Помощь в написании студенческих работ
Антистрессовый сервис

Нечеткие нейросетевые модели с динамической структурой в интеллектуальных системах анализа данных на многомерных шкалах

Диссертация: Нечеткие нейросетевые модели с динамической структурой в интеллектуальных системах анализа данных на многомерных шкалах
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Во многие технические и социо-технические системы входят множества, числовое описание объектов которых не представляется возможным. Такие системы называются эмпирическими. Задачи их анализа породили ряд методов: факторный анализ, многомерное шкалирование, дискриминантный и кластерный анализ. В последнее время для решения сложных задач управления, информационного мониторинга, диагностики… Читать ещё >

Нечеткие нейросетевые модели с динамической структурой в интеллектуальных системах анализа данных на многомерных шкалах (реферат, курсовая, диплом, контрольная)

Содержание

  • Список обозначений сокращении
  • ГЛАВА 1. АНАЛИЗ МЕТОДОВ И СРЕДСТВ АНАЛИЗА IIA МНОГОМЕРНЫХ СУБЪЕКТИВНЫХ ШКАЛАХ
    • 1. 1. Многомерное шкалирование
    • 1. 2. Модели прогнозирования, базирующиеся на шкалах, полученных на основе личностных опросников
    • 1. 3. Формирование многомерных субъективных шкал системой TACT
    • 1. 4. Системы искусственного интеллекта для классификации объектов н принятия решений
      • 1. 4. 1. Общие подходы к проектированию интеллектуальных систем
      • 1. 4. 2. Продукционная модель знаний и ее использование в интеллектуальных системах
      • 1. 4. 3. Реализации интеллектуальных систем на базе логической модели знаний н нечетких непросетевых структур
    • 1. 5. Цели и задачи исследования
  • ГЛАВА 2. МОДЕЛИ И АЛГОРИТМЫ АНАЛИЗА ДАННЫХ НА МНОГОМЕРНЫХ СУБЪЕКТИВНЫХ ШКАЛАХ
    • 2. 1. Нейросетевые модели многомерных шкал для интеллектуальных систем анализа данных
    • 2. 2. Нечеткие нейросетевые решающие модули для интеллектуальных систем обработки данных на многомерных шкалах
    • 2. 3. Формирование блока сокращения пространства признаков на примере много, мерных шкал, полученных на основе индпвндуально-типологнческого опросника
    • 2. 4. Выводы второй главы
  • ГЛАВА 3. ИНТЕЛЕКТУАЛЬНАЯ СИСТЕМА АНАЛИЗА ДАННЫХ ДЛЯ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ НА МНОГОМЕРНЫХ СУБЪЕКТИВНЫХ ШКАЛАХ
    • 3. 1. Разработка и исследование интеллектуальной системы анализа данных па многомерных и субъективных шкалах
    • 3. 2. Исследование и разработка СУБД для интеллектуальной системы анализа данных па многомерных шкалах
    • 3. 3. Основные элементы интерфейса АРМ пользователя
    • 3. 4. Выводы третьей главы
  • ГЛАВА 4. ЭКСПЕРЕМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ И СРАВНИТЕЛЬНАЯ ОЦЕНКА ПОКАЗАТЕЛЕЙ КАЧЕСТВА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ АНАЛИЗА МНОГОМЕРНЫХ ДАННЫХ НА СУБЪЕКТИВНЫХ ШКАЛАХ
    • 4. 1. Методические подходы к формированию многомерных шкал на примере прогнозирования психосоматических заболеваний
    • 4. 2. Экспериментальные исследования решающих модулей, построенных на основе методов дискриминантного анализа (на примере прогнозирования ИБС)
    • 4. 3. Экспериментальные исследования решающих модулей на основе нечетких нейронных сетей
    • 4. 4. Выводы четвертой главы
  • ЗАКЛЮЧЕНИЕ 121 БИБЛИОГРАФИЧЕСКИЙ
  • СПИСОК

Актуальность работы. В настоящее время интеллектуальные системы охватывают все более широкие сферы человеческой деятельности. Наиболее актуальные задачи, которые должны решать интеллектуальные системы — это задачи классификации и прогнозирования состояния сложных систем. Во многих случаях решения классификационных задач делается попытка анализа крайне большого числа признаков, что, по мнению исследователей, должно способствовать повышению информативности представлений выборки. Однако выбор полезной информации, т. е. осуществление отбора признаков, является операцией совершенно необходимой, поскольку для решения любой классификационной задачи должны быть отобраны сведения, несущие не «шум» и не иррелевантную (не относящуюся к цели исследования), а полезную для данной задачи информацию. В случае, если это не осуществлено по каким-то причинам, исследователь может получить неадекватные модели или недостоверные решения.

Во многие технические и социо-технические системы входят множества, числовое описание объектов которых не представляется возможным. Такие системы называются эмпирическими. Задачи их анализа породили ряд методов: факторный анализ, многомерное шкалирование, дискриминантный и кластерный анализ. В последнее время для решения сложных задач управления, информационного мониторинга, диагностики, распознавания образов, и т. д. используют технологии нейронных сетей, эволюционного моделирования и генетических алгоритмов, нечеткой логики, а также различные гибридные технологии или технологии мягких вычислений — Soft computing (нейро-нечетких, нейро-генетических и т. п.). Сфера практического применения перечисленных технологий постоянно расширяется. Однако гибридные технологии обработки данных (использующие парадигмы нечеткой логики и нейросетевого моделирования) не всегда приводят к повышению качества работы интеллектуальной системы (в рамках нечеткой логики под качеством принятия решений понимается степень уверенности в принимаемых решениях, а в интеллектуальных системах медицинского назначения качество традиционно оценивается диагностической чувствительностью, специфичностью, эффективностью и прогностической значимостью), что объясняется динамической структурой анализируемых данных, полученных на субъективных шкалах. Поэтому структура нечетких нейросетевых моделей должна зависеть от структуры обрабатываемых данных, то есть тоже быть динамичной. Несмотря на активные исследования в этой области остаются не решенными многие проблемы, связанные с разработкой методов и алгоритмов синтеза гибридных моделей с динамической структурой.

Таким образом, решаемые в диссертационной работе задачи создания моделей нечетких нейронных систем с динамической структурой, повышающих качество прогнозирования и классификации состояния социо-технических систем являются важными и актуальными.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009;2013 годы (государственный контракт № П705 от 12 августа 2009 г., номер госрегистрации 1 200 962 672) по проблеме «Прогнозирование функционального состояния сердечно-сосудистой системы человека на основе многомерного спектрального анализа данных мониторинга акустических и электрофизиологических процессов жизнедеятельности, осуществляемого посредством микроминиатюрных датчиков и мобильных средств связи» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Эмпирические множества, полученные на многомерных и субъективных шкалах.

Предмет исследования. Структурно-функциональная организация нечетких нейросетевых моделей обработки данных для интеллектуальных систем прогнозирования и классификации состояния сложных систем.

Содержание диссертации соответствует п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации» и п. 5 «Разработка специального математического и программного обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации» специальности 05.13.01 — Системный анализ, управление и обработка информации Паспорта номенклатуры специальностей научных работников (технические науки).

Цель работы. Разработка нечетких нейросетевых моделей для интеллектуальных систем анализа данных на субъективных шкалах, обеспечивающих повышение качества прогнозирования сердечно-сосудистых осложнений, связанных с психосоматическим риском.

Для достижения поставленной цели необходимо решить следующие задачи:

— проанализировать существующие методы интеллектуальной поддержки принятия решений, предназначенные для решения практических задач. Выявить их достоинства и недостатки;

— разработать метод и алгоритмы формирования многомерных шкал по субъективным данным;

— разработать метод формирования нечетких нейросетевых решающих модулей с динамической структурой для анализа данных на субъективных шкалах;

— разработать структурную схему интеллектуальной системы анализа данных на многомерных шкалах и ее программное обеспечение;

— исследовать на практике эффективность применения созданных способов, моделей и алгоритмов для решения практических задач (на примере интеллектуальной системы прогнозирования психосоматических заболеваний).

Методы исследований. В работе использовались методы системного анализа, математической статистики, теории нечетких нейронных сетей и распознавания образов, экспертного оценивания и принятия решений. При разработке модуля нечеткого вывода в качестве инструментария использовался.

Matlab 7.1 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной: метод синтеза многомерного фуззификатора, заключающийся в представлении его структурно-функциональной модели в виде двух последовательно соединенных блоков, первый из которых реализует регрессионную модель многомерной шкалы, а второй — нелинейное преобразование, параметры которого определяются эмпирически на основе модели нелинейной многомерной регрессии, позволяющий трансформировать многомерную шкалу в одномерную и определять функцию принадлежности по заданному блоку информативных признаковметод управления структурой нечеткого решающего модуля, заключающийся в формировании динамической структуры агрегатора посредством двухуровневой схемы агрегирования, на первом уровне которой агрегируются только те выходы фуззификаторов, парные коэффициенты корреляции которых превосходят априорно заданное значение, а на втором уровне агрегируются выходы агрегаторов первого уровня и некоррелированные выходы фуззификаторов, позволяющий повысить качество классификации за счет увеличения числа анализируемых многомерных субъективных шкалалгоритм настройки нечеткого нейросетевого модуля с динамической структурой, отличающийся итерационным процессом изменения структуры агрегатора в интерактивном режиме путем варьирования пороговым значением коэффициентов парной корреляции выходов нейросетевого фуззификатора и фиксированными нечеткими операциями в агрегаторах первого уровня, и генетическим алгоритмом настройки агрегатора второго уровня, позволяющий получить параметры модели нечеткого решающего модуля с динамической структуройструктура интеллектуальной системы анализа многомерных данных на субъективных шкалах, отличающаяся интеграцией нечетких решающих модулей, личностных опросников и унифицированностью интерфейса пользователя, позволившая мониторировать риск психосоматических заболеваний.

Практическая значимость и результаты внедрения. Практическое значение работы определяется возможностью применения результатов исследования при прогнозировании психосоматических заболеваний.

Разработанные методы, модели и алгоритмы составили основу построения интеллектуальной системы для прогнозирования сердечнососудистых осложнений. Программные средства ориентированы на практическое здравоохранение.

Результаты работ внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200 402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных») и используются при мониторинге психосоматического риска в ООО «Санаторий Моква».

Автоматизированное рабочее место респондента вынесено на Интернет Сайт Test-SZ.net.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: на X, XI, XII и XIII Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2007, 2008, 2009, 2010) — XXI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (Биомедсистемы-2008, Рязань 2008) — на XVII Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2009), на Всероссийской конференции «Перспективы фундаментальной науки в сфере медицинского приборостроения» (Таганрог, 2009), на Международной конференции с элементами научной школы для молодежи «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 2009) — на I Международной конференции «инновационные технологии управления здоровьем и долголетием человека» (Санкт-Петербург, 2010) — на Всероссийской научно-технической конференции с международным участием «Медицинские информационные системы» (Таганрог, 2010) — на XXVI Международной научно-технической конференции «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, 2010) — на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2007, 2008, 2009, 2010).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 16 печатных работ. В том числе 4 работы из списка ВАК и одно свидетельство на регистрацию программы.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] и [11] соискателем разработана общая структура интеллектуальной системы для анализа сложных объектовв [2, 8] автором предложены математические модели для идентификации живых систем на субъективных шкалахв [3] соискатель исследовал нечеткие нейросетевые модели с динамической структуройв [4, 7] автор предложил способы формирования многомерных шкал по субъективным данным для идентификации сложных системв работах [9, 13, 15] соискателем разработаны методы, алгоритмы и программное обеспечение для реализации нечетких нейросетевых моделей, предназначенных для анализа данных на субъективных шкалах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, ^ включающего 101 отечественных и 45 зарубежных наименований. Работа изложена на 122 страницах машинописного текста, содержит 43 рисунка и 32 таблицы.

4.4. Выводы четвертой главы.

1. Предложены методические подходы для формирования многомерных субъективных шкал для интеллектуальной системы прогнозирования риска психосоматических заболеваний.

2. Исследованы показатели эффективности классификации больных ишемической болезнью сердца на многомерных субъективных шкалах решающими модулями, реализованными на основе дискриминантного анализа. Проведены эксперименты по оценке влияния модификаций многомерных шкал на показатели качества классификации.

3. Исследованы показатели эффективности классификации больных ишемической болезнью сердца на многомерных и субъективных шкалах нечеткими нейросетевыми решающими модулями. Проведены эксперименты по оценке влияния модификаций многомерных шкал на показатели качества классификации.

4. Проведена сравнительная оценка показателей эффективности классификации нечетких нейросетевых решающих модулей с блоком сокращения мерности в фуззификаторе, выполненным на основе критерия «каменистой осыпи».

5. Экспериментальные исследования показали, что разработанные модели нечетких нейросетевых решающих модулей превосходят по диагностической эффективности модели, разработанные на основе алгоритмов дискриминантного анализа на 25.20% на всех модификациях многомерных шкал при их апробации в режиме диагностики психосоматических заболеваний и превосходят на 10. .15% известную шкалу SCORE при работе в режиме прогнозирования психосоматических заболеваний.

ЗАКЛЮЧЕНИЕ

.

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для интеллектуальных систем анализа многомерных данных, позволяющие проектировать интеллектуальные системы для прогнозирования и диагностики состояний сложных систем на основе анализа многомерных субъективных шкал.

В диссертационной работе получены следующие основные результаты.

1. Проанализированы существующие методы формирования интеллектуальных информационных технологий для решения практических задач диагностики и прогнозирования состояния сложных систем. Выявлены их достоинства и недостатки.

2. Разработан метод синтеза многомерного фуззификатора, заключающийся в представлении его структурно-функциональной модели в виде двух последовательно соединенных блоков, первый из которых реализован посредством регрессионной модели многомерной шкалы, а второйпосредством нелинейного преобразования, параметры которого определяются эмпирически на основе модели нелинейной регрессии, который позволяет трансформировать многомерную шкалу в одномерную и определять функцию принадлежности по заданному блоку информативных признаков.

3. Разработан метод управления структурой нечеткого решающего модуля, заключающийся в формировании динамической структуры агрегатора посредством двухуровневой схемы агрегирования, на первом уровне которой агрегируются только те выходы фуззификаторов, парные коэффициенты корреляции которых превосходят априорно заданное значение, а на втором уровне агрегируются выходы агрегаторов первого уровня и некоррелированные выходы фуззификаторов, позволяющий повысить качество классификации за счет увеличения числа анализируемых многомерных субъективных шкал.

4. Предложен алгоритм настройки нечеткого нейросетевого модуля с динамической структурой, построенный на основе итерационного процесса изменения структуры агрегатора первого уровня и использовании генетического алгоритма настройки агрегатора второго уровня, позволяющий управлять структурой решающего модуля.

5. Разработана структурная схема интеллектуальной системы анализа данных на многомерных субъективных шкалах, работающая в режиме OnLine, которая реализована посредством специально подготовленного Интернет сайта Test-SZ.net, и ее программное обеспечение, выполненное на основе реляционной базы данных SQLite, позволяющая осуществлять контроль и управления состояниями сложных объектов.

6. На примере прогнозирования риска психосоматических заболеваний проведена сравнительная оценка показателей качества прогнозирования известными способами и шкалами — дискриминантный анализ и шкала SCORE — и предложенными классификационными моделями, которая показала, что диагностическая эффективность решающих модулей, полученных в результате проведенных исследований, превышает диагностическую эффективность решающих модулей, полученных на основе методов дискриминатного анализа, в среднем, на 15%, а шкалу SCORE, в среднем на 10%.

Показать весь текст

Список литературы

  1. , С.А. Прикладная статистика. Основы эконометрики: учебник для вузов: В 2 т. Т. 2. Основы эконометрики. Текст. / С. А. Айвазян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001.432 с.
  2. , С.А. Прикладная статистика. Основы эконометрики: учебник для вузов. В 2 т. Т. 1. Теория вероятностей и прикладная статистика Текст./ С. А. Айвазян, B.C. Мхитрян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 656 с.
  3. Т.А., Новиков И. Д. Психологические предикаторы эффективности психорелаксационной терапии при гипертонической болезни II Психологическая диагностика отношения к болезни при нервно-психической и соматической патологии. Л., 1990. С. 109−113.
  4. Ф. Психосоматическая медицина. — М.: ЮНИТИ, 2007. 435 с.
  5. , Д. М. Вторичная профилактика хронической ИБС Текст. / Д. М. Аронов, В. Я. Лупанов // Лечащий врач. 2004. № 7. С. 66−68.
  6. , Н.М. Вейвлет-анализ: основы теории и примеры применения Текст./ Н. М. Астафьева. УФН, тЛ66,11 1996. с. 1145−1170.
  7. , А., Эйзен, С. Статистический анализ Текст./ А. Афифи, С. Эйзен. М. «Мир», 1972.
  8. , М.М. Прогнозирование сердечно сосудистых заболеваний. Текст. / М. М. Батюшин //Монография. — Ростов -н/Д.: Издательство МАРТ. 2006. 144с.
  9. P.M. Оценка адаптационных возможностей организма и риск развития заболеваний / P.M. Баевский, А. П. Берсенева. М.: Медицина, 1997. 265 с.
  10. , И.З. Общий взгляд на основные черты и направления развития нечеткой логики Текст. И. З. Батыршин Новости искусственного интеллекта. 2001. 44−45. 25−27.
  11. П.Барсегян, A.A. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP Текст. A.A. Барсегян. СПб.: БХВ-СанктПетербург, 2007. 384 с.
  12. У., Перре М. Клиническая психология / У. Бауманн, М.Перре. М.: Медицина. — 1998 г., 965 с.
  13. , А.Н. Принятие решений на основе нечетких моделей: Примеры использования Текст. А. Н. Борисов, О. А Крумберг, И. П. Федоров Рига: Зинатне, 1990. 180 с. Н. Брудно, В. А. Базы данных с неполной информацией [Текст] В. А. Брудно, Д. П. Скворцов 5−45.
  14. Боровиков, В. STISTICA. Искусство анализа данных на компьютере: Для профессионалов Текст. / В. Боровиков. 2-е изд. (+CD). СПб.: Питер, 2003. 688 с.
  15. , С. А. Метаболический синдром: патогенез, клиника, диагностика, подходы к лечению Текст./ С. А. Бутрова// Русский медицинский журнал 2001- 2: 56 60.
  16. Е.А. Роль поведенческого типа, А и психического стресса в развитии ишемической болезни сердца, возможности психопрофилактики и психотерапии заболевания //Кардиология. 1999. — № 9. — С.72 -78.
  17. , A.A. Новая информационная технология обработки данных (программный комплекс ОМИС) Текст. / A.A. Генкин. СПб.: Политехника, 1999. 191 с.
  18. , В.А. Нейро-нечеткий метод классификации объектов с разнотипными признаками Текст. / В. А. Гимаров, М. И. Дли, С .Я. Битюцкий // Системы управления и информационные технологии. 2004. № 4 (16). С. 13−18.
  19. , А. II. Обучение нейронных сетей Текст./ А. Н. Горбань- М.: СП ПараГраф, 1990.
  20. , A.JT. Методы распознавания Текст. / A.JI. Горелик, В. А. Скрипкин. М.: Высшая школа. 1989.
  21. , A.A. Система поддержки принятия решений для врача-терапевта на основе нечетких сетевых моделей Текст./ A.A. Грахов, JI.A. Жилинкова, Е.В. Шевелева//Вестник новых медицинских технологий. Тула, 2006. Т. ХП1, № 2. С.43−46.
  22. , Дж. Экспертные системы: принципы разработки и программирование. Текст./ Дж. Джаратано, Г. Райли. М.: Вильяме. 2007.1152 с.
  23. , Н.В. Индивидуальное здоровье и полипараметрическая диагностика функциональных состояний организма (системно информационный подход) Текст. / Н. В. Дмитриева, О. С. Глазачев. — М., 2000. — 214 с.
  24. , A.M. Многомерные статистические методы Текст.: учебник / A.M. Дубров, B.C. Мхитрян, Л. И. Трошин. М.: Финансы и статистика, 2000. 352 с.
  25. , Р. Распознавание образов и анализ сцен Текст. / Р. Дуда, Р. Харт. М.: Мир, 1976.
  26. Дюк, В. Обработка данных на ПК в примерах Текст. / В. Дюк. -СПб: Питер, 1997. 240 с.
  27. , И.И. Логика прикладного статистического анализа Текст. / И. И. Елисеева, В. О. Рукавишников. М.: Финансы и статистика, 1982. 192 с.
  28. О.П. Практикум по психологии личности / О. П. Елисеев. СПб.: Питер, 2001. 560 с. (Практикум по психологии)
  29. , А. Основы нового подхода к анализу сложных систем и процессов принятия решений Текст. / А. Заде // Математика сегодня. М., 1974.
  30. , И.В. Нейронные сети: основные модели: учебное пособие по курсу «Нейронные сети» для студентов 5 курса магистратуры физического ф-та Воронежского государственного университета Текст. / И. В. Заенцев. Воронеж, 1999. 76 с.
  31. A.A., Затейщиков Д. А. Эндотелиальная регуляция сосудистого тонуса: методы исследования и клиническое значение // Кардиология. 1998. — № 9. — С. 68−80.
  32. , В.Н. Современная информационная технология в системах управления Текст. / В. Н. Захаров // Изв. АН Теория и системы управления, 2000. № 1. С. 70−78.
  33. , Б.В. Патопсихология / Б. В. Зейгарник. М.: Медицина, 1986. — 346 с.
  34. Изучение генетических и лабораторных маркеров у пациентов с ишемической болезнью сердца и сахарным диабетом 2 типа / Назаренко Г. И., Клейменова Е. Б., Пающик С. А. // Российские Медицинские Вести. 2009.- том XIV, № 2. С.28−36.
  35. Изучение генетических маркеров и традиционных факторов риска у пациентов с ишемической болезнью сердца Текст./ Назаренко Г. И., Клейменова Е. Б., Гущина H.H., Пающик С. А. //Российские Медицинские Вести. 2009.- том XIV, № 1. С. 41−48.
  36. , Б.В. Ишемическая болезнь сердца и наследственность. Текст. / Б. В. Ильинский, С.К. Клюева// JL: Медицина, 1985. 176 с.
  37. , A.M. Влияние многофакторной профилактики ИБС на прогноз жизни Текст. / A.M. Калинина, Л. Ж. Чазова, Л. И. Павлова //Кардиология. 1996. — № 3. С. 22 — 27.
  38. Клиническая психология: Учебник. 3 изд-е / Под ред.Б. Д. Карвасарского. — СПб.: Питер, 2007. — 960 с.
  39. , Н.М. Гипертоническая болезнь и ишемическая болезнь сердца: Руководство для врачей, обучающих пациентов в школе больных гипертонической болезнью и ишемической болезнью сердца Текст./ Н. М. Коломоец, В. И. Бакшеев. М.: Медицина, 2003. 336 с.
  40. , H.A. Автоматизированные медико-технологические системы Текст./ монография. В 3 ч. / H.A. Кореневский, А. Г. Устинов, В.А. Ситарчук- под ред. А. Г. Устинова. Курск, гос. техн. ун-т. Курск, 1995. 390 с.
  41. Ю.Н. Эмоции, стресс, курение, потребление алкоголя и рак корреляционные и причинные связи // Журнал ВНД им. Павлова, 1997. — № 4. — С.627−657.
  42. , В.В. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода Текст. // В. В. Круглов, М. И. Дли. М.: Физматлит, 2002. 322 с.
  43. , С.А. Основы психосоматики / А. С. Кулаков. СПб.: Речь, 2007. — 288 с.
  44. , С.А. Практикум по клинической психологии и психотерапии подростков / А. С. Кулаков. СПб.: Речь, 2007. — 415 с.
  45. Лабораторные и генетические маркеры в стратификации риска ишемической болезни сердца / Назаренко Г. И., Клейменова Е. Б., Гущина H.H. // Кардиоваскулярная терапия и профилактика. 2009. том 8, № 1 — С. 35−42.
  46. К. Акцентуированные личности. Киев, 1981.
  47. Н.П. Состояние стресс-систем у больных с экстрасистолической аритмией, вызванной психоэмоциональным стрессом / Н. П. Лямина, Т. П. Липчанская // Российский кардиологический журнал. 2000. -№ 1.-С.20−2.
  48. B.C. Очерк интегрального исследования индивидуальности. -М.: Педагогика.1986.
  49. , И.С. О взаимосвязи между курением и смертностью от ИБС среди 45−59-летнего мужского населения Каунаса Текст. / И. С. Мисявигене, Т. Н Станикас, И. С. Глазунов. // Cor et Vasa. 1980. Т. 22. С. 409−417.
  50. , Г. И. Оценка риска ИБС с помощью комбинации традиционных факторов риска и генетических маркеров Текст. / Г. И. Назаренко, Е. Б. Клейменова, С. А. Пающик // Кардиоваскулярная терапия и профилактика. 2008. № 7, Прил. № 1. С. 260.
  51. Нечеткие модели для экспертных систем в САПР Текст. / Н. Г. Малыше, П. С. Берштейн, A.B. Боненюк. М.: Энергоатомиздат, 1991. 136 с.
  52. Нечеткие множества в моделях управления и искусственного интеллекта Текст./Под ред. Д. А. Поспелова. М.: Наука, 1986. 312 с.
  53. Общая психодиагностика / Под ред. А. А. Бодалева, В. В. Столина. М.: Изд-во МГУ, 1987.
  54. , А.Н. Диагностика болезней внутренних органов. Диагностика болезней сердца и сосудов Текст. / А. Н. Окороков, под редакцией Н. Е. Федорова. М.: Мед. литр. 2006. 464с.
  55. , а.И. Экспертные оценки: учебное пособие Текст./ а.И. Орлов. М.: 2002.
  56. Основы проектирования автоматизированных систем анализа медико-биологических сигналов Текст. / В. В. Губанов, JI.B. Ракитская, С. А. Филист / ГУИПП «Курск». Курск, 1997. 134 с.
  57. , С. Нейронные сети для обработки информации Текст./ С. Осовский- пер. с польского И. Д. Рудинского.- М.: Финансы и статистика, 2002. 344 с.
  58. Патогенетические основы метаболического синдрома как состояния высокого риска атеросклеротических заболеваний Текст. / Н. В. Перова, В. А. Метельская, Оганов // Международный медицинский журнал 2001−7(3):6 10.
  59. Патофизиология заболеваний сердечно-сосудистой системы / Под ред. JI. Лилли- Пер. с англ. — М.: БИНОМ. Лаборатория знаний, 2003. — 598 с, ил.
  60. , А. Наглядная статистика в медицине Текст. / А. Петри, К. Сэбин. Пер. с англ. Леонова В. П. М.: ГЭОТАР-МЕД, 2003. 144с.
  61. В.В. и др. Курская модель подготовки врача с дополнительной квалификацией «медицинский психолог». Курск: КГМУ, 2000.
  62. В.В. Классификация основных типов акцентуаций свойств темперамента. Труды Всероссийского симпозиума «Механизмы интеграции функций в норме и при психосоматических расстройствах». Курск: КГМУ, ЦЧНЦ РАМН, 2005- 162−8.
  63. В.В., Кореневский A.A., Забродин Ю. М. Автоматизация методик психологического исследования. Орел: Институт психологии АН СССР, 1989.
  64. В.В., Северьянова Л. А., Плотников Д. В., Бердников Д. В. Тест акцентуаций свойств темперамента (TACT). Методическое пособие. СПб.: ИМАТОН, 2006.
  65. В.В., Северьянова Л. А., Плотников Д. В. Методика дискриминации свойств понятий (методическое пособие). В печати.
  66. В.В., Северьянова Л. А., Плотников Д. В. Психофизиологический анализ поведенческого фактора риска (тип А) ишемической болезни сердца. Курск: КГМУ, 2004.
  67. Д.В., Белозеров А. Е., Мешковский Д. В. Методы и средства оценки параметров ФС с различными типами обратных связей. Вестн. нов. мед. технол. 2006- 8 (2): 28−31.
  68. Д.В. Психофизиологические факторы риска ишемической болезни сердца. Дис. д-ра мед. наук. Курск: КГМУ, 2002.
  69. , Г. С. Искусственный интеллект основа новой информационной технологии Текст. / Г. С. Поспелов — М.: Наука, 1988. -168 с.
  70. Прогнозирование ишемической болезни сердца с использованием геномных и компьютерных технологий Текст. / Ю. И. Журавлев, Г. И. Назаренко, В. В. Рязанов, Е. Б. Клейменова // Кардиология, 2010. том 49, № 1.
  71. Прогностическая значимость различных методов оценки риска ишемической болезни сердца Текст. / Ю. И. Журавлев, Г. И. Назаренко, В. В. Рязанов, Е. Б. Клейменова // Клиническая геронтология: научно-практический журнал. 2009. № 8.
  72. Профилактика, диагностика и лечение артериальной гипертензии. Российские рекомендации (второй пересмотр). M.: ВНОК. 2004. 20 с.
  73. Е.И. Настольная книга практического психолога / Е. И. Рогов. М.: Владос, 2004. 384 с.
  74. , С.Я. Экспериментальные методики патопсихологии и опыт применения их в клинике / С. Я. Рубинштейн. СПб.: Питер, 1998. — 287 с.
  75. , В.Б. Функциональная диагностика: руководство для врачей общей практики Текст./ В. Б. Симоненко, A.B. Цоколов, А. Я. Фисун. М.: ОАО «Издательство «Медицина», 2005. 304с.
  76. , Е. И. Эмоции и атеросклероз Текст. / Е. И. Соколов. М., 1987. 253 с.
  77. , JI.H. Диагностика индивидуально-топологических свойств и межличностных отношенийТекст. /Л.Н. Собчик. М.:Изд-во «Речь». 2002. 120 с.
  78. , В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном интеллекте Текст./ В. Б. Тарасов // Новости искусственного интеллекта. 1995. № 4. С. 24−30.
  79. Тэрано, Т Прикладные нечеткие системы: пер. с японского Текст. / Под ред. Т. Тэрано, К. Асаи, М. Сугено. М.: Мир, 1993.
  80. , Ф. Нейрокомпьютерная техника: Теория и практика: пер. с англ. Текст./ Ф. Уоссермен. М.: Мир, 1992. 240 с.
  81. , С.А. Методика вейвлет-диагностики дисфонии по фонеме И Текст. / С. А. Филист, О. В. Шаталова, Н. В. Краснова Вестник новых медицинских технологий. -Тула, 2006. Т. XIII, № 2. С. 21−22.
  82. , С.А. Нейросетевой решающий модуль для исследования живых систем Текст./ С. А. Филист, С. Г. Емельянов, А.Ф. Рыбочкин// Известия Курского государственного технического университета № 2 (23), 2008. С. 77−82.
  83. , С. Нейронные сети: полный курс Текст. / С. Хайкин. М.: ООО «И.Д. Вильяме», 2006. 1104 с.
  84. В.П. Типы отношения к болезни у больных с сердечно-сосудистыми заболеваниями. Поиск закономерностей развития / В. П. Цекин // Независимый психиатрический журнал. М., 2004. № 2. С. 80−82.
  85. С.А., Деев А. Д., Оганов Р. Г. Факторы, влияющие на смертность от сердечнососудистых заболеваний в российской популяции. Кардиоваск тер и проф 2005- 1: 4—8.
  86. , В.В. Двухуровневая система принятия решений в медицинской информационной системе Текст. / В. В. Шаповалов, А. Г. Коресталев, A.B. тишков// Биомедицинская радиоэлектроника 2010. № 9. С.79−88.
  87. , М. В. Сердечно сосудистые факторы риска у пожилых больных сахарным диабетом 2 типа и методы их коррекции Текст. / М. В. Шестакова, Л. А. Чугунова, М. Ш. Шамхалова// Русский медицинский журнал 2002- 10- 11: 480 — 485.
  88. , В.В. Влияние грандаксина на уровни цейтнотности и стрессогенности у больных артериальной гипертензией (АГ) /В.В. Шкарин, И. В. Поморцева Вестник Ивановской медицинской академии. 1999. 3−4.-С. 29−31.
  89. Anderson K.M., Odel P.M., Wilson P.W., Kannel W.B. Cardiovascular disease risk profiles. Am Heart J 1991- 121: 293—298.
  90. Athyros VG, Papageorgiou AA, Athyrou VV, Demitriadis DS, Kontopoulos AG. Atorvastatin and micronized fenofibrate alone and in combination in type 2 diabetes with combined hyperlipidemia. Diabetes Care 25, 1198−12 202 (2002)
  91. Austin MA, Breslow JL, Hennekens CH, Bunng JE, Willett WC, Krauss RM. Low-density lipoprotein subclass pattern and risk of myocardial infarction. JAMA. 1988:260:1917−1921.
  92. Bernardes, R. Mapping the human blood-retinal barrier function / R. Bernardes, J. Dias, J. Cunha-Vaz // ШЕЕ Trans. Biomed. Eng. 2005. — Vol. 52 (1) — p. 106−116.
  93. Beusterien K.M. Jr. Usefulness of the SF-36 Health Survey in measuring health outcomes in the depressed elderly/Beusterien K.M., Steinwald В., Ware J.E.// Journal ofOeriatric Psychiatry and Neurology 1996 Jan. -Vol.9 -№ 1. -PI 3−21.
  94. Bruce R. Exercise testing of patients with coronary heart disease // Ann. Clin. Res. -1971. -V. 3. P. 323−332.
  95. Czernichow S., Bertrais S., Oppert J. M. et al. Body composition and fat repartition in relation to structure and function of large arteries in middle-aged adults (the SU. VI. MAX study). Int. J. Obes. Relat. Metab. Disord. 2005: 29(7): 826—832.
  96. Conroy RM, Pyorala K, Fitzgerald AP, et al. Estimation of ten-year risk of fatal cardiovascular disease in Europe: the SCORE project. Eur Heart J 2003−24:987−1003.
  97. Cohen L., Marshall G.D., Cheng L., Agarwal S.K., Wei Q. DNA repair capacity in medical students during exam stress // J. Behav. Med. 2000. V.23. N6. P.531−544.
  98. Distante A., Povai D., Picano E. et al./ Noninvasive detection of transient ischemic changes in cardiac mechanics by M-mode and two-dimensional Echocardiography // Ather. Rev. 1983.-V. 10.-P. 41−50.
  99. Doll R., Peto R. Mortality in relation to smoking: tventy years observation of male British doctors // BMJ. 1976. — V. 2. — P. 1525−1536.
  100. Dunbar F.H. Emotions and bodily changes, N.Y., 1954.
  101. Dunbar F.H. Psychosomatic diagnosis. N.Y., London, 1948.
  102. European Guidelines on cardiovascular disease prevention in clinical practice. 3rd Joint European Societies' Task Force on Cardiovascular Disease Prevention in Clinical Practice. Eur J Cardio Vase Prev & Rehabil 2003- 10: 1—78.
  103. European Guidelines on cardiovascular disease prevention in clinical practice. 4th Joint European Societies' Task Force on Cardiovascular Disease Prevention in Clinical Practice. Eur J Cardio Vase Prev & Rehabil 2007- 4.
  104. Executive summary of the Third Report of the National Cholesterol Education Program (NCEP) Expert Panel on Detection, Evaluation, and Treatment of High Blood Cholesterol in Adults (Adult Treatment Panel III). JAMA.2001 ,-285:2486−2497.
  105. Heart Protection Study Collaborative Group. MRC/BHF Heart Protection Study of cholesterol lowering with simvastatin in 20,536 high-risk individuals: a randomised placebo-controlled trial. Lancet. 2002- 360 (9326): 7−22.
  106. Hebert PR, Gaziano JM, Chan KS, Hennekens CH. Cholesterol lowering with statin drugs, risk of stroke and total mortality: an overview of randomized trials. JAMA. 1997:278:313 321.
  107. Hennekens CH. Clinical and research challenges in risk factors for cardiovascular diseases. Eur Heart J. 2000:21:1917−1921.
  108. Hennekens CH. Current perspectives on lipid lowering with statins to decrease risk of cardiovascular disease. Clin Cardiol. 2001−24(suppl 7): II2-II5.
  109. Hennekens CH. Increasing burden of cardiovascular disease: current knowledge and future directions for research on risk factors. Circulation. 1998:97:1095−1102.
  110. Jamal Mahmud, M.D., Maju Mathews, M.D., Sunil Verma, M.D., and Biju Basil, M.D. Oxcarbazepine-Induced Thrombocytopenia // Drexel Univ. College of Medicine, Philadelphia, PA. 2005.
  111. Lee, C.C. Fuzzy logic in control systems: fuzzy logic controller-part I, II // IEEE Trans, on Systems, Man and Cybernetics, Vol. 20,1990. -№ 2 -P. 404−435.
  112. Lippmann R.P. An introduction to computing with neural nets // IEEE ASSP Magazin, April, 1987.-P. 4−20.
  113. Mitchell G.F., Vasan R.S., Keyes M.J. ct al. Pulse Pressure and Risk of New-Onset Atrial Fibrillation. JAMA. Feb. 21, 2007−297:709−715.
  114. Pandua, A.S. Pattern recognition with neural networks in C++. -Boca Raton: CRC Press: 1996.-410 p.
  115. Puska P., Vartiainen E., Tuomilehto J. et al. Changes in premature deaths in Finland: successful, long-term prevention of cardiovascular diseases. Bull World Health Organ 1998- 76: 4: 419-^25.
  116. Ridker P. M, Cushman M, Stamp fer MJ, Tracey RP, Hennekens CH. Inflammation, aspirin, and the risk of cardiovascular disease in apparently healthy men. N EnglJ Med. 1997:336:973 979.
  117. Ridker P.M., Buring J.E., Rifai N., Cook N.R. Development and Validation of Improved Algorithms for the Assessment of Global Cardiovascular Risk in Women. The Reynolds Risk Score. JAMA. February 14, 2007−297:611−619.
  118. Rubins H. B, Robins S.J., Collins D, el al. Gemfibrozil for the secondary prevention of coronary heart disease in men with low levels of high-density lipoprotein cholesterol. N EnglJ Med. 1999−341:410−418.
  119. Rumelhart, D.E. Learning integral representations by error propagation // Parallel Distributed Processing, Vol. 1, 1986,-№ 8 -P.318−362.
  120. Srinivasan D. Forecasting daily load curves using a hybrid fuzzy-neural apporoach // IEE Proc Generat. Transmiss. Distrib., Vol. 141, 1994, — № 6- P. 561 — 567.
  121. Summary of the second report of the National Cholesterol Education Program (NCEP) Expert Panel on Detection, Evaluation, and Treatment of High Blood Cholesterol in Adults (Adult Treatment Pane. II). JAMA. 1993:269:3015−3023.
  122. Williams C., House A. Reducing the cost of chronic somatisation // Irish Journal of Psychological Medicine. 1994. V. 11. N 2. P. 79−82.
  123. Zadeh L.A. Fuzzy algorithms // Information and control. Vol. 12, 1968.- № 2-P. 233−238.
Заполнить форму текущей работой

Сессия? Спокойно!