CC BY
64
Н.В. Даценко, С.А. Горбатенко, В.В. Горбатенко,
кандидат технических на- доктор технических наук, кандидат физико-матема-
ук, доцент профессор тических наук, доцент
АЛГОРИТМИЧЕСКИЕ ПРОЦЕДУРЫ ПРИНЯТИЯ РЕШЕНИЙ В АВТОМАТИЗИРОВАННОЙ КОНСУЛЬТАТИВНОЙ СИСТЕМЕ МЕДИКО-КРИМИНАЛИСТИЧЕСКОЙ ЭКСПЕРТИЗЫ
ОТРАВЛЕНИЙ
DECISION-MAKING ALGORITHMIC PROCEDURES IN COMPUTER-BASED CONSULTATIVE SYSTEM OF MEDICAL FORENSIC POISONING EXAMINATION
Рассмотрены вопросы разработки алгоритмов автоматизированной консультативной системы медико-криминалистической экспертизы отравлений, позволяющей оперативно формировать достоверные экспертные заключения по делам о расстройстве здоровья и смерти от воздействия химических факторов на основе неполных, неточных, противоречивых данных.
The paper is dedicated to the questions of algorithms development of computer-based consultative system of medical forensic poisoning examination that permit to form rapidly truthful expert conclusions for cases of health disorder because of chemical factors effect on the base of incomplete, inexact, contradictious data.
Введение
В условиях непрерывного роста уровня преступности важное значение при расследовании гражданских и уголовных дел приобретает медико-криминалистическая экспертиза (МКЭ), так как экспертное заключение является одним из основных источников доказательств в следственном и судебном процессах. В настоящее время, по данным уголовной статистики, возросло число умышленных отравлений, в связи с чем все случаи скоропостижной смерти анализируются экспертами с точки зрения возможности отравления. Таким образом, количество уголовных дел, требующих производства медико-криминалистической экспертизы воздействия химических факторов, значительно увеличилось.
Процесс производства МКЭ отравлений постоянно усложняется в связи с непрерывным расширением номенклатуры ядовитых веществ. Кроме того, существует вероятность совершения ошибок при формировании экспертного заключения, связанная с субъективными факторами, и, в первую очередь, с квалификацией эксперта. Большое значение для следственного производства имеет оперативность формирования выводов, так как, по статистике, большинство преступлений против здоровья и жизни граждан раскрывается на этапе предварительного расследования. Однако эксперт не всегда может обеспечить требуемую следствием оперативность получения заключения из-за необходимости обработки большого объема данных, которые нередко бывают неполными, неточными, противоречивыми. В связи с этим производство МКЭ с использованием существующих методов оказывается неэффективным с точки зрения обеспечения достоверности и оперативности экспертизы.
Одним из наиболее эффективных путей решения указанных проблем является разработка алгоритмов процесса производства МКЭ воздействия химических факторов и создание на их основе автоматизированной консультативной системы (АКС), позволяющей оперативно формировать достоверные экспертные заключения по делам о расстройстве здоровья и смерти от воздействия химических факторов на основе следственных данных, в том числе неполных, неточных, противоречивых [1, 2].
1. Структурирование знаний предметной области
В связи с тем что методы формирования экспертных заключений носят эвристический характер, при разработке АКС использованы принципы искусственного интеллекта, позволяющие решать неформализуемые задачи. Для представления знаний предметной области применяется продукционная модель, так как, во-первых, модификация одних продукций может осуществляться относительно независимо от других продукций; во-вторых, наличие в продукциях указателей на сферу применения позволяет эффективно организовать базу знаний (БЗ) и, тем самым, повысить оперативность поиска информации.
Продукции представлены в базе знаний автоматизированной консультативной системы в следующем виде [3]:
Рг =< 1;Ь;Л ^ О;МДрг;МНДрг >, (1)
где 1 — порядковый номер продукции; Ь — сфера применения продукции («кислоты», «щелочи» и т.д.); МДРг и МНДРг — соответственно мера доверия и мера недоверия гипотезе И, выводимой из продукции, при условии истинности посылок (для получения значений МДРг и МНДРг используется метод направленного опроса специалистов); Л^О — ядро продукции:
ЕСЛИ Л1 и/или...Лк,ТО О1 и/или..Оч, к = 1,2,...,К, q = 1,2,..^, (2)
где А — посылки (антецеденты); О — действия, которые нужно предпринять, если посылки будут удовлетворены (консеквенты).
Знания структурированы экспертами в БЗ виде совокупности множеств 2={21, ... , 2м}, каждое из которых содержит продукции, относящиеся к определенной сфере предметной области, упорядоченные по степени детализации априорной информации — от общей (например, данных, полученных после осмотра места происшествия) к специфической (результатов судебно-химических, судебно-биологических исследований, вскрытия и т.п.). Таким образом в базе знаний определены статические приоритеты продукций с целью исключения необходимости проведения дополнительных экспертиз в том случае, когда можно сформировать достоверное заключение на основе уже рассмотренных продукций — тем самым обеспечивается оперативность получения выводов.
2. Алгоритмическая процедура вывода заключений на основе неполной и/или неточной информации
Как сказано выше, в экспертной практике часто приходится делать выводы на базе неполных и/или неточных априорных данных. Неполнота следственной информации объясняется тем, что организм каждого человека индивидуален, и при отравлении ядовитым веществом проявляются не все симптомы, для него характерные, и, наоборот, имеются свидетельства, указывающие на воздействие других ядов, что может являться, например, следствием обострения хронических заболеваний у пострадавшего. Неточность информации связана с тем, что многие симптомы характерны для целого ряда ядов, но играют разную диагностическую роль для каждого из этих веществ. Для обеспечения возможности вывода заключений на основе неточной и/или неполной информации в АКС используется следующая алгоритмическая процедура. С каждой про-
дукцией связан коэффициент надежности (КН Pr), а с каждой посылкой — коэффициент уверенности (КУ Pr), выражающие соответственно большую (или меньшую) достоверность продукции и посылки. Причем КН Pr вычисляется следующим образом [4]:
КНрг = МД рг - МНД рг, (3)
где КНРг — уверенность в гипотезе h, выводимой из продукции, при условии выполнения посылок А (свидетельствах е).
Комбинации посылок А1и / или...Ак представим в виде множества
B = {br},r = 1,R, а все известные на данный момент свидетельства — в виде множества
E = {e w}, w = 1, W [4]. При поступлении свидетельства e w в рабочую память системы осуществляется просмотр базы знаний с целью выявления продукции, посылки которой совпадают с e w. Если такая продукция найдена, то коэффициент уверенности m-й гипотезы с учетом свидетельства e w вычисляется с помощью выражения:
KYhmK ] = КН pr[e ю ] • КУ br [e ю ], (4)
где КНPr[ew] — коэффициент надежности продукции, посылки которой совпадают с ew; КУb [ew] — обобщенный коэффициент уверенности посылки br, совпадающей с ew, который определяется следующим образом:
1) если в г-й продукции имеется операция конъюнкции А1(КУ1)И...Ак(КУк), то
КУ br[e ю ] = min( КУ1,..., КУ к); (5)
2) если используется операция дизъюнкции А1(КУ1)ИЛИ...Ак(КУк), то
КУ br[e ю ] = max (КУ1,..., КУ к). (6)
При появлении дополнительной информации (свидетельства eх , 1 = 1, W), указывающей в пользу m- й гипотезы, коэффициент уверенности вычисляется с помощью выражения:
КУ hm [e w ,e 1 ] = КУ hm [e w ] + КУ hm[e 1 ] • (1 - КУ hm ^ ]) , (7)
где свидетельство ex следует за ew; КУh [ex] определяется по формуле (4).
Коэффициент уверенности принимает значения в интервале [0;1]. Согласно мнениям экспертов, всякий факт, для которого КУh < 0.2, рассматривается как малонадежный, и гипотеза может быть отвергнута [5].
3. Алгоритмы разрешения конфликтов логического вывода
При производстве медико-криминалистической экспертизы априорная информация часто носит противоречивый характер, что объясняется как индивидуальными особенностями организма, так и различными субъективными факторами (например, противоречивыми свидетельскими показаниями). В связи с этим в процессе вывода экспертного заключения возникают конфликты между продукциями и между гипотезами. В том случае, когда становятся истинными посылки нескольких продукций, появляется проблема определения порядка их актуализации, то есть возникает конфликт между продукциями. При этом продукции конфликтного набора могут принадлежать как одному множеству Zn, так и нескольким множествам (Zn, n = 1,M).
В первом случае приоритет продукции определяется в АКС путем последовательного ранжирования продукций. Наличие номера i у каждой продукции позволяет применить методы сортировки числовой информации: с помощью сортировки по
возрастанию определяются наиболее приоритетные продукции (с наименьшими номерами), позволяющие оперативно осуществить вывод экспертного заключения. С целью уменьшения объема вычислений используется информация из рабочей памяти (базы данных): если продукция из конфликтного набора уже выполнялась во время текущего процесса производства МКЭ отравлений, то второй раз она исключается из рассмотрения.
Для разрешения конфликта между продукциями, принадлежащими нескольким множествам, в АКС используется следующий алгоритм:
1) исключение из конфликтных наборов продукций, найденных в базе данных;
2) сортировка продукций в каждом из М конфликтных наборов по возрастанию порядковых номеров;
3) сортировка конфликтных наборов по уменьшению значений коэффициентов надежности продукций, стоящих первыми в каждом из М наборов;
4) последовательная активизация отсортированных конфликтных наборов.
В ситуации, когда в процессе логического вывода коэффициенты уверенности
нескольких гипотез принимают значение КУ„ > 0.2, } = 1^, возникает конфликт между гипотезами. При этом необходимо найти наиболее достоверную из них, то есть определить направление дальнейшего вывода. Так как достоверность гипотез оценивается с помощью коэффициентов уверенности, который у конфликтующих гипотез принимает значение в интервале [0,2; 1], то для разрешения конфликта гипотез используется правило Байеса в виде:
КУ„ • КУ„ (С)
КУ С („„) = -г^"------(8)
2 КУ „.• КУ |,.(С)
м
где КУ„ — априорные коэффициенты уверенности гипотез; КУ„ (С) — КУ гипотез при
условии, что событие С (появление дополнительной информации) произошло.
Например, в случае конфликта двух гипотез Б («отравление ядовитым веществом 1») и Б («отравление ядовитым веществом 2») необходимо выяснить, какая из следующих гипотез, образующих полную группу событий, является наиболее достоверной:
„ = ББ, „2 = ББ, „3 = ББ, „4 = ББ. (9)
Гипотеза „4 исключается из рассмотрения, поскольку коэффициенты уверенности гипотез Б и Б в процессе логического вывода приняли значение > 0.2, то есть имеется достаточно оснований считать, что события Б и/или Б произошли. Коэффициенты уверенности остальных гипотез вычисляются следующим образом:
КУ „ = КУ (Б) • (1 - КУ (Б));
КУ „2 = КУ (Б) • (1 - КУ (Б)); КУ „з = КУ (Б) • КУ (Б) . (10)
КУ гипотез при появлении дополнительных данных определяются с помощью выражения (7):
КУ„ (С) = КУ „ + КУ „ • (1 - КУ „ ), т = 1,3, (11)
пт пт пт 11т
где КУ„ КУ„ КУ„ вычисляются по формуле (4):
КУ„ = КН! • КУА1, КУ„2 = КН2 • КУА2, КУ„з = КНз • КУАз, (12)
где КН1, КН2, КН3 — коэффициенты надежности продукций, антецеденты которых стали истинными при поступлении дополнительной информации, а консеквенты пред-
ставляют собой гипотезы „1, „2, „3 соответственно; КУ^, КУА , КУАз — обобщенные
КУ посылок этих продукций.
Затем вычисляются коэффициенты уверенности конфликтующих гипотез по формуле (8). Если в результате вычислений окажется, что КУс(Ьт)>КУс(„]), ]=1,2, то гипотеза Ьт считается наиболее достоверной, а гипотезы „ исключаются из рассмотрения.
4. Вывод заключений в автоматизированной консультативной системе медико-криминалистической экспертизы отравлений
Предложенные выше алгоритмы объединены в рамках автоматизированной консультативной системы медико-криминалистической экспертизы отравлений, реализующей логический вывод экспертных заключений. Процесс формирования заключений осуществляется с помощью прямой цепочки вывода циклическим способом [6]. В каждом цикле просматриваются все продукции базы знаний с целью выявления тех, посылки которых совпадают с известными на данный момент фактами из рабочей памяти. После нахождения релевантной продукции она активизируется, и ее консеквент заносится в рабочую память, цикл повторяется сначала. В каждом цикле может быть выполнена только одна продукция. В том случае, если имеется несколько релевантных продукций, выбор наиболее приоритетной из них осуществляется с помощью алгоритмов разрешения конфликта между продукциями.
Возможность формирования заключений на основе неточных и/или неполных данных обеспечивается за счет использования в АКС алгоритмической процедуры вывода экспертных заключений. При возникновении конфликта между гипотезами направление дальнейшего вывода определяется в автоматизированной консультативной системе с помощью алгоритма, основанного на правиле Байеса, после чего полученная информация записывается в рабочую память АКС, и вывод продолжается до тех пор, пока не будут рассмотрены все релевантные продукции. По окончании процесса логического вывода выдается экспертное заключение в виде «На основе введенных данных установлено, что произошло отравление ядовитым веществом Б с уверенностью '^>.
Заключение
Алгоритмические процедуры принятия решений в консультативной системе медико-криминалистической экспертизы отравлений, реализующие логический вывод экспертных заключений, позволяют повысить достоверность решений за счет уменьшения влияния субъективных факторов и увеличить оперативность их формирования путем использования вычислительной техники при обработке большого объема данных (в том числе неточных, неполных, противоречивых).
ЛИТЕРАТУРА
1. Даценко Н.В. Повышение достоверности заключений при производстве медико-криминалистической экспертиз воздействия химических факторов // Информатизация и информационная безопасность правоохранительных органов: материалы XIV Международной научной конференции. — М.: Академия управления МВД России, 2005. — С. 467—472.
2. Горбатенко С.А., Горбатенко В.В., Даценко Н.В. Автоматизированная консультативная система как средство повышения эффективности судебно-медицинской экспертной практики // Совершенствование следственной и экспертной практики: тезисы докладов Международной научно-практической конференции. — Омск: Омская академия МВД России, 2008. — С. 115—116.
3. Даценко Н.В. Структурирование информации в консультативной системе медико-криминалистической экспертизы воздействия химических факторов // Моделирование, теория, методы и средства: тезисы докладов Международной научно-практической конференции. Ч.6. — Новочеркасск: Южно-Российский государственный технический университет, 2001. — С. 15—16.
4. Горбатенко С.А., Даценко Н.В. Формирование экспертных заключений в автоматизированной консультативной системе судебно-медицинской травматологии на основе неопределенной априорной информации // Современные информационные технологии и ИТ-образование: IV Международная научно-практическая конференция. — М.: МГУ им. Ломоносова, 2009. — ЦЯЬ: Шр://2009л1;-еёи.т / ра§е8/СопГегепее-’№огк8 (дата обращения: 03.07.2012).
5. Брукинг А. Экспертные системы. Принципы работы и примеры: пер. с англ. — М. : Радио и связь, 1987. — 224 с.
6. Даценко Н.В. Информационные технологии в процессе производства медико-криминалистической экспертизы отравлений // Информатизация и информационная безопасность правоохранительных органов: материалы XII Международной научной конференции. — М.: Академия управления МВД России, 2003. — С. 428—434.
