Помощь в написании студенческих работ
Антистрессовый сервис

Информационная поддержка принятия решений при диагностике артериальной гипертонии на основе методов гибридного интеллекта

Диссертация: Информационная поддержка принятия решений при диагностике артериальной гипертонии на основе методов гибридного интеллекта
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработанный метод поддержки принятия решений на основе классификации состояния сложного объекта управления и синтеза гибридного интеллекта позволяет на 15% повысить достоверность решений и на 43% уровень обоснованности рекомендаций при внедрении в процесс диагностики артериальной гипертонии за счет применения вероятностных нейросетевых моделей классификации состояния пациента и продукционных… Читать ещё >

Информационная поддержка принятия решений при диагностике артериальной гипертонии на основе методов гибридного интеллекта (реферат, курсовая, диплом, контрольная)

Содержание

  • Список принятых сокращений

Глава 1. Системный анализ сложных объектов управления на примере задач диагностики артериальной гипертонии.

1.1. Проблемный анализ сложных объектов управления.

1.1.1. Особенности сложных объектов управления.

1.2. Системный подход к задаче диагностики артериальной гипертонии.

1.2.1. Определение структуры принятия решений при диагностике артериальной гипертонии.

1.2.2. Схема диагностического обследования пациента.

1.3. Анализ существующих методов и систем поддержки принятия решений в медицине.

1.3.1. Классические методы в системах поддержки принятия решений

1.3.2. Интеллектуальные методы в системах поддержки принятия решений.

1.3.3. Гибридные интеллектуальные методы в системах поддержки принятия решений.

1.4. Разработка схемы проектирования системы поддержки принятия решений при диагностике артериальной гипертонии.

1.5. Результаты и

выводы по главе 1.

Глава 2. Системное моделирование процессов принятия решения при классификации сложных объектов на примере диагностики артериальной гипертонии.

2.1. Постановка задачи моделирования.

2.2. Разработка функциональной модели процессов принятия диагностических решений.

2.3. Разработка информационной модели процессов принятия диагностических решений.

2.4. Разработка комплекса динамических моделей процессов принятия диагностических решений.

2.5. Формирование требований к СППР на основе результатов моделирования.

2.6. Результаты и

выводы по главе 2.

Глава 3. Разработка метода поддержки принятия решений при классификации сложных объектов управления на примере диагностики артериальной гипертонии.

3.1. Разработка обобщенного алгоритма классификации состояния пациента.

3.1.1. Формирование паттерна данных.

3.1.2. Статистическая обработка и анализ диагностических данных.

3.1.3. Выбор правила классификации: классические методы анализа данных.

3.1.4. Выбор правила классификации: нейросетевые методы анализа данных.

3.1.5. Сравнительный анализ результатов.

3.2. Разработка принципа гибридизации интеллектуальных методов.

3.2.1. Оценка интеллектуальных методов.

3.2.2. Описание функционального разделения методов.

3.3. Разработка архитектуры СППР.

3.3.1. Разработка экспертной системы.

3.4. СППР для диагностики артериальной гипертонии в процессе управления состоянием пациента.

3.5. Результаты и

выводы по главе 3.

Глава 4. Разработка алгоритмического и программного обеспечения основных функциональных модулей системы и исследование характеристик эффективности информационной поддержки принятия решений.

4.1. Разработка алгоритма функционирования СППР.

4.2. Реализация модулей вычислительного уровня системы.

4.2.1. Модуль определения степени АГ.

4.2.2. Модуль определения стадии АГ.

4.2.3. Модуль выявления ассоциированных заболеваний.

4.2.4. Модуль оценки риска ССО.

4.3. Реализация модулей интерпретационного уровня системы.

4.3.1. Механизм трансформации гибридного интеллекта СГТПР.

4.3.2. База данных и база знаний.

4.4. Исследование характеристик эффективности процесса поддержки принятия диагностических решений.

4.4.1. Методика работы с программой.

4.5. Результаты и

выводы по главе 4.

Актуальность темы

.

Реальные объекты управления характеризуются сложностью структуры и многомерностью внутренних и внешних связей. К ним можно отнести биомедицинские, технические, экономические и социальные системы. Анализ и синтез систем управления сложными объектами основывается на определения класса объекта управления. Таким образом, классификация сложных объектов управления является актуальной задачей во многих областях исследования.

Одним из примеров классификации сложных объектов управления является медицинская диагностика, где в качестве объекта управления выступает функциональное состояние организма человека.

Информатизация области здравоохранения создает предпосылки для изучения и разработки систем поддержки принятия решений (СППР) в медицинских приложениях. Среди множества медицинских задач, которые могут быть решены средствами информационных систем, можно выделить последовательную триаду «диагностика — прогнозирование — лечение». Очевидно, что ошибки и неточности в диагностике и прогнозировании приводят к неправильному выбору лечения, что в свою очередь может нанести вред пациенту. Следует отметить, что в процессе диагностики врач принимает решение в условиях неопределенности, оперируя значительным количеством данных, опираясь на личный опыт и знания. Поэтому усилия многих специалистов в области информационных технологий направлены на проектирование систем, имитирующих эвристики врача, или попытки алгоритмизировать процесс принятия решения в медицине, основываясь на знаниях экспертов.

Вопросам компьютерной диагностики посвящены работы H.A. Кореневского, Е. С. Подвального, Б. А. Корбинского, О. В. Родионова, E.H. Коровина, В. Н. Фролова, Д. Ферруччи, Э. Коэйра, Е. С. Бернера и др. Между тем в настоящее время остаются актуальными вопросы, связанные с повышением эффективности процесса принятия решений при диагностике артериальной гипертонии. Учитывая специфику отрасли медицинской диагностики, повышение эффективности в информационной поддержке принятия решений заключается в повышении уровня оперативности, достоверности и обоснованности выдаваемых системой рекомендаций. Показатель обоснованности отражает способность системы провести трассировку хода решения от симптома к диагнозу. В медицинских приложениях эта характеристика имеет особое значение, поскольку, когда система не может объяснить ход получения решений, врач не может опираться на этот вывод.

Обобщая вышеизложенное, можно сделать вывод, что тема диссертации, посвященной информационной поддержке принятия решений при диагностике артериальной гипертонии на основе методов гибридного интеллекта, является актуальной.

Цель работы и задачи исследования.

Целью исследования является повышение эффективности процесса поддержки принятия решений при классификации состояния сложных объектов на основе методов гибридного интеллекта на примере диагностики артериальной гипертонии.

Реализация поставленной цели требует решения следующих задач исследования:

1. Системный анализ сложных объектов управления и задачи диагностики артериальной гипертонии как проблемы классификации сложных объектов.

2. Разработка комплекса системных и динамических моделей процессов поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

3. Разработка метода поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

4. Разработка алгоритмического и программного обеспечения основных функциональных модулей системы и исследование характеристик эффективности информационной поддержки принятия решений Объектом исследования является процесс поддержки принятия решений классификации сложных объектов на примере диагностики артериальной гипертонии.

Предметом исследования являются алгоритмы и методы поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

Методика исследования При решении поставленных задач использовались методы системного анализа, теории принятия решений, методы системного моделирования, теории вероятностей и математической статистики, методы классификации, теории нейронных сетей, экспертных систем, теории гибридных интеллектуальных систем.

На защиту выносятся:

1. Комплекс системных и динамических моделей процессов поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

2. Гибридный интеллектуальный метод поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

3. Архитектура системы поддержки принятия решений, реализующая предложенную трансформационную модель гибридного интеллекта.

4. Алгоритмическое и программное обеспечение, реализующее предложенный гибридный интеллектуальный метод поддержки принятия решений.

5. Результаты исследования характеристик эффективности информационной поддержки принятия решений при внедрении разработанной СППР в диагностический процесс.

Научная новизна работы содержится в следующих результатах диссертационного исследования:

1. Комплекс функциональных, информационных и динамических моделей процессов принятия решений, отличающихся применением вероятностных оценок классификации состояния сложных объектов управления, что позволяет создать полное описание процесса принятия решений в аспекте структурного и логического взаимодействия элементов разрабатываемой системы.

2. Гибридный интеллектуальный метод поддержки принятия решений, отличающийся структурно-функциональным разделением процесса поддержки принятия решений на уровни вычислений и интерпретации на различных этапах функционирования разрабатываемой системы, что позволяет повышать уровень оперативности, достоверности и обоснованности рекомендаций системы при классификации состояния сложных объектов управления.

3. Архитектура системы поддержки принятия решений, реализующая трансформационную модель гибридного интеллекта, отличающаяся применением двухуровневого алгоритма поддержки принятия решений, позволяющего объединить в единое информационное пространство отдельные модули системы, обеспечить адаптацию и эволюцию знаний в процессе функционирования системы.

Практическую ценность имеют следующие полученные результаты:

• Разработанный метод поддержки принятия решений на основе классификации состояния сложного объекта управления и синтеза гибридного интеллекта позволяет на 15% повысить достоверность решений и на 43% уровень обоснованности рекомендаций при внедрении в процесс диагностики артериальной гипертонии за счет применения вероятностных нейросетевых моделей классификации состояния пациента и продукционных правил экспертной системы.

• Разработанное алгоритмическое и программное обеспечение функциональных модулей СППР на основе предложенного гибридного интеллектуального метода поддержки принятия решений характеризуется использованием принципов параллельных вычислений, учетом модели пользователя, поддержкой обучения и дообучения в процессе функционирования, интегрированностью, объединением в единое информационное пространство различных программных средств, поддержкой распределенной работы модулей системы, что позволяет повысить на 25% оперативность принятия решений.

Внедрение результатов работы в виде математического, алгоритмического и программного обеспечения поддержки принятия решений при диагностике артериальной гипертонии осуществлено в медицинских учреждениях г. Уфы (Республиканский кардиологический диспансер). Наибольшую практическую ценность полученные результаты исследования имеют при внедрении в диагностический процесс сельских лечебно-профилактических учреждений, где наблюдается нехватка квалифицированных и узкоспециализированных кадров.

Также основные результаты диссертационного исследования внедрены учебный процесс Уфимского государственного авиационного технического университета при чтении лекционного курса и проведении лабораторных занятий по дисциплине «Методы обработки биомедицинских сигналов и данных».

Апробация работы.

Основные положения представлены в 13 публикациях, в том числе в 3 статьях, опубликованных в рецензируемых журналах из списка ВАК, и 2 свидетельствах о регистрации программ для ЭВМ. Результаты докладывались на следующих конференциях:

• 16-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика», г. Москва, 2009 г.

• XII и XIII Международные научно-технические конференции «Медико-экологические информационные технологии», г. Курск, 2009, 2010 г.

• Всероссийская научно-практическая конференция с международным участием «Информационные технологии в профессиональной деятельности и научной работе», г. Йошкар-Ола, 2009 г.

• IX Международная научно-техническая конференция «Физика и радиоэлектроника в медицине и экологии — ФРЭМЭ», г. Владимир, 2010 г.

• XXIII Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы (Биомедсистемы)», г. Рязань, 2010 г.

• XV Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании (НИТ)», г. Рязань, 2010 г.

• IX Всероссийская научная конференция «Нейрокомпьютеры и их применение», г. Москва, 2011 г.

Соответствие специальности.

Работа соответствует паспорту специальности 05.13.01 «Системный анализ, управление и обработка информации», поскольку результаты представляют собой научно обоснованные метод и алгоритмы решения задач повышения эффективности процессов поддержки принятия решений, относящихся к области обработки медицинской информации. При этом работа соответствует следующим пунктам раздела «Области исследований» паспорта данной специальности: п. 5. «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации», поскольку результаты исследования реализованы в виде зарегистрированного программного обеспечения. п. 10. «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах», поскольку проблема диагностики артериальной гипертонии решается интеллектуальными методами принятия решений и обработки информации. В работе предложены новые модели, методы и алгоритмы поддержки принятия диагностических решений и классификации состояния пациента.

Структура и объем работы.

Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа содержит 129 с. машинописного текста, включая 42 рисунка, 19 таблиц и список литературы из 116 наименований.

ЗАКЛЮЧЕНИЕ

Основные результаты и выводы.

1. Разработан комплекс функциональных, информационных и динамических моделей процессов принятия решений, позволяющий создать полное описание процесса принятия решений в аспекте структурного и логического взаимодействия элементов разрабатываемой системы.

2. Разработан гибридный интеллектуальный метод поддержки принятия решений, позволяющий повышать уровень оперативности, достоверности и обоснованности рекомендаций системы при классификации состояния сложных объектов управления.

3. Разработана архитектура системы поддержки принятия решений, реализующая трансформационную модель гибридного интеллекта, позволяющая объединять в единое информационное пространство отдельные модули системы и обеспечивать адаптацию и эволюцию знаний в процессе функционирования системы.

4. Разработано алгоритмическое и программное обеспечение, позволяющее реализовать предложенный гибридный интеллектуальный метод поддержки принятия решений в соответствии с разработанной архитектурой СППР на примере диагностики артериальной гипертонии.

5. Произведена оценка эффективности процесса поддержки принятия решений при классификации сложных объектов управления, позволяющая установить, что внедрение СППР в диагностический процесс позволяет повысить на 25% уровень оперативности, на 15% уровень достоверности решений и на 43% уровень обоснованности рекомендаций по сравнению с байесовским классификатором на примере диагностики артериальной гипертонии.

Показать весь текст

Список литературы

  1. B.C., Емельянов A.A. Системный анализ в управлении: Учеб. пособие. М.: Финансы и статистика, 2005. 368 с.
  2. А. Г. Браверманн Э.М. Обучение машины классификации объектов. М.: Наука, 1971. 192 с.
  3. Базы данных: Учебник для высших учебных заведений / Под ред. проф.
  4. A.Д. Хомоненко. СПб.: КОРОНА принт, 2000. — 416 с.
  5. А. Особенности субъективных представлений о работе с компьютером у разных категорий пользователей Электронный ресурс. 2011. URL: http://www.usability.ru/Articles/osobennosti.htm (дата обращения 6.07.2011)
  6. Биологические, биотехнические и медицинские системы (моделирование и управление) / Е. Э. Есауленко, E.H. Коровин, О. В. Родионов, Е. Д. Федорков,
  7. B.Н. Фролов, М. В. Фролов / Монография. Воронеж: ВГТУ, 2009. 274 с.
  8. И. А. Принятие решений в условиях неопределенности. Электронный ресурс. 2010. URL: http://www.elitarium.ru (дата обращения 9.08.2011)
  9. Е.С. Исследование операций. Задачи, принципы, методология. Учеб. пособие для студ. вузов. 2-е изд. — М. Высшая школа, 2001. — 208 с.
  10. Вероятностная нейронная сеть. StatSoft. Электронный учебник. Электронный ресурс. 2011. URL: http://www.statsoft.ru (дата обращения 8.04.2011)
  11. Э.Й. Оптимальность в играх и решениях. М.: Наука, 1990. 256 с.
  12. Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000. — 384 с.
  13. И. Анализ и обработка данных СПб: Питер, 2001. — 752 с.
  14. Т. В. Диагностический справочник кардиолога / Т. В. Гитун. М.: ACT, 2007. — 509 с.
  15. JI. А., Коровин E.H., Попова О. Б., Применение систем принятия решений при выборе стратегии лечебных мероприятий// Труды всероссийской конференции «Интеллектуальные информационные системы». 4.1. Воронеж, ВГТУ, 2000 г., с 108.
  16. Горелик A. JL, Скрипкин В. А. Методы распознавания. Учебное пособие для вузов. М.: Высшая школа, 1977 г. 222 с.
  17. ГОСТ 34.003−90 ИТ. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Термины и определения
  18. ГОСТ Р 50 779.10−2000 Статистические методы. Вероятность и основы статистики. Термины и определения.
  19. В. Н., Тарасова О. Б. Построение интеллектуальных диагностических систем в медицинских приложениях // Информационные технологии № 7, 2003 г. с. 54 58.
  20. М. А. Артериальная гипертония у пожилых: Руководство для врачей. изд. 2-е, переработанное и доп. — М.: МОНИКИ, 2004. — 142 с.
  21. В.Г. Получение информации о параметрах и характеристиках организма и физические методы воздействия на него: Учебное пособие / В. Г. Гусев. М.: Машиностроение, 2004. — 597 с.
  22. Ю.И. Интеллектуальные нейросистемы. Кн. 12. М.: Радиотехника, 2003. — 144 с.
  23. Н.Ю. Машинное обучение. Курс лекций. Электронный ресурс. 2011. URL: http://www.uic.unn.ru/~zny/ml/Lectures/mlpres.pdf (дата обращения 10.04.11)
  24. Информационно-управляющая система диагностики функциональногосостояния организма человека / М. А. Шулакова // Микроэлектроника и информатика. 16-я Всероссийская межвуз. науч.-техн. конф. студентов и аспирантов: Тезисы докладов. -М.: МИЭТ, 2009. с. 228.
  25. У. Р. Дискриминантный анализ // Факторный, дискриминантный и кластерный анализ / Под ред. Дж. О. Ким. М.: Финансы и статистика, 1989. -215 с.
  26. .А. Ретроспективный анализ медицинских экспертных систем // Новости искусственного интеллекта. 2005. — N 2. — С. 6−17.
  27. .А., Кудрявцев A.M., Фельдман А. Е. РС-ориентированная информационно-диагностическая система по наследственной патологии у детей//Компьютер, хроника. 1994. .№ 8−9. С.31−37.
  28. А. В., Кириков И. А. Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем. М.: ИЛИ РАН, 2007. — 387 с.
  29. A.B. Гибридные интеллектуальные системы. Теория и технология разработки. СПб: Изд-во СПбГТУ, 2001. 711 с.
  30. Л.Г., Максимов A.B. Нейрокомпьютеры: Учеб. пособие для вузов. 2-е изд. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2004 — 400 с.
  31. Комплекс проблемно-ориентированных программ для профилактической кардиологии / Эрштейн Р. Х., Карашевская Е. К. // Каталог программных средств для решения медицинских задач MEDSOFT, Рига, 1990, с. 12−13
  32. H.A., Титов B.C., Чернецкая И. Е. Проектирование систем поддержки принятия решений для медико-экологических приложений. -Курск, 2004.
  33. E.H., Образцов И. Д., Родионов О. В. Анализ образовательной системы на основе дискриминантного анализа// Труды всероссийской конференции «Интеллектуализация управления в социальных и экономических системах». Воронеж, ВГТУ, 2001 г., с. 226−227.
  34. E.H., Родионов О. В. Методы обработки биомедицинских данных: Учеб. пособие. Воронеж- ВГТУ, 2007. 152 с.
  35. О.И. Теория и методы принятия решений: Учебник. М.: Логос, 2000. — 296 с.
  36. Малая медицинская энциклопедия. — М.: Медицинская энциклопедия. 1996 г.
  37. Математические методы моделирования и прогнозирования социальных систем и процессов: учебное пособие / Л. М. Бакусов, В. А. Дуленко, Ю. С. Кабальное и др. / под ред. Бакусова Л. М. Уфа: ОН и РИО УЮИ МВД РФ, 2004.-230 с.
  38. B.C., Потемкин В. Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н. В. Г. Потемкина. М.:Диалог-МИФИ, 2002. — 496 с.
  39. Медицинская информационная система «Интер-Мед» Электронный ресурс. 2011. URL: http://interface-kzn.ru/content.php?page=prod&f=ico2l (дата обращения 13.10.11)
  40. Э., Мюллер П. Методы принятия технических решений: Пер. с нем. М. Мир, 1990. — 208 с.
  41. A.C. НЕ-факторы и инженерия знаний: от наивной формализации к естественной прагматике // Труды IV Национальной конференции «Искусственный Интеллект-94», Рыбинск, 1994. Т. 1, с. 9−18.
  42. Р. Г. Национальные рекомендации по профилактике, диагностике и лечению артериальной гипертонии Электронный ресурс. / под ред. Р. Г. Оганова [и др.]. 2004. URL: http://www.cardiosite.ru (дата обращения 18.05.2011)
  43. М.С., Блэшфилд P.K. Кластерный анализ // Факторный, дискриминантный и кластерный анализ / Под ред. Дж. О. Ким. -М.: Финансы и статистика, 1989. 215 с.
  44. А.И. Теория принятия решений. Учебное пособие. М.: Издательство «Март», 2004. 656 с.
  45. А.И. Экспертные оценки. Журнал «Заводская лаборатория». 1996. Т.62. No.l. С.54−60.
  46. А.И. Экспертные оценки. Учебное пособие. М.: ИВСТЭ, 2002 Электронный ресурс.
  47. Особенности построения гибридных интеллектуальных систем обработки информации. Комарцова Л. Г., Кадников Д. С., Ковалев И. В. // Информационные технологии, № 5, 2010. С. 2−11.
  48. Е.С. Модели индивидуального прогнозирования и классификации состояний в системах компьютерного мониторинга: Монография. Воронеж: ВГТУ, 1998. 127 с.
  49. М.А., Таперов Л. Н. Особенности проектирования медицинских диагностических систем // Программные продукты и системы, № 3,2002 г. с. 10−11.
  50. Р. Влияние размера выборки на качество клинических исследований. Электронный ресурс. 2008. URL: http://www.statsoft.ru (дата обращения 27.09.2011)
  51. Покровский Н. Usability-методы исследования Web-сайта. Электронный ресурс. 2011. URL: http://www.usability.ru/articles/Articles/um.htm (дата обращения 6.07.2011)
  52. Портал по машинному обучению Электронный ресурс. 2011. URL: http://www.machinelearning.ru (дата обращения 05.10.11)
  53. P. M. Анализ биомедицинских сигналов. Практический подход / Р. М. Рангайян — пер. с англ. А. Н. Калиниченко, под ред. А. П. Немирко .- М.: ФИЗМАТЛИТ, 2010 .- 439 с.
  54. Растригин J1.A. Современные принципы управления сложными объектами. М.: Св. радио, 1980. — 232 с.
  55. О.Ю. Статистический анализ медицинских данных. М.: Медиасфера, 2002 г. 312 с.
  56. О.В. Медицинские информационные системы: учеб. пособие / О. В. Родионов, А. И. Воронин, E.H. Коровин / Воронеж: Воронеж, гос. техн. ун-т, 2003.
  57. В.Н. Нечеткие системы. СПб: «Издательство «JIEMA» — 2009. -183 с.
  58. Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгиритмы и нечеткие системы: Пер. с польск. И. Д. Рудинского. М.: Горячая линия — Телеком, 2007. — 452 с.
  59. Г. В., Душкин Р. В. НЕ-факторы: лингвистические аспекты извлечения // Труды Международного семинара «Диалог-2002» по компьютерной лингвистике и её приложениям / Под ред. А. С. Нариньяни. т. 2. М.: НАУКА, 2002. с. 484−488.
  60. Т.Д. Принятие решений при зависимостях и обратных связях: Аналитические сети. Пер. с англ. / Науч. Ред. A.B. Адрейчивок, О. Н. Андрейчикова. Изд. 2-е. М.: Книжный дом «Либроком», 2009. — 360 с.
  61. Сайт Российского медицинского общества по артериальной гипертонии Электронный ресурс. 2011. URL: http://www.gipertonik.ru (дата обращения 11.04.2011)
  62. А. Д., Щербина О. А. Системный анализ и современные информационные технологии // Труды Крымской Академии наук. -Симферополь: СОНАТ, 2006. С. 47−59.
  63. Св-во об офиц. per. программы для ЭВМ № 2 011 619 194 Нейросетевой модуль диагностики артериальной гипертонии / М. А. Шулакова, C.B.
  64. Жернаков. M.: Роспатент, 2011.
  65. Св-во об офиц. регистрации программы для ЭВМ № 2 012 612 148 Система поддержки принятия решений при диагностике артериальной гипертонии / М. А. Шулакова, C.B. Жернаков. М.: Роспатент, 2012.
  66. B.C., Луценко Е. В. Адаптивное управление сложными системами на основе теории распознавания образов. / Техн. ун-т Кубан. гос. технол. ун-та. Краснодар, 1999. — 318 с.
  67. Синтез нечетких сетевых моделей, обучаемых по структуре данных для медицинских экспертных систем. / H.A. Кореневский, P.A. Крупчатников, С. А. Горбатенко // Медицинская техника, № 2, 2008. С. 18 24.
  68. Системы искусственного интеллекта и принятия решений: Учеб. пособие / Т. М. Леденева, С. Л. Подвальный, В.И. Васильев- Уфимск. гос. авиац. техн. ун-т, Воронеж, гос. тех. ун-т. Уфа: УГАТУ, 2004. — 206 с.
  69. Статистическая обработка и анализ экономических данных / А. В. Каплан и др. Ростов н/Д: Феникс, 2007. — 330 с.
  70. В.П. Статистика: учебный курс. Электронный ресурс. 2008. URL: http://www.e-college.ru (дата обращения 14.06.2011)
  71. К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ.- М.: Финансы и статистика, 1990
  72. Теория выбора и принятия решений: Учеб. пособие. / И. М. Макаров, Т. М. Виноградская, A.A. Рубчинский, В. Б. Соколов / М.: Наука. Главная редакция физико-матем. лит-ры, 1982 г.
  73. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP / A.A. Барсегян, M.C. Куприянов, B.B. Степаненко, И. И. Холод. 2-е изд. — СПб.: БХВ-Петербург, 2008. — 348 с.
  74. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. -109 с.
  75. Ф. Нейрокомпьютерная техника: теория и практика. Электронное издание, 2002 г.
  76. , С. Нейронные сети: полный курс. 2-е издание. Пер. с англ. -М.: Издательский дом «Вильяме». 2006. — 1104 с.
  77. Ю.Р. Математическая статистика и обработка данных, 2010 г.
  78. Л.Р., Низамутдинов М. М. Анализ процессов управления в критических ситуациях на основе классификации с использованием нейронных сетей//Нейрокомпыотеры: разработка и применение. № 4−5, 2001. с.73−76.
  79. М. Интеллектуальный анализ данных в системах поддержки принятия решений // Открытые системы. 1998. -№ 1. — С. 30−35.
  80. В.Э. Основы технического творчества.-Уфа:УАИ, 1987. 63 с.
  81. М.А., Жернаков С. В. Нейросетевой модуль системы медицинской диагностики // Нейрокомпьютеры: разработка, применение. 2011. № 9. С. 47−53.
  82. М.А., Жернаков С. В. Система диагностики артериальной гипертонии на основе метода гибридного интеллекта // Системный анализ и управление в биомедицинских системах. Том 10, № 4, 2011. С. 910 915.
  83. М.А., Жернаков С. В. Система медицинского мониторинга и коррекции функционального состояния организма человека // Вестник УГАТУ. Серия «Управление, вычислительная техника и информатика». 2011. Т. 15, № 2(42). С. 196−203.
  84. Электронный учебник StatSoft Электронный ресурс. 2011. URL: http://www.statsoft.ru (дата обращения 1.04.2011)
  85. Элементарный курс теории принятия решений / Под ред. С. К. Думина, JI.3. Яшина. М.: Вычислительный центр РАН. 2000. 95 с.
  86. Д.Б. Вычислительные методы теории принятия решений. 2-е изд. — М.: КРАСАНД, 2010. — 320 с.
  87. Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособоие. М.: Финансы и статистика, 2004. — 320 с.
  88. Berner Е. S. Clinical Decision Support Systems. New York, NY: Springer, 2007.
  89. Berner E. S., Webster G. D., Shugerman A. A. Performance of four computer-based diagnostic systems. N Engl J Med. 1994.
  90. Bhatia S. Clinical Decision Support System. Book Club Электронный ресурс. 2008. URL: http://scribd.com (дата обращения 10.10.11)
  91. Buchanan B.G.- Shortliffe E.H. Rule Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Reading, MA: Addison-Wesley.
  92. Bullet Proof Expert System Electronic resource. 2009. URL: http://www.bulletproofpt.com/?pageid=14 (дата обращения 15.12.2010)
  93. Coiera E. Guide to Health Informatics. 2-nd edition Electronic resource. 2003. ULR: http://bioinf.dms.med.uniromal.it/Didattica/Letture/aimd.htm, (дата обращения 25.08.2011).
  94. Diagnosis Pro. Free Online Differential Diagnosis Tool Electronic resource. 2010. URL: http://en.diagnosispro.com (дата обращения 15.12.2010)
  95. Diagnoz-it Electronic resource. 2009. URL: http://www.diagnozit.com (дата обращения 15.12.2010)
  96. Friedman С. P., Elstein A. S., Wolf F. M., et al. Enhancement of clinicians' diagnostic reasoning by computer-based consultation: a multisite study of 2 systems. JAMA. 1999.
  97. Garg A. X., Adhikari N.K.J., McDonald H., et al. Effects of computerized clinical decision support systems on practitioner performance and patient outcomes. JAMA. 2005.
  98. Graber M.L., Franklin N., Gordon R. Diagnostic error in internal medicine. Arch Int Med. 2005.
  99. Graber M.L. Diagnostic error in medicine—a case of neglect. Joint Comm J Saf Qual Improv. 2004. p. 112−119.
  100. Kantor G. Guest software review: Isabel diagnosis software. 2006.
  101. Kassirer J.P. A report card on computer-assisted diagnosis—the grade: C. N Engl J Med. 1994.
  102. Lincoln M.J., Turner C.W., Haug P.J., et al. Iliad’s role in the generalization of learning across a medical domain. Proc. Ann. Symp. Comput. Appl. Med. Care. 1992. p.174- 178.
  103. London S. DXplain: a Web-based diagnostic decision support system for medical students. Med Ref Serv Q. 1998 Summer- 17(2): 17−28
  104. Medsker L. Hybrid Intelligent Systems. Kluver Academic Publishers, 1998
  105. Mitchell T. Machine learning. McGrawHill, 1997.
  106. Ramnarayan P., Roberts G. C., Coren M., et al. Assessment of the potential impact of a reminder system on the reduction of diagnostic errors: a quasi-experimental study. BMC Med Inform Decis Мак. 2006.
  107. Ramnarayan P., Tomlinson A., Rao A., Coren M., Winrow A., Britto J. ISABEL: a web-based differential diagnosis aid for pediatrics: results from an initial performance evaluation. Arch. Dis. Child. 2003- 408−413.
  108. Tang H., Ng J.H.K. Googling for a diagnosis—use of Google as a diagnostic aid: internet based study. Br. Med. J. 2006.
  109. Valerie J. Easton, John H. McColl. Statistics Glossary: Hypothesis Testing.
  110. VisualDX. Visual Diagnostic Decision Support System Electronic resource. 2010. URL: http://www.visualdx.com/visualdxEnterprise/index.jsf (дата обращения 15.12.2010)
Заполнить форму текущей работой

Сессия? Спокойно!