CC BY
68
Раздел I
БИОЛОГИЯ СЛОЖНЫХ СИСТЕМ. МАТЕМАТИЧЕСКАЯ БИОЛОГИЯ И БИОИНФОРМАТИКА В МЕДИКО-БИОЛОГИЧЕСКИХ СИСТЕМАХ
УДК: 612.821 DOI: 10.12737/5888
НОВЫЙ МЕТОД ИСПОЛЬЗОВАНИЯ НЕЙРОЭМУЛЯТОРОВ В ПСИХОФИЗИОЛОГИИ
В.М. ЕСЬКОВ, В.В. ЕСЬКОВ, Д.Ю. ФИЛАТОВА, С.В. НЕХАЙЧИК
ГБОУ ВПО «Сургутский государственный университет», проспект Ленина, 1, г. Сургут, Россия
Аннотация. У 146 детей при перемещении из Юргы в Туапсе изучалось состояние систем обработки зрительным или слуховым анализатором сенсорных реакций. Для обработки результатов использовался нейроэмулятор.
Установлено что статистическая обработка не четко дифференцирует различия между психофизическими функциями до и после широтных перемещений человека. С помощью нейроэмулятора удалось у 146 человек при попарном сравнении определить существенные изменения значимости слухового анализатора. Однократная процедура идентификации нейроэмулято-ром искажает результат и ее использование нецелесообразно. Рост числа итераций обеспечивает предсказуемую точность идентификации параметров порядка. Определена возможность разделения как разных сравниваемых групп, так и в одной группе (до и после воздействия тех или иных факоров).
Ключевые слова: нейроэмулятор, нейросети, параметр порядка, сенсомоторные реакции
A NEW METHOD OF USING NEUROMOTORS IN PSYCHOPHYSIOLOGY
V.M. ESKOV, V.V. ESKOV, D.Yu. FILATOV, S.V. NEKHAYCHIK
Surgut State University, Lenina 1, Surgut, Russia
Abstract. The status of the processing of visual or auditory analyzer sensory reactions was examined at 146 children when moving from Orgy in Tuapse. For processing of the results was used neuromotor. It is established that the aggregate doesn't clearly differentiate the differences between psychophysical functions before and after the latitudinal movements of the person. The substantial changes in the significance of the auditory analyzer were determined at 146 people in a pair-wise comparison by means of neuromotor. Once the authentication procedure by means of neuromotor distorts the results and its use is impractical. The increase in the number of iterations provides a predictable accuracy of the parameter identification procedure. The possibility of separating in different comparison groups, and one group (before and after exposure to these or other factors) was determined.
Key words: neuromotor, neural networks, parameter order, sensoromotor reactions.
Введение. Восприятие внешних сигналов сенсорными системами и их обработка мозгом человека может быть проанализирована простейшими методиками регистрации сенсомоторных реакций человека в ответ на представление зрительных или слуховых раздражителей. Однако, при использовании сразу нескольких методик, при анализе сразу нескольких сенсорных каналов - возникает задача идентификации наиболее существенных изменений в состоянии анализаторов при конкретных внешних воздействиях. Например, при широтных перемещениях может более значительно изменяться слуховой анализатор, чем зрительный или наоборот и т.д.
В подобных случаях мы приходим к задаче идентификации параметров порядка (наиболее значимых диагностических признаков), которые могут выделить наиболее существенные изменения в состоянии того или иного вида анализаторов. Это задачи системного синтеза, которые мозг человека решает непрерывно и ежеминутно в любой когнитивной деятельности.
Цель исследования - определить новый подход в задаче системного синтеза при изучении состояния сенсорных систем с использованием нейроэмуляторов, предло-
жить внешнюю модель по отношению к психическим функциям человека, как изучаемой системы, к её изменениям под воздействием внешних (например, экологических) факторов среды обитания.
Материалы и методы исследования. В качестве внешнего воздействия, которое изменяет состояние систем обработки информации зрительным или слуховым анализаторами, использовалось изменение экологических параметров окружающей среды путём перемещения большой группы детей младшего и среднего школьного возраста из северного региона России (ХМАО-Югра) в южный регион (берег Чёрного моря - Туапсе). Всего было перевезено 146 человек (в конце марта, то есть фактически для Югры это зимний период, когда температура воздуха была t=-110С, в весенний период, t=+20oС). Результаты обработки сенсомоторных данных при использовании набора из 3-х тестов представлены для 83 человек (девочки и мальчики). Производилось сравнение параметров сенсомоторных реакций отдельно для группы девочек и группы мальчиков: 45 и 38 человек в каждой группе соответственно (рис. 1).
Обследуемым предъявлялись тесты для регистрации латентных периодов сенсомоторной реакции при предъяв-
лении звукового сигнала (в таблицах ZVUK) и двух типов зрительного раздражителя. Латентные периоды этих трёх психофизиологических тестов образовывали трёхмерное фазовое пространство вектора состояния системы (ВСС) x=x(t)=(xi, x2, хз)Т. При этом, тест (1) направлен на исследование простой психомоторной реакции на включение красного квадрата в одном постоянном месте экрана (в таблицах KVi - xi). Испытуемый должен был как можно быстрее после появления квадрата на мониторе компьютера нажать клавишу на клавиатуре. Выполнение задания оценивалось по среднему времени (каждому испытуемому было 10 представлений одного типа) реакции (латентный период), т.е. промежутку времени между появлением квадрата и нажатием «кнопки» (в секундах).
Таким образом, тест (3) - это исследование простой психомоторной реакции (ZVUK - x3) в виде реакции на звуковой раздражитель (краткий, с частотой 200 Гц, простой звуковой сигнал из компьютера). Здесь также испытуемый должен был как можно быстрее нажать на клавишу после появления звукового сигнала (10 повторов). Также оценивалось среднее время реакции (латентный период) в секундах. Тест (2) отличался от первого только тем, что квадрат появлялся в произвольных областях экрана (KV2 - x2).
Вся группа (146 человек) была разбита на две подгруппы (мальчики и девочки), для которых производилось сравнение состояния их психофизиологических функций до отъезда из Югры и после их приезда в Туапсе (3 дня на адаптационный период). С помощью нейроэмулятора устанавливалось различие между группой мальчиков и девочек до отъезда на Юг и после приезда в Туапсе. Использовалось трёхмерное фазовое пространство вектора состояния психических функций х(Ц, когда в нейрокомпьютер (НЭВМ) вводились обучающие выборки xij, где i=1,2,3 номер координаты фазового пространства, а j=1,2,...,n, где n - число обследуемых в данной группе (мальчиков - 38 и девочек -45). Обучающие выборки из n элементов для каждой i-й координаты фазового пространства вводились в НЭВМ k раз, где k - номер итерации - повтора решения задачи бинарной классификации нейроэмулятором для одинаковых (двух выборок). Процедуры итераций (k=1,2,...,p) производились при исходном хаотическом задании начальных весов wio признаков xi, т.е. wio произвольно выбирались из интервала равномерного распределения (0,1). Получаемые на выходе конечные веса признаков w& для каждой k-й итерации после решения задачи бинарной классификации образовывали группы (наборы) весов признаков, которые обрабатывались в рамках традиционной стохастики (определялись функции распределения f(x)). Причём эти группы нами повторялись в наборах р1=50, р2=100, рз=1000. Иными словами, мы изучали динамику поведения весов признаков при малых числах итераций и при увеличении числа итераций р (максимальное число итераций р доходило до 105).
Конечная цель наших исследований заключалась в выявлении возможностей гендерной идентификации наиболее значимых диагностических признаков из набора xi. Устанавливалось какие сенсомоторные реакции наиболее значимо демонстрируют различия между параметрами психофизиологических функций девочек и мальчиков. Кроме этого, широтное перемещение и использование нейрокомпьютинга показывает возможные изменения значимости тех или иных психических функций в диагностике гендерных различий. Иными словами, дается ответ на вопрос: психики девочек и мальчиков по-разному реагирует на такие широтные перемещения или нет? Подобные зада-
чи широко распространены в физиологии, психологии, экологии человека, когда система описывается многими признаками xi и необходимо выявить среди них наиболее значимые в аспекте их изменений под действием внешних факторов (эксперимента).
Результаты и их обсуждение. Отметим две особенности и перспективы применения нейрокомпьютинга. Во-первых, статистическая обработка наших данных не даёт устойчивого результата по различию психофизиологических функций учащихся перед отъездом на Юг России и после приезда туда. Отдельные компоненты xi вектора состояния могут демонстрировать статистически значимые различия, но в целом, для всех xi, мы этого не наблюдаем. Когда статистика неэффективна, то нейроэмулятор может не только отдифференцировать различия между группами, но и показать значимость того или иного признака xi. В нашем случае xi - это конкретная психофизиологическая методика, характеризующая сенсомоторные функции мальчиков и девочек, находящихся в условиях широтных перемещений.
Существенно, что все четыре пары сравнения (Сургут 1
- Туапсе 1(прибытие); Туапсе 1 - Туапсе 2 (убытие); Туапсе 2
- Сургут 2 (возврат с Юга) и Сургут 1 - Сургут 2) дают существенное различие, т.е. задача бинарной классификации разрешается четко и можно идентифицировать веса признаков xi для каждой пары сравнения. Однако, проблемы возникают и весьма существенные. Они связаны с точностью определения весов признаков и, как следствие, с точностью определения параметров порядка.
Обычно, с математической точки зрения, подобные задачи решаются в рамках анализа статистических функций распределения для всех компонент xi ВСС x=x(t)=(x1, x2, ..., xm)T на основе статистической проверки гипотез или методами теории рисков. Последние годы к решению такой проблемы диагностики стали привлекаться методы нечетких множеств и теории нейросетей мозга. В последнем случае при использовании нейроэмуляторов возможно решение задачи бинарной классификации, которая определяет не только возможность (или невозможность) разделения двух разных в физиологическом отношении сравниваемых групп, но и одной группы, находящейся в состоянии до воздействия разных факторов и после такого воздействия.
Группа сравнения представлена группами мальчиков и девочек - в общем случае биологическими динамическими системами (БДС), которые находятся в исходном состоянии, а затем - после воздействия экологических факторов. При этом важно не только установить различия (или их отсутствие) между двумя этими состояниями (исходным и конечным), но и выявить наиболее значимые признаки (характеристики этих физиологических систем), которые внесли наибольший вклад в наблюдаемые изменения. Традиционно (в рамках стохастического подхода) такая задача решалась на основе анализа различий в функциях распределений для каждого из признаков xi, характеризующих состояние физиологических систем. При этом, все это состояние описывается ВСС x(t), компоненты которого xi могут принимать различные значения из некоторой области Axi по каждой такой координате вектора в фазовом пространстве состояний (ФПС). При этом, динамика поведения биосистемы может быть очень сложной и такие системы I.R. Prigogine и H. Haken [12,14] относили к complexity, т.е. к уникальным системам с неповторимой динамикой и состояниями.
Такой стохастический подход к complexity не применим, если мы не можем повторять биопроцессы одинаковым образом. В реальности любой биологический процесс
не может быть повторён дважды не только одинаковым образом, но и в смысле одинаковых функций распределений. Это составляет основу современной теории хаоса-самоорганизации (ТХС) [6,7]. Тем более, что задача идентификации различий между двумя состояниями биосистемы резко усложняется, если речь идёт о её единичной траектории. Иными словами, если в момент времени ti, мы имеем ВСС x(ti), а в другой момент t2 имеем x(t2), то установить различие в этих двух состояниях ВСС и тем более выделить параметры порядка (по каким xi эти два состояния различаются наиболее существенно) при разовой динамике процесса в рамках детерминизма или стохастики представляется весьма затруднительно. На это обращал внимание выдающийся эколог Ernst W. Mayr [13]. Именно для таких (разовых и уникальных) процессов, без возможности многократных повторений, методы нейросетевой диагностики применимы наиболее успешно [1-3].
В настоящей работе представляется решение такой сложной задачи на базе использования нейроэмуляторов. При этом нами доказывается, что разовое применение НЭВМ демонстрирует хаотическую динамику поведения значений весов диагностических признаков, что ставит под сомнение все результаты использования нейроэмуляторов в биологии и медицине, которые демонстрировали другие исследователи до нас, при однократных попытках идентификации параметров порядка (главных диагностических признаков). Идентификация наиболее значимых компонент ВСС, характеризующих физиологические системы в различных состояниях, в конечном итоге связано с решением глобальной проблемы идентичности или различий в её состоянии при действии факторов среды. Ответ на этот вопрос - фундамент всей физиологии, а выделение главных признаков xi - это ядро всей физиологии, медицины и различных прикладных направлений (экологии человека, психофизиологии, промышленной экологии и т.д.).
Использование нейроэмуляторов при решении задачи бинарной классификации в физиологии являлось до настоящего времени довольно продуктивным способом быстрой диагностики существенных (или несущественных) различий при оценке действия различных, в том числе и лечебных, факторов на исследуемый биологический объект. При влиянии неблагоприятных факторов среды на биосистемы нейроэмулятор однозначно может диагностировать различие между состоянием группы обследуемых до воздействия и после. Подобные задачи возникают не только в условиях действия медицинских или физических факторов, но и при широтных перемещениях (или климатических изменениях) групп испытуемых или в медицине при использовании различных методов лечения. В организме испытуемых при этом происходят изменения, проявляющиеся в физиологических параметрах [7,8].
Однако, вслед за выявлением наличия существенных различий между двумя состояниями физиологической системы (в момент времени ti - до воздействия, и t2 - после воздействия) возникает проблема выявления параметров порядка признак xi (i=1,...,k, где k<m). В физиологии человека в качестве xi могут выступать параметры функциональных систем организма (например, параметры сердечно-сосудистой системы (ССС) или нервно-мышечной системы (НМС) или психофизиологических функций испытуемых [1], что мы демонстрируем сейчас. Состояние организма испытуемых, их психофизиологических функций может характеризовать эффект экологического напряжения или экологического стресса. Поэтому попытки использования нейроэмуляторов для идентификации наиболее важных диагностических (физио-
логических) признаков представляет весьма важное направление в физиологии человека и медицине в целом [2-6].
Главная трудность при этом базируется на невозможности однозначного повторения любого состояния мозга, его нейронных систем. Действительно, если при каждой ¡-й итерации задавать начальные значения весов тг признаков XI из области равномерного распределения на отрезке (0, 1), то после настройки нейросети мы будем получать уникальные и неповторимые значения весов признаков xi, которые на графике можно представить в виде ординат (столбцы на рис. 1), а по горизонтальной оси откладывать ¡-й номер итерации (¡=1, 2,..., р). Наборы этих ординат для всех р=50 итераций (а также р=100 и р=1000) образуют выборку по каждой координате XI всего вектора состояния (это выборка весов признаков хг). Каждый такой набор из р1=50-ти (и рг, рз, что представлено на рис.1) столбцов юг) (величин весов признаков) образует хаотическую динамику для каждого признака XI (координаты XI всего ВСС). Общая картина для всех XI представлена на рис. 1 в виде трех различных диаграмм (т.е. т=3). Они различаются между собой для разных р а при повторах итераций по р=50 мы будем получать каждый раз разные статистические функции распределения /(X) для этих р для каждого признака хг.
................................................. "
......I ■■ III ■■■. Ii, II ■■ || .........Illilllilllliil........II............. Jill I,Hill........I
I ........................................................«»1-1000
ZVUK
„ I..I...........I. II... hl....................... ..1.11.1........................ • ■ • ,WUK-lm
„ L.......МуЛЖ^А.............m.mA.t.din.riiLJi.1
EV2
„ .................................................................................................... ■вя"1°°
№ 2 I-
Рис. 1. Диаграммы весов Юг (=1,2,3) трех признаков (психофизиологических параметров) при бинарной классификации группы девочек (45 человек) и мальчиков (38 человек) перед отъездом из Югры при рг=50, рг=100, рз=1000 итераций (повторов настроек нейроэмуля-
тора). Здесь КУ1 - тест, направленный на исследование простой психомоторной реакции на включение красного квадрата в одном постоянном месте экрана; КУ2 - тест, направленный на исследование простой психомоторной реакции на включение красного квадрата в произвольных областях экрана; ЕУиК - тест, направленный на исследование простой в виде реакции на звуковой раздражитель
На рис. 1 представлены три набора (для трех разных хг) диаграмм расчета весов юг) признаков XI (для т=3 компонент xг (координат) ВСС) при сравнении с помощью нейро-эмулятора двух групп девочек и мальчиков по параметрам хг - КУ1; xг - КУ2; xз - ZVUK до отъезда из Югры. Это пример из физиологии анализаторов, когда мы сравниваем состояние зрительного и слухового анализаторов для группы, находящейся в разных экологических условиях. Ординаты xг для каждого ряда (общий набор всех рядов представляет т-мерную размерность (т=3) всего фазового пространства состояний) представляют величины юг) весовых коэффициентов для каждого ¡-го цикла (из общего числа р циклов по р=50, р=100, р=1000), причем начальные веса юг0 укладывают-
ся в равномерном интервале т ^ (0, 1). Каждые три ряда для каждого признака хг (психофизиологического теста) представляет величину каждого /-го значения выходного весового коэффициента тг/ на /-ой (]=р1, р2, рз) итерации для одного набора итераций. Осуществляется /-я настройка искусственной нейронной сети каждый раз для нового, хаотического набора весовых признаков то).
Таким образом, повторяя решение каждой задачи бинарной классификации р раз, мы каждый раз получаем свое значение т/ (г=1, 2, 3) для соответствующей задачи бинарной классификации. Существенно, что при каждом повторении настройки нашей нейронной сети мы получаем различные значения каждого т/ на каждой /-ой настройке (итерации) и совпадения этих весов т/ (г-й номер координаты и ]-я итерация) никогда не наблюдается даже для р=106 (мы делали миллион итераций). Тем более, если мы используем только одну или две итерации (=1, 2), как это обычно делалось ранее в разных физиологических работах. При этом ранее все авторы получали единичное (разовое) распределение выходных весов признаков, которые не обладают информацией (рис.1).
Осуществив многократное повторение данной
процедуры, для каждого хг после /-го повторения мы можем получить общее число хаотической генерации значений весовых коэффициентов т/. Из таких повторений мы получаем хаотическую динамику в виде матрицы:
V = к)
/=1,...,т
Графическая иллюстрация таких матриц представлено в виде набора таблиц 1, 2, 3. Эти таблицы демонстрируют по 5 наборов р для малых (р=50) и для больших значений р (рг, рз). Здесь в таблице 1 для р=50 мы получаем пять разных законов распределений (и они все разные!), а для N серий по р итераций в каждой мы получим N^m выборок и функций распределения. Однако, для каждой р-й серии будем иметь уникальное распределение весов признаков. Такая ситуация является обычной (или нормальной) для хаотического процесса настройки нейросети при одинаковых обучающих выборках (и наборах хго). Именно такой хаотической настройкой нейросети мы сейчас объясняем хаос тремора, кардиоинтервалов и любых других параметров гомеостаза отдельного организма и любой физиологической системы в целом [9-11].
Для каждой такой процедуры на выходе каждый раз мы получаем один и тот же общий результат в виде диффе-ренцировки 2-х выборок (искусственные нейронные сети, как и биологические, реализуют задачу бинарной классификации), но в каждый момент времени величины весов признаков т/, т.е. внутренней структуры нейронной сети, будут различными. Это значит, что все уже известные, т.е. полученные ранее, в физиологии и медицине параметры исследований, связанные с численными расчетами на основе нейроэмуля-торов, могут иметь значимый вклад в постановку диагноза о состоянии биосистемы, а могут быть и недостоверными. Эти меры значимости определяются также нейронной сетью путем подсчета весовых коэффициентов т/. При этом сами значения хг тоже могут хаотически изменяться и поэтому мы должны проверять ещё и наличие различий в исходных выборках XI. Представим доказательство этому.
Особенность нашей настройки: число итераций (повторов идентификации) р брали в трёх диапазонах (р=50, р=100, р=1000), но при каждом /-м цикле значения тго задавались из равномерного закона распределения в интервале
(0, 1). Иными словами исходное состояние НЭВМ (веса признаков xio) были хаотически выбраны из этого отрезка. После разделения двух групп обследуемых (девочек и мальчиков), находящихся в двух состояниях (до отъезда на Юг и после приезда в Туапсе), т.е. после решения задачи бинарной классификации, получались выборки wij весов признаков xi, которые при каждой итерации имели свои значения.
Наборы разных выборок весов диагностических признаков xi, например, p1=pi=.pn=100, подвергались традиционному статистическому анализу [5]. Установлено, что получались законы распределения при каждой серии итераций по p как параметрического, так и непараметрического распределения, но каждый раз - разные (выборки были как бы из разных генеральных совокупностей). Однако, при переходе к p=100 первая значащая цифра весов признаков xik, оставалась неизменной при любых повторах и это определяло параметры порядка для изучаемых диагностических признаков.
Попарное сравнение этих выборок на основе критерия Вилкоксона тоже демонстрирует разнонаправленный результат: где-то критерий больше 0,05, но где-то он и меньше. Это значит, что отдельные пары различаются несущественно, а другие - существенно. Такая разнонаправленность свидетельствует о хаотическом статусе получаемых выборок при повторах итераций для p=100 (для p=50 эта картина выражена ещё более ярко).
В целом, анализ статистических данных wi показывает, что могут быть и непараметрические законы распределения, и даже параметрические, а попарное сравнение может дать существенное различие по критерию Вилкоксона (для p=0,05 как критическом значении) или несущественные различия. Наличие различий говорит, что выборки могут принадлежать разным генеральным совокупностям. Именно это имел ввиду I. Prigogine, когда подчёркивал уникальность биосистем [14] и это должно быть заложено в работе мозга при его итерациях, которые пытался представить H. Haken [12].
Каждая строка в табл. 1, 2, 3 показывает интервал изменения всех трех усредненных весов по пяти сериям (N=5) повторов настройки нейросети в каждой таблице. Очевидно, что вариационный размах для разных выборок по 5 наборов в каждой таблице неуклонно уменьшается при переходе от р=100 к р=1000 резко (на порядок) уменьшается вариационный размах wi. Например, для <Awi> мы имеем при р=50: <Aw1>=0,028; <Awi>=0,015; <Aw3>=0,016, а при р=1000 <Awi>=0,0163; <Awi>=0,0132; <Aw3>=0,0039, т.е. по хз вариационный размах уменьшится в 4,1 раза. Такое резкое снижение отклонений в величинах средних весов показывает сходимость весов признаков при и нарастании N.
Таким образом, при переходе к р>1000 картина изменяется. Возникновение нормального закона распределения крайне маловероятно, а непараметрические законы распределения приближаются к одной генеральной совокупности. Более того, относительный разброс (относительные колебания весов признаков) на каждой выборке при больших p резко убывает. Многочисленные повторы показали отсутствие больших флуктуаций, т.е. наблюдаем сходимость каждого признака к своему среднему значению. При переходе к числу итераций в миллион (р=106) мы получаем устойчивое значение весов признаков по каждому i=1,..., m (у нас m=3). Вариации значимости весов при миллионе итераций наблюдаются в 5-м и 6-м знаке после запятой, тогда как для p=1000 мы можем получить отклонения во 2-м или 3-м знаке после запятой. Такая закономерность определяет оптимальное число итераций при использованиии нейро-
эмулятора в качестве модели выбора параметров порядка при изучении биосистем. Выявление существенной или несущественной значимости признаков Хг при сравнении двух состояний экосистем (до воздействия или после) целесообразно выполнять при числе итераций нейроэмулятора с хаотическим набором исходных весов признаков на интервале (0, 1) не менее р=1000. В табл. 3 мы можем уже уверенно говорить о параметре порядка по признаку КУ2 - Х2, который равен 0,79. Именно этот диагностический признак обеспечивает различие в состоянии сенсомоторных реакций между мальчиками и девочками.
Таблица 1
Усредненные значения отдельных координат хг весов признаков юг вектора состояния системы х(ф) (параметры юг - это показатели сенсомоторных реакций детей перед отъездом из Сургута) при идентификации параметров порядка ней-
роэмулятором после р>50 итераций (настроек ЭВМ) в режиме бинарной классификации (разделение группы девочек и мальчиков)
Нейросети с р<200=4*50
Расчеты итераций ^ по выборкам (р>50) Средние значения весов признаков <■№> для координат вектора состояния системы XI по наибольшим и наименьшим весам
Координаты Хг КУ2=<Ш2>, Х2 КУ1=<Ш1>, Х1 ZVUK=<w 3>, Х3
р=200 )=(1.....200) 0,800 0,680 0,330
р=50 )=(1.....50) 0,793 0,692 0,325
р=50 )=(50,...,100) 0,808 0,673 0,335
р=50 ]=(100,...,150) 0,794 0,692 0,341
р=50 ]=(150,...,200) 0,806 0,664 0,319
Интервалы изменений <Дта> 0,015 0,028 0,016
Таблица 2
Усредненные значения отдельных координат хг весов признаков юг вектора состояния системы х(ф) (параметры юг - это показатели сенсомоторных реакций детей перед отъездом из Сургута) при идентификации параметров порядка нейроэмулятором после р>100 итераций (настроек ЭВМ) в режиме бинарной классификации (разделение группы девочек и мальчиков)
Нейросети с р<400=4*100
Расчеты итераций 1 по выборкам (р>50) ▼ Средние значения весов признаков для координат вектора состояния системы Х1 по наибольшим и наименьшим весам
Координаты Хг ^ КУ2=^2>, Х2 КУ1=^1>, Х1 ZVUK=<w 3>, Х3
р=400 )=(1.....100) 0,798 0,677 0,334
р=100 )=(0,...,100) 0,800 0,683 0,330
р=100 ]=(100,...,200) 0,800 0,683 0,330
р=100 )=(200,...,300) 0,804 0,699 0,341
р=100 )=(300,...,400) 0,787 0,647 0,335
Интервалы изменений <Дта> 0,017 0,052 0,011
После широтного перемещения для р=1000 мы получили в табл. 4, где произошло изменение параметров порядка: на первое место вышел признак КУ1 - Хг. Но на второе место вышел хз - ZVUK ^3=0,5512 против третьего места до отъезда).
Таблица з
Усредненные значения отдельных координат хг весов признаков юг вектора состояния системы х(ф) (параметры юг - это показатели сенсомоторных функций детей перед отъездом из Сургута) при идентификации параметров порядка нейроэмулятором после р>1000 итераций (настроек ЭВМ) в режиме бинарной классификации (разделение группы девочек и мальчиков)
Нейросети с р<400=4* 100
Расчеты итераций ^ по выборкам (р>50) Средние значения весов признаков ^1> для координат вектора состояния системы Х1 по наибольшим и наименьшим весам
Координаты Хг ^ КУ2=^2>, Х2 КУ1=^1>, Х1 ZVUK=<w 3>, Х3
р=4000 )=(1,...,1000) 0,7904 0,6628 0,3380
р=1000 )=(0,...,1000) 0,7963 0,6705 0,3362
р=1000 )=(1000,...,2000) 0,7876 0,6589 0,3380
р=1000 )=(2000,...,3000) 0,7831 0,6677 0,3376
р=1000 )=(3000,...,4000) 0,7945 0,6542 0,3401
Интервалы изменений <Дта> 0,0132 0,0163 0,0039
Примчание: KV1 - латентный период (ЛП) реакции на включение цветного квадрата в постоянном месте экрана, (с); ZVUK - ЛП реакции на звуковой сигнал, (с); KV2 - ЛП реакции на появление квадрата в произвольном месте экрана, (с)
Таблица 4
Усредненные значения отдельных координат хг весов признаков юг вектора состояния системы х(ф) (параметры юг -это показатели сенсомоторных реакций детей после приезда в санаторий) при идентификации параметров порядка нейроэмулятором после р>1000 итераций (настроек ЭВМ) в режиме бинарной классификации (разделение группы девочек и мальчиков)
Нейросети с р<400=4* 100
Расчеты итераций . 1 . по выборкам (р>1000) ▼ Средние значения весов признаков ^1> для координат вектора состояния системы Х1 по наибольшим и наименьшим весам
Координаты Хг ^ KV1=<W1>, х ZVUK =^3>, Х3 КУ2=^ 2>, Х2
р=4000 )=(1,...,1000) 0,7837 0,5512 0,5140
р=1000 )=(0,...,1000) 0,7847 0,5520 0,5088
р=1000 1=(1000,...,2000) 0,7811 0,5452 0,5054
р=1000 1=(2000,...,3000) 0,7876 0,5604 0,5217
р=1000 1=(3000,...,4000) 0,7814 0,5471 0,5201
Интервалы изменений <Дта> 0,0065 0,0152 0,0163
Выводы:
1. Переезд из Югры в Туапсе изменяет значимость слухового анализатора: из 3-го по порядку значимости (с ^¿-0,3) он переходит на 2-е место по KV1 и остается лидером в ранжировании признаков.
2. При анализе компонента вектора состояния физиологической системы, если процедура идентификации производится однократно, использовать нейроэмуляторы нецелесообразно, т.к. результат будет искаженный, параметры порядка нельзя идентифицировать.
3. Точность идентификации параметров порядка на базе нейросетевых технологий возрастает с ростом числа итераций.
4. Физиологические системы изменяются непрерывно [13], но они повторяют свои состояния в многообразии и
тем самым задают правильные вектора своего развития (эволюции). Нейроэмулятор может задать любую точность идентификации параметров порядка, если при совпадении k значащих цифр после запятой перейти от k итераций к k+1 числу итераций. На k+1 порядке значащих цифр появятся различия в совпадающих k цифрах (до этого).
Литература
1. Анохин П.К. Кибернетика функциональных систем. М.: Медицина, 1998. 285 с.
2. Еськов В.М., Еськов В.В., Филатова О.Е., Хадарцев А.А. Особые свойства биосистем и их моделирование // Вестник новых медицинских технологий. 2011. Т. 18. №3. С.331-332.
3. Еськов В.М., Буров И.В., Филатова О.Е., Хадар-цев А.А. Основы биоинформационного анализа динамики микрохаотического поведения биосистем // Вестник новых медицинских технологий. 2012. Т. 19. № 1. С. 15-18.
4. Еськов В.М., Хадарцев А.А., Еськов В.В., Гаврилен-ко Т.В., Филатов М.А. Complexity - особый тип биомедицинских и социальных систем // Вестник новых медицинских технологий. 2013. Т. 20. № 1. С. 17-22.
5. Хадарцев А.А., Яшин А.А., Еськов В.М., Агар-ков Н.М., Кобринский Б.А., Фролов М.В., Чухраев А.М., Гондарев С.Н., Хромушин В.А., Каменев Л.И., Валентинов Б.Г., Агаркова Д.И. Информационные технологии в медицине. Монография. Тула: ТулГУ, 2006. 272 с.
6. Eskov V.M., Eskov V.V., Filatova O.E. Characteristic features of measurements and modeling for biosystems in phase spaces of states // Measurement Techniques (Medical and Biological Measurements). 2011. V. 53. N12. P. 1404-1410.
7. Eskov V. M., Gavrilenko T. V., Kozlova V. V., Filatov M. A.. Measurement of the dynamic parameters of microchaos in the behavior of living biosystems // Measurement Techniques. 2012. Vol. 55. № 9. P. 1096-1100.
8. Eskov V. М, Eskov V.V., Filatova O.E., Filatov M.A. Two types of systems and three types of paradigms in systems philosophy and system science // Journal of Biomedical Science and Engineering. 2012. Vol. 5. №. 10. P. 602-607.
9. Foerster's H. Basic Concepts of Homeostasis // Homeos-tatic Mechanisms, Upton, New York, 1958. P. 216-242.
10. Foerster's H. What is Memory that It May Have Hindsight and Foresight as well? // The Future of the Brain Sciences, Proceedings of a Conference held at the New York Academy of Medicine, pp. Bogoch (Hg.), Plenum Press, New York, 1969. P. 19-64.
11. Foerster's H. Technology: What Will It Mean to Librarians? // Illinois Libraries. 1971. V. 53 (9). P. 785-803.
12. Haken H. Principles of brain functioning: a synergetic approach to brain activity, behavior and cognition (Springer series in synergetics). Springer, 1995. 349 p.
13. Mayr E.W. What evolution is Basic Books. New York, 2001. 349 p.
14.Prigogine I. The Die Is Not Cast // Futures. Bulletin of the Word Futures Studies Federation. 2000. Vol. 25. № 4. P. 17-19.
References
1. Anokhin PK. Kibernetika funktsional'nykh sistem. Moscow: Meditsina; 1998. Russian.
2. Es'kov VM, Es'kov VV, Filatova OE, Khadartsev AA. Osobye svoystva biosistem i ikh modelirovanie [Special oriper-ties of biosystems and their modelling]. Vestnik novykh medit-sinskikh tekhnologiy. 2011;18(3):331-2. Russian.
3. Es'kov VM, Burov IV, Filatova OE, Khadartsev AA. Os-novy bioinformatsionnogo analiza dinamiki mikrokhaotichesko-go povedeniya biosistem [The basis of bioinformational analysis of biosystems' microchaotic behavior dynamics]. Vestnik novykh meditsinskikh tekhnologiy. 2012;19(1):15-8. Russian.
4. Es'kov VM, Khadartsev AA, Es'kov VV, Gavrilenko T.V., Filatov M.A. Complexity - osobyy tip biomeditsinskikh i sotsial'nykh sistem [Somplexity as special type of biomedical and social systems]. Vestnik novykh meditsinskikh tekhnolo-giy. 2013;20(1):17-22. Russian.
5. Khadartsev AA, Yashin AA, Es'kov VM, Agarkov NM, Kobrinskiy BA, Frolov MV, Chukhraev AM, Gondarev SN, Khromushin VA, Kamenev LI, Valentinov BG, Agarkova DI. Informatsionnye tekhnologii v meditsine. Monografiya. Tula: TulGU; 2006. Russian.
6. Eskov VM, Eskov VV, Filatova OE. Characteristic features of measurements and modeling for biosystems in phase spaces of states. Measurement Techniques (Medical and Biological Measurements). 2011;53(12):1404-10.
7. Eskov VM, Gavrilenko TV, Kozlova VV, Filatov MA. Measurement of the dynamic parameters of microchaos in the behavior of living biosystems. Measurement Techniques. 2012;55(9):1096-100.
8. Eskov VM, Eskov VV, Filatova OE, Filatov MA. Two types of systems and three types of paradigms in systems philosophy and system science. Journal of Biomedical Science and Engineering. 2012;5(10):602-7.
9. Foerster's H. Basic Concepts of Homeostasis. Homeos-tatic Mechanisms, Upton, New York; 1958.
10. Foerster's H. What is Memory that It May Have Hindsight and Foresight as well? The Future of the Brain Sciences, Proceedings of a Conference held at the New York Academy of Medicine, pp. Bogoch (Hg.), Plenum Press, New York; 1969.
11. Foerster's H. Technology: What Will It Mean to Librarians? Illinois Libraries. 1971;53(9):785-803.
12. Haken H. Principles of brain functioning: a synergetic approach to brain activity, behavior and cognition (Springer series in synergetics). Springer; 1995.
13. Mayr EW. What evolution is Basic Books. New York;
2001.
14. Prigogine I. The Die Is Not Cast. Futures. Bulletin of the Word Futures Studies Federation. 2000;25(4):17-9.
