестве t-нормы выбирается t-норма Гёделя. Кроме того, в силу 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 формальному определению базисной нечеткой логики, которая имеет много общего с классической булевозначной логикой (точнее, с исчислением высказываний). Существуют три основных базисных нечетких логики: логика Лукасевича, логика Гёделя и вероятностная логика (Product logic). Интересно, что объединение любых двух из трех перечисленных выше логик приводит к классической булевозначной логике.

2.1.2.2 Теория приближенных вычислений и стохастические измерения

Основное понятие нечеткой логики в широком смысле — нечеткое множество, определяемое при помощи обобщенного понятия характеристической функции. Затем вводятся понятия объединения, пересечения и дополнения множеств (через характеристическую функцию; задать можно различными способами), понятие нечеткого отношения, а также одно из важнейших понятий — понятие лингвистической переменной. Вообще говоря, даже такой минимальный набор определений позволяет использовать нечеткую логику в некоторых приложениях, для большинства же необходимо задать ещё и правило вывода (и оператор импликации).

2.1.3 Идентификация с помощью иерархической системы нечеткого логического вывода

Для моделирования многомерных зависимостей «входы — выход» целесообразно использовать иерархические системы нечеткого логического вывода. В этих системах выходная переменная одной базы знаний является входной для другой базы знаний. На рис. 2.1 приведен пример иерархической нечеткой базы знаний, моделирующей зависимостьвы с использованием трех баз знаний. Эти базы знаний описывают такие зависимости:, и .

Рисунок 2.1 — Пример иерархической нечеткой базы знаний Применение иерархических нечетких баз знаний позволяет преодолеть «проклятие размерности». При большом количестве входов эксперту трудно описать причинно-следственные связи в виде нечетких правил. Это обусловлено тем, что в оперативной памяти человека может одновременно хранится не более 7±2 понятий-признаков. Следовательно, количество входных переменных в одной базе знаний не должно превышать это магическое число. Более поздние исследования показали, что хорошие базы знаний получаются, когда количество входов не превышает пяти шести. Поэтому, при большем количестве входных переменных необходимо их иерархически классифицировать с учетом приведенных выше рекомендаций. Обычно, выполнение такой классификации не составляет трудностей для эксперта, так как при принятии решений человек иерархически учитывает влияющие факторы.

Преимущество иерархических баз знаний заключается еще и в том, что они позволяют небольшим количество нечетких правил адекватного описать многомерные зависимости «входы — выход». Пусть, для лингвистической оценки переменных используется по пять термов. Тогда, максимальное количество правил для задания зависимости с помощью одной базы знаний будет равным (конечно, для адекватного описания зависимости «входы — выход» необходимо значительно меньше нечетких 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.

Особенностью нечеткого логического вывода по иерархической базе знаний является отсутствие процедур дефаззификации и фаззификаци для промежуточных переменных (y₁ и y₂ на рис. 2.1). Результат логического вывода в виде нечеткого множества напрямую передается в машину нечеткого логического вывода следующего уровня иерархии. Поэтому, для описания промежуточных переменных в иерархических нечетких базах знаний достаточно задать только терм-множества, без определения функций принадлежностей.

2.2. Задача разработки программных средств оценки критической зависимости гемодинамических показателей

2.2.1 Характеристики программной модели при обработке регрессионных измерений предрейсовых осмотров

Назначение программы: инструментальный элемент анализа нормы гемодинамических показателей участников предрейсового осмотра: пульс, систолическое и диастолическое давление, психофизические показатели. Компоненты моделирования — текущее состояние и прогноз нормы как распределения при определенной частоте измерений, которые представляет динамическая модель с решением параметров модифицированным МНК в условиях ограниченной стохастичности входных сигналов. Выход программы — текущее и прогнозированное состояние нормы, в которой исключено влияние аддитивных помех типа белый шум, что позволяет представлять распределение значений по норме более объективными, учитывая тенденции риска по норме и возможности прогноза патологии по динамике нормы.

Программа моделирует совокупность компонентов исследования как некоторую часть объекта, который называется «Динамическая норма гемодинамики». Объект моделирования — есть программная модель как источник анализируемой информации.

Цель применения программы: анализ текущей и прогнозируемой нормы гемодинамики работников локомотивных бригад при медицинском обеспечении безопасности на железнодорожном транспорте.

Задачи: программа предназначена для интеграции в комплекс АСПО без привлечения дополнительных средств ее адаптации и обучения персонала. Программа выполняет задачу адаптации к системе данных АСПО и повышает качество измеряемого и анализируемого сигнала. Определяет текущее и прогнозируемое во времени состояние компонентов исследования для диагностического заключения о состоянии объекта с использованием графических вариантов выхода модели.

Функционирование программного обеспечения происходит на персональных компьютерах типа IBM PC не ниже класса Pentium при поддержке операционных систем (ОС) Windows 98, 2000, NT, XP, Vista. Учитывая целесообразность совмещения базы данных ведения картотеки пациентов и проводимых исследований на основе расчетов пространственно-временной модели, в программном обеспечении реализована концепция некоторой системы управления этими данными и численными методами расчетов. Проектирование системы начинается с обработки отношений в базе данных типа «Картотека медицинских исследований». Далее система адаптируется к СУБД, управления данными, использует определенную в АСПО технологию хранения и считывания данных приборов измерения параметров гемодинамики.

В качестве инструмента выполнения проекта управляющей системы выбраны: интерактивное ANFIS, объектно-ориентированный язык Object Pascal со стандартной библиотекой визуальных компонент проектирования. Концепция объектно-ориентированного программирования, реализованная в интерактивном ANFIS, позволяет рассмотреть средства статистической обработки данных параметров гемодинамики, как систему родословных отношений объектов, прогрессирующую по мере совершенствования существующих и новых перспективных моделей сбора, анализа исходной информации. Доступ к данным картотеки пациентов и измерениям происходит по типу «Клиент-сервер», осуществляется через компонентный интерфейс Delphi с системой доступа к базам данных (БД) фирмы Borland (Borland Database Engine, или BDE). Это первая функциональная часть управляющей системы. Вторая — реализация численных 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 ресурса моделирования использовались входной язык, модули программирования и графической визуализации математической системы Mathcad версии 11.0а.

Результат: разработана программа управления системой ресурсов информационного обеспечения расчета параметров гемодинамики и имеющая расширение пространственно-временного анализа основных компонентов медицинской нормы, используются элементы графического вывода для целей интерпретации исходных данных и диагностического заключения.

Обмен административной оболочки пользователя с вычислительными ресурсами математических пакетов происходит по системной технологии OLE — вычислительные ресурсы методов идентификации и прогноза есть исходные данные COM сервера Mathcad для административной оболочки, выполненной по схеме многодокументного интерфейса.

2.2.2 Управление иерархией нечеткого вывода интерактивным пакетом ANFIS

ANFIS — это аббревиатура Adaptive-Network-Based Fuzzy Inference System — адаптивная сеть нечеткого вывода. Она была предложена Янгом (Jang) в начале девяностых. ANFIS является одним из первых вариантов гибридных нейро-нечетких сетей — нейронной сети прямого распространения сигнала особого типа. Архитектура нейро-нечеткой сети изоморфна нечеткой базе знаний. В нейро-нечетких сетях используются дифференцируемые реализации треугольных норм (умножение и вероятностное ИЛИ), а также гладкие функции принадлежности. Это позволяет применять для настройки нейро-нечетких сетей быстрые алгоритмы обучения нейронных сетей, основанные на методе обратного распространения ошибки. Ниже описываются архитектура и правила функционирования каждого слоя ANFIS-сети.

ANFIS реализует систему нечеткого вывода Сугено в виде пятислойной нейронной сети прямого распространения сигнала. Назначение слоев следующее: первый слой — термы входных переменных; второй слой — антецеденты (посылки) нечетких правил; третий слой — нормализация степеней выполнения правил; четвертый слой — заключения правил; пятый слой — агрегирование результата, полученного по различным правилам.

Входы сети в отдельный слой не выделяются. На рис. 2.2. изображена ANFIS-сеть с двумя входными переменными (x₁ и x₂) и четырьмя нечеткими правилами. Для лингвистической оценки входной переменной x₁ используется 3 терма, для переменной x₂ — 2 терма.

Рисунок 2.2 — Пример ANFIS-сети Введем следующие обозначения, необходимые для дальнейшего изложения:

 — входы сети;

 — выход сети;

 — нечеткое правило с порядковым номером ;

 — количество правил ,;

 — нечеткий терм с функцией принадлежности, применяемый для лингвистической оценки переменной в r-ом правиле (,);

 — действительные числа в заключении r-го правила (,).

ANFIS-сеть функционирует следующим образом.

Слой 1. Каждый узел первого слоя представляет один терм с колоколобразной функцией принадлежности. Входы сети соединены только со своими термами. Количество узлов первого слоя равно сумме мощностей терм-множеств входных переменных. Выходом узла являются степень принадлежности значения входной переменной соответствующему нечеткому терму:

(2.1)

где a, b и c — настраиваемые параметры функции принадлежности.

Слой 2. Количество узлов второго слоя равно m. Каждый узел этого слоя соответствует одному нечеткому правилу. Узел второго слоя соединен с теми узлами первого слоя, которые формируют антецеденты соответствующего правила. Следовательно, каждый узел второго слоя может принимать от 1 до n входных сигналов. Выходом узла является степень выполнения правила, которая рассчитывается как произведение входных сигналов. Обозначим выходы узлов этого слоя через ,.

Слой 3. Количество узлов третьего слоя также равно m. Каждый узел этого слоя рассчитывает относительную степень выполнения нечеткого правила:

. (2.2)

Слой 4. Количество узлов четвертого слоя также равно m. Каждый узел соединен с одним узлом третьего слоя, а также со всеми входами сети (на рис. 2.1. связи с входами не показаны). Узел четвертого слоя рассчитывает вклад одного нечеткого правила в выход сети:

. (2.3)

Слой 5. Единственный узел этого слоя суммирует вклады всех правил:

. (2.4)

Типовые процедуры обучения нейронных сетей могут быть применены для настройки ANFIS-сети так как, в ней использует только дифференцируемые функции. Обычно применяется комбинация градиентного спуска в виде алгоритма обратного распространения ошибки и метода наименьших квадратов. Алгоритм обратного распространения ошибки настраивает параметры антецедентов правил, т. е. функций принадлежности. Методом наименьших квадратов оцениваются коэффициенты заключений правил, так как они линейно связаны с выходом сети. Каждая итерация процедуры настройки выполняется в два этапа. На первом этапе на входы подается обучающая выборка, и по невязке между желаемым и действительным поведением сети итерационным методом наименьших квадратов находятся оптимальные параметры узлов четвертого слоя. На втором этапе остаточная невязка передается с выхода сети на входы, и методом обратного распространения ошибки модифицируются параметры узлов первого слоя. При этом найденные на первом этапе коэффициенты заключений правил не изменяются. Итерационная процедура настройки продолжается пока невязка превышает заранее установленное значение. Для настройки функций принадлежностей кроме метода обратного распространения ошибки могут использоваться и другие алгоритмы оптимизации, например, метод Левенберга-Марквардта.

2.2.3 Алгоритм диагностики

Информация, полученная от врача и больного, включает нечеткость, выраженную ЛЗИ. Для вычислений необходимо преобразовать эти значения в числовые значения истинности (ЧЗИ). Для их количественной оценки использованы функции принадлежности. В данной системе такие 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 функции принадлежности каждого ЛЗИ значения принадлежности. Такие значения назовем а-сечением, а значение, выбранное для, обозначим. Обычно имеет одно значение, но в целях сохранения нечеткости в словах более естественно использовать интервал значений, 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 и значениями принадлежности показана на рис. 2.3. В системе существует база данных, 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, чтонечеткие подмножества множества V ЛЗИ, т. е. очень правдивые и выпуклые подмножества. Если применить к формулам (2.6) и (2.7) нечеткие правила «модус поненс» и «модус толлекс», то получатся следующие взаимосвязи между болезнями и симптомами: