CC BY
43
УДК: 316.334.2 DOI: 10.12737/5889
ИСПОЛЬЗОВАНИЕ НЕЙРОЭМУЛЯТОРОВ В ЗАДАЧАХ СИСТЕМНОГО СИНТЕЗА ДИАНОСТИЧЕСКИХ ПРИЗНАКОВ В
ГЕРОНТОЛОГИИ
О.Е. ФИЛАТОВА", А.А.ХАДАРЦЕВ"", В.П.КОЩЕЕВ", С.Н.ВАТАМОВА", А.А. СОКОЛОВА *
*ГБОУ ВПО «Сургутский Государственный Университет», пр-т Ленина, д. 1, г. Сургут, Россия ** ГБОУ ВПО «Тульский Государственный Университет», пр-т Ленина, д. 98, Тула, Россия
Аннотация. Нейрокомпьютинг в биомедицинских системах используется всё шире, но этот метод имеет недостаток, на который сейчас не обращают внимание: нельзя использовать результаты ранжирования диагностических признаков при малом числе итераций p, т.е. настроек нейросети. На основе изучения различий между тремя возрастными группами женщин -ханты (коренное население Югры) по параметрам пяти активных компонент (из всех 14-ти регистрируемых) состояния кардио-респираторной системы организма, демонстрируется ошибочность разовой или с малым числом итераций р (р<50) решения задачи бинарной классификации разделения групп в особом пятимерном фазовом пространстве. Задача бинарной классификации с помощью нейроэмулятора должна повторяться не менее 1000 раз, что обеспечивает выделение наиболее значимых диагностических признаков xi , т.е. демонстрирует наибольшую значимость в диагностики скорости старения организма. В этом случае гарантируется точное значение весов признаков Wi до трех значащих цифр после запятой. Это обеспечивает точную диагностику значимости признаков xi не только в геронтологии, но и в любых других областях медицины и физиологии. Решается задача системного синтеза в случае, если статистика бессильна в идентификации различий групп больных или находящихся в разных физиологических условиях.
Ключевые слова: нейроэмулятор, кардио-респираторная система, бинарная классификация, ханты.
APPLICATION OF NEUROEMULATORS IN SYSTEM SYNTHESIS PROBLEMS OF DIAGNOSTIC CHARACTERS IN
GERONTOLOGY
O.E. FILATOVA", A.A. KHADARTSEV"", V.P. KOSCHEEV", S.N. VATAMOVA", A.A. SOKOLOVA"
"Surgut State University, Lenina 1, Surgut, Russia ""Tula State University, Lenina 98, Tula, Russia
Abstract. Method of neurocomputing is extensively used in biomedical systems, but this method has one defect which is now disregarded: the resulting ranking diagnostic signs cannot be used at a few iterations p, i.e. network adjustment. Based on the study of the differences between the three age groups of women Khanty (the indigenous population of Yugra) on the parameters of the five active component (from all 14 registered) state of the cardio-respiratory system of the body, the authors demonstrate the fallacy of a single or small number of iterations R (R<50) solving the problem of binary classification separate groups in a special five-dimensional phase space.The solving binary classification problem must be repeated not less than 1000 times that provides identifying significant diagnostic signs хi i.e. exhibits the significance in diagnostics of ageing rate. This will guarantee that the exact value of the weights Wi signs up to three digits after the decimal point. This ensures accurate diagnostics significance xi features not only in gerontology, but also in any other areas of medicine and physiology. The task of system synthesis is solved if statistics are powerless to identify differences between groups of patients or in different physiological conditions.
Key words: neuroemulator, cardiovascular system, binary classification.
Введение. Одна из главных задач в геронтологии - это определение из множества диагностических признаков xi, характеризующих различные параметры организма (иммунный статус, состояние сердечно-сосудистой системы, психики и т.д.) - наиболее значимых признаков, которые реально показывают динамику старения. Это задача системного синтеза, которая составляет основу всей современной науки.
Нейрокомпьютерный подход довольно активно внедряется в медицину, но с большими ошибками. Ошибочность применения нейро-ЭВМ (НЭВМ) заключается в уникальной, разовой настройке НЭВМ. Оказывается (это демонстрируется в настоящей работе), разовое решение задачи бинарной классификации (установление факта отличий одной возрастной группы от другой) является только одной (из миллиона возможных) уникальной итерацией при попытках выявления значимости измеряемых диагностических признаков хi. Попытка же их дифференцировки (вычисления главных хi и второстепенных) при одной итерации вообще лишена какого-либо смысла (а это сейчас довольно часто используется в медицине). В работе представ-
лен выход из тупика этой неопределённости 1-го типа (когда f(x) совпадают и все группы принадлежат якобы к одной генеральной совокупности) в виде запатентованных алгоритмов. Фактически, решается задача системного синтеза, т.е. идентификации параметров порядка (наиболее значимых) из всего множества xi (max i=15), что для геронтологии имеет принципиальное значение при оценке скорости возрастных изменений организма [2-6,8].
Цель исследования - решение проблем системного синтеза в геронтологии путем разработки автоматизированных способов повышения точности ранжирования динамических признаков.
Материалы и методы исследования. Общеизвестно, что процессы старения на молекулярном и клеточном уровне в итоге выражаются в возрастных изменениях параметров основных функциональных систем организма (ФСО). По П.К. Анохину [1] одной из главных ФСО является кардио-респираторная система (КРС), динамику возрастных изменений которой можно наблюдать по её основным параметрам. В нашей предыдущей работе мы использовали 15 таких па-
раметров, из которых после предварительного анализа было выбрано 5 наиболее значимых, характеризующих возрастные изменения. Однако, даже эти пять параметров не могут демонстрировать устойчивое различие в рамках традиционных подходов при изучении динамики возрастных изменений. Возникает проблема разработки новых, более чувствительных методов для анализа различий в параметрах ФСО при возрастных изменениях. Одновременно нам необходимо иметь методы для выделения наиболее значимых xi, характеризующих возрастные изменения, т.к. с позиций стохастики такая задача неразрешима [2-6].
Такая проблема по разрабатываемой нами классификации в теории хаоса-самоорганизации (ТХС) относится к первому типу неопределённости, когда получаемые в отдельных выборках xi для сравниваемых групп (у нас три возрастные группы женщин) не могут быть идентифицированы как разные группы. Их функции распределения f(x) для каждого признака xi не могут быть разделены, и эти выборки следует относить к одной генеральной совокупности. В наших исследованиях 15-ти параметров КРС для большинства xi демонстрируется именно такая динамика. Например, получается, что по параметрам xi 1-я и 2-я группы женщин практически не различаются (почти по всем i=1, 2, ..., 15). В геронтологии таких примеров можно привести большое количество и для разрешения возникающей коллизии мы предлагаем использовать два новых подхода: метод расчета параметров квазиаттракторов (КА) и метод использования нейроэмуляторов. Оба этих подхода способны преодолеть неопределённость 1-го типа, когда все (или почти все) функции распределения fi(x) демонстрируют одинаковость (выборки относятся к одной генеральной совокупности). Иными словами статистика здесь бесполезна, но ТХС и НЭВМ весьма эффективны.
Нами была построена задача диагностики различий в параметрах ФСО (на примере КРС) для разных возрастных групп населения Севера России. При изучении возрастной динамики параметров КРС из коренного населения Югры (женщин-ханты) были отобраны три группы по 38 человек в каждой. Все наблюдаемые женщины были без патологий и жалоб на здоровье. В первую группу вошли женщины возраста 18-35 лет, во вторую группу 35-50 лет и в третью - старше 50 лет. Последняя группа отклоняется от классификации ВОЗ, т.к. там отсчёт начинается с 55 лет, но на Севере РФ законом определено начало пенсии по старости с 50 лет было решено третью возрастную группу сформировать на этом уровне.
Регистрация основных параметров сердечнососудистой системы обследуемых производилась в пятнадцатимерном фазовом пространстве вектора состояния сердечно-сосудистой системы (ВСС) в виде x=x(t)=(xi, x2, ..., Xm)T, где m=15. Эти координаты xi состояли из: xi - показатель активности симпатического отдела (SIM) вегетативной нервной системы (ВНС), у.е.; x2 - показатель активности парасимпатического отдела (PAR) ВНС, у.е.; x3 - стандартное отклонение измеряемых кардиоинтервалов (SDNN), мс; x4 - индекс напряжения (INB) (по Р.М. Баевскому); x5 - число ударов сердца в минуту (SSS); x6 - уровень оксигенации крови (уровень оксигемоглобина) (SPO2); xi - триангулярная интерполяция гистограммы NN-интервалов (TINN), мс; xs - число NN-интервалов, отличающихся от соседних более чем на 50 мс (pNN50); x9 - спектральная мощность очень низких частот (VLF), мс2; xio - спектральная мощность низких частот (LF), мс2; xii - спектральная мощность высоких частот (HF), мс2; xi2 - общая спектральная мощность (Total), мс2; xi3 - низкочастотный компонент спектра в нормализованных единицах
(LF (p)); xn - высокочастотный компонент спектра в нормализованных единицах (HF (p)); xi5 - отношение низкочастотной составляющей к высокочастотной (LF/HF).
Определение всех этих величин производилось автоматически на основе запатентованного устройства «Элокс -1M» (ЗАО ИМЦ «Новые приборы», г. Самара). Обработка данных в рамках статистики всех xi производилась по программе «Statistica-6» [9]. Первоначально производилась идентификация возможности нормальных законов распределения (обычно это было 4 или 5 параметров из 15) и одновременно обрабатывались выборки xi в рамках непараметрических распределений. После их разделения, все выборки переводились в непараметрические распределения и производилось сравнение всех xi для всех трёх пар (трёх возрастных групп). Задача бинарной классификации с помощью НЭВМ обеспечивала определение весов признаков xi, т.е. решалась задача системного синтеза (ранжирования признаков xi).
Результаты и их обсуждение. Основная группа диагностических признаков xi демонстрировала непараметрические распределения для усредненных значений всех xi. Сами же значения xi для каждого наблюдаемого человека (испытуемого) постоянно демонстрировали непараметрические распределения. Это составляет основу ТХС, в которой мы демонстрируем второй тип неопределенности [15,12], характерный для «мерцающих» систем, когда постоянно dx/d№0 для вектора состояния системы x=x(t) [8-13]. В этом случае для любых отдельных выборок (xi, х2 и т.д.) для каждого отдельного испытуемого мы всегда наблюдаем одну закономерность: даже для отдельного человека при нахождении его функций распределения для его xi на коротких отрезках времени (например для 1-й или 2-й минут) получаемые на этих отрезках выборки демонстрируют различные функции распределений f(x). Невозможно произвольно на двух коротких интервалах времени At у одного испытуемого наблюдать одинаковые f(x). Все f(x) для одного и того же испытуемого или для двух разных (сравниваемых) людей будут разными. Это особое свойство гомеостаза, которое выделено в ТХС как базовый принцип [8-13].
Очень редко бывает так (5-10% пар из всех 1000 сравниваемых), что при парном сравнении выборок (всех xi) мы могли бы их отнести к одной генеральной совокупности. Все выборки получаются разные и это составляет основу 2-го постулата ТХС [5-10]. В табл. 1 представлены результаты статистической обработки первичных данных по всем 15-ти параметрам КРС х i всего х (t) для первой возрастной группы, из которых следует, что выборки для всех xi у 38 испытуемых демонстрирует только у четырёх диагностических признаков xi (PAR, SDNN, TINN, SSS) статистически выраженную возможность демонстрации нормального закона распределения. Остальные xi имеют непараметрические распределения. Поэтому, в дальнейшем при сравнении всех 15-ти xi для трёх возрастных групп мы использовали непараметрические распределения (т.е. рассчитывали характеристики в терминах медиан и процентилей), что и представлено, к примеру, в табл. 1 для 1-й группы.
Далее, с помощью критерия Манна-Уитни (p<0,05) было выявлено различие (табл. 2) путём попарного сравнения средних значений рангов (допустимого уровня значимости параметров КРС) между выборками для всех трёх возрастных групп. Существенно, что все три пары показали разную возможность дифференцировки в виде невозможности отнесения двух выборок к одной генеральной совокупности. Фактически, речь идёт об отсутствии отличий
между выборками, если р>0,05, что и показывает табл. 2, особенно для 1-й и 2-й групп сравнения. Наибольшее различие мы имеем для 1-й и 3-й групп, где почти все признаки (кроме 3-х последних признаков ЬБ, НР, ЬБ/НР) демонстрируют существенные статистические различия. Однако 1-я и 2-я группы, а также 2-я и 3-я группы между собой демонстрируют 1-ый тип неопределённости.
Таблица 1
Результаты статистической обработки (параметрические и непараметрические распределения) параметров ВСР 1-й возрастной группы женского коренного населения Югры
Непараметрическое распределение Нормальное распределение
Медиана Процептиль 25% Процентиль 75% Среднее Доверит, -95% Доверит, +95%
SIM 5,00 3,00 7,00 PAR 10,61 9,10 12,11
IBN 60,50 34,00 81,00 SDNN 41,53 37,24 45,81
SPO2 98,00 98,00 99,00 TINN 187,84 169,10 206,59
pNN50 4,50 1,00 10,00 SSS 81,76 78,79 84,74
VLF 2122,50 1491,00 3362,00
LF 1364,00 683,00 2742,00
HF 607,50 382,00 947,00
TOTAL 5005,00 3364,00 7594,00
LF (p) 69,50 60,000 79,00
HF (p) 30,50 21,00 40,00
LF/HF 2,64 1,51 3,67
В табл. 2 представлены результаты попарного сравнения выборок xi для 1-й и 2-й групп (первая попытка), для 1-й и 3-й групп, а также для 2-й и 3-й групп (вторая попытка). Для первых возрастных групп у нас имеется только два диагностических признака (SPO2 и SSS), которые показывают статистически значимые различия статистических характеристик функций распределения (pi=0,0484, p2=0,011). Остальные парные сравнения выборок показывают возможность отнесения этих пар к одной генеральной совокупности (различия не значимы!), что следует из табл. 2. Таким образом, статистика показывает почти полное отсутствие возрастных различий по параметрам xi для 1-й и 2-й групп женщин ханты. Очевидно, сравнение 2-й и 3-й возрастной группы показывает отсутствие различий для этих пар именно у SSS (хотя в первой колонке они были различными) В целом, для сравниваемых 2-й и 3-й групп женщин уже восемь пар xi показывают различие в выборках (SIM, SDNN, INB, SPO2, pNNS0, TINN,HF, Total). Остальные 7 признаков xi попарно могут относиться к одним генеральным совокупностям, т.е. нет статистически значимых различий. Возникает неопределённость первого типа, f(x) не различаются у всех xi.
Установить значимость на основе статистических результатов всех этих признаков, т.е. выявить признаки, по которым возрастные изменения наиболее выражены, не представляется возможным. В рамках стохастики нельзя установить параметры порядка, выполнить системный синтез. Поэтому становится возможным использование наших новых методов на основе выбранных 5 основных признаков (SIM, PAR,SDNN, INB,SSS). Для них мы провели нейроком-пьютерную идентификацию значимости этих признаков wi путём решения задачи бинарной классификации по разделению выборок в пятимерном фазовом пространстве состояний (m=5) при попарном сравнении 1-й и 2-й группы, а также 2-й и 3-й группы. Существенно, что мы не просто устанавливаем различия между двумя сравниваемыми возрастными группами, но мы одновременно пытаемся от-ранжировать диагностические признаки, что в стохастике выполнить сложно. Это задача системного синтеза - установить наиболее важные xi при сравнении параметров ФСО
у наблюдаемых трёх возрастных групп [8-13]. Вместе с тем такая статистическая динамика различий групп показывает (косвенно) и скорость старения (возрастных изменений) параметров КРС. Очевидно, что 3-я группа «уходит» в фазовом пространстве очень далеко от 1-й группы по 12-ти параметрам и от 2-й группы по 8-ми параметрам xi.
Таблица 2
Статистическое попарное сравнение 15-ти параметров (т=15) состояния сердечно-сосудистой системы трёх возрастных групп женщин-ханты (допустимый уровень значимости р<0,05) с помощью критерия Манна - Уитни
Отмеченные критерии значимы на уровне р <,05000
р - уров. 1 возрастная со 2 р - уров. 1 возрастная с 3 р - уров. 2 возрастная с 3
SIM 0,37 5,110-5 1,8-10-3
PAR 0,11 10-3 8,9-10-2
SDNN 0,54 7,3-10-» 9,2-10-3
IBN 0,84 1,910-2 2,7-10-2
SPO2 0,05 9,7-10-5 10-2
pNN50 0,97 5,3-10-3 4,9-10-3
TINN 0,07 3,5-10-5 2-10-2
SSS 0,01 1,7-10-2 0.65
VLF 0,45 8,9-10-3 6,5-10-2
LF 0,05 3,6-10-3 0.15
HF 0,62 3,3-10-« 6,8-10-3
TOTAL 0,14 2,7-10-3 3,9-10-2
LF (p) 0,35 0,79 0.19
HF (p) 0,35 0,77 0.19
LF/HF 0,27 0,94 0.17
Задача системного синтеза - очень сложная задача в медицине и во всей науке в целом. Её решение с помощью НЭВМ требует особого понимания и коррекции, т.к. разовое решение задачи по разделению двух полученных выборок (например, 2-й и 3-й возрастных групп) не может быть использовано для системного синтеза. Ранжирование диагностических признаков не может быть выполнено с приемлемой точностью. Судить о значимости признаков xi при малых повторах с числом итерации р<50 (т.е. решения одинаковой задачи бинарной классификации) невозможно. Если мы 50 раз будем заставлять ЭВМ решать одинаковую задачу бинарной классификации 1-й и 2-й группы и при этом каждый раз требовать начального задания весов wio признаков xi из равномерного распределения интервале (0, 1), то будут получаться разные значения (наборы) выходных весов ии (1=1, 2, ..., р) для всех признаков.
Это представлено в табл. 3, где нижняя строка показывает вариационный размах по средним для выборки из р итераций для небольшого значения р<50. Легко видеть, что при р=50 (четыре серии по 50 и одна из 200 итераций) интервал из вариаций усредненных значений <Аю> колеблется в пределах та=0,01 до та=0,05. Однако, при возрастании числа итераций р до 1000 и более эти интервалы измерения <Аю1> резко уменьшаются до 0,004 (нижний та) и до 0,03 (верхний та). Фактически, по некоторым ии мы имеем уменьшение вариаций средних весов признаков <Аю> более чем в 10 раз. Изменения по БББ наблюдаюся в 3-м разряде после запятой при р=1000 (аналогично и для остальных та, кроме та). С учетом округления (табл. 3) наблюдается изменение та при р=50 только во 2-м знаке после запятой, но в малом диапазоне (0,90-0,91). Если увеличить число итераций до р=1000, то малые колебания будут иметь место уже в 3-м знаке после запятой. Это представлено в табл. 4 и 5. Дальнейшее увеличение р (р>1000) показывает законо-
мерный сдвиг вариаций значащих цифр после запятой во втором порядке (что и представлено в табл. 5) и т.д. табл. 4 и 5 демонстрируют уменьшение вариационных размахов средних значений от интервала (0,074; 0,548) в табл. 4 до интервала (0,004; 0,031) в табл. 5.
Вариационный размах средних при переходе от
р=100 к р=1000 уменьшился на 2 порядка!
Таблица 3
Таблица ранжирования 5-ти диагностических признаков с помощью НЭВМ при малых итерациях для сравнения 1-й и 2-й возрастных групп (р<50)
Таким образом, идентификация параметров порядка зависит от числа итераций p. С увеличением p мы сдвигаемся вправо после запятой с запаздыванием на к-1 порядок, где к -число разрядов (нулей) у p). При p=1000 (k=3) мы будем иметь неизменными к-1=2 порядка после запятой, а при p=104 будет к-1=3. Повышая p, мы можем получить любое точное значение решения задачи системного синтеза при модельных сравнениях. Характерно, что для всех групп сравнения (1-й со 2-й, 2-й с 3-й и 1-й с 3-й) мы устойчиво имеем признак SIM как главный параметр порядка wi=0,91, если использовать НЭВМ. Однако при обычной статистике этого нет. Для 1-й и
2-й групп, например, INB и PAR сильно варьируют, хотя НЭВМ им дает высокие весовые коэффициенты (около 0,6), как и для SSS. Это говорит о разных результатах между стохастикой и НЭВМ. На втором месте находится SSS, но его веса значительно меньше по величине, w=0,683, что значительно ниже SIM. Остальные признаки xi не очень значительно различаются (0,651-0,526), и они более выражены для 1-й и
3-й группы (табл. 3), чем (табл. 4 и 5) для 2-й и 3-й групп (для первой пары имеем 0,683 - 0,526). Таким образом, можно сделать вывод, что 1-я группа отличается от 2-й более значимо, чем 2-я от 3-й, но наибольшие отличия мы имеем между 1-й и 3-й группами. Несколько сходная картина имеется и при статистическом сравнении медиан для 1-й и 2-й групп, когда все медианы (кроме SIM) укладываются в интервалах 0,51-0,68. Это существенно отличается от медиан 2-й и 3-й групп, когда их значения укладываются в интервале 0,3-0,35. Парные сравнения с использованием НЭВМ при увеличении числа итераций p дают устойчивый результат во всех группах, но нейроэмулятор даёт более значимое различие между 1 -й и 3 -й группами.
Очевидно, что использовать НЭВМ для идентификации наиболее значимых диагностических признаков xi в режиме разового разделения обучающих выборок невозможно. На каждой j-й итерации мы будем получать разные наборы wij и значимость признаков будет хаотически изменяться. Однако, при p>100 мы уже будем наблюдать некоторую стабилизацию весов признаков (табл. 4). Дальнейшее увеличение p до 1000 (табл. 5) и др. даёт нам любую точность измерения xi. Очень редко бывает так, как мы получили в нашем примере, когда xi сразу стало параметром
порядка (SIM). Чаще получаем xi по величинам wij, когда значения xi находятся рядом и возникает необходимость увеличения числа разрядов в p (переходить от 103 к 104 и т.д.). В любом случае число итераций p необходимо увеличивать, иначе ошибки не избежать.
Таблица4
Таблица ранжирования 5-ти диагностических признаков с помощью НЭВМ при среднем числе итераций для сравнения 1-й и 2-й возрастных групп (р>100)
Нейросети c p<400=4* 100
Расчеты итераций по выборкам (N>100) Средние значения весов признаков <■№> для координат вектора состояния системы XI по наибольшим и наименьшим весам
SIM=<W1> SSS =<W2> INB= <W3> PAR= <W4> SDNN=<W5>
p=400 j=(1,...,400) 0,908 0,673 0,667 0,562 0,527
p=100 j=(1,...,100) 0,905 0,665 0,647 0,568 0,516
p=100 j=(100,...,200) 0,909 0,676 0,677 0,577 0,503
p=100 j=(200,...,300) 0,909 0,658 0,689 0,556 0,548
p=100 j=(300,...,400) 0,910 0,693 0,656 0,546 0,541
Интервалы изменений<Дэт> 0,252 0,046 0,143 0,074 0,548
Таблица 5
Таблица ранжирования 5-ти диагностических признаков с помощью НЭВМ при большом числе итераций для сравнения 1-й и 2-й возрастных групп (р>1000)
Нейросети c p<4000=4*1000
Расчеты итераций по выборкам (N>1000) Средние значения весов признаков <Ш1> для координат вектора состояния системы XI по наибольшим и наименьшим весам
SIM=<W1> SSS =<W2> INB= <W3> PAR= <W4> SDNN=<W5>
p=4000 j=(1,...,4000) 0,910 0,683 0,651 0,568 0,526
p=1000 j=(1,...,1000) 0,910 0,683 0,654 0,569 0,523
p=1000 j=(1000,...,2000) 0,912 0,687 0,651 0,561 0,528
p=1000 j=(2000,...,3000) 0,910 0,679 0,653 0,568 0,510
p=1000 j=(3000,...,4000) 0,907 0,681 0,646 0,573 0,542
Интервалы изменений<Дэт> 0,004 0,008 0,008 0,013 0,031
При увеличении числа итераций точность ранжирования будет нарастать и мы всегда добьёмся решения задачи системного синтеза (с любой степенью точности). Метод итераций в работе НЭВМ может быть эффективно использован при решении этих же задач в геронтологии, т.е. при ранжировании значимости диагностических признаков xi. Очевидно, что при сравнении разных групп веса признаков могут изменяться. Так, например, если сравнивать итоги нейро-компьютинга в 1-й и 2-й группах (табл. 3-5) и 2-й и 3-й группах, то первые признаки (параметры порядка) остаются, но вес третьего признака нестабилен. Для 2-й и 3-й групп сравнения w3=0,348 для PAR и в табл. 5 мы имеем w3=0,651 для INB. Получаются и разные диагностические признаки, и разные их веса (отличия почти в 2 раза). Всё это характеризует возрастную динамику изменения всех 5-ти компонент ВСС с возрастом, что количественно представляет изменения функций организма женщин. В табл. 6 мы представили для сравнения веса признаков xi при сравнении 2-й и 3-й возрастных групп, которые в стохастике различаются более значительно, чем 1-я и 2-я группы. Иными словами, группа сравнений на базе НЭВМ получается иной, чем в стохастике и возникает вопрос о точности стохастического метода и целесообразности его использования при сравнении групп процессе системного синтеза, т.е. нахождения наиболее важных диагностических признаков в медицине.
В целом, использование нейроэмуляторов в геронтологии позволяет установить значимость диагностических признаков xi и выявить - по каким параметрам наблюдают-
Нейросети c p<200=4*50
Расчеты итераций по выборкам (N>50) Средние значения весов признаков <■№> для координат вектора состояния системы XI по наибольшим и наименьшим весам
SIM=<W1> SSS =<W2> INB= <W3> PAR= <W4> SDNN=<W5>
p=200 j=(1,...,200) 0,907 0,671 0,662 0,572 0,509
p=50 j=(1,...,50) 0,901 0,680 0,646 0,591 0,547
p=50 j=(50,...,100) 0,909 0,650 0,648 0,544 0,484
p=50 j=(100,...,150) 0,907 0,685 0,655 0,576 0,482
p=50 j=(150,...,200) 0,911 0,668 0,699 0,578 0,524
Интервалы изменений<Дэт> 0,010 0,035 0,053 0,048 0,065
ся наиболее значимые изменения (параметры порядка) с возрастом. В нашем случае таким главным индикатором старения (из 5-ти наблюдаемых) является показатель SIM. При этом мы можем количественно сравнить отличие этого xi от остальных xi. Например, для пары 2-3 (возрастных групп) отношением SIM/SSS=1/0,35. Всё это составляет основу современной количественной геронтологии, которая должна выйти из качественных сравнений и перейти в статус строгой количественной науки. С помощью НЭВМ мы устраняем обе неопределённости: и первого типа - все f(x) одинаковы, и 2-го типа - хаотические динамики всех xi [2-8].
Таблица 6
Расчёт весов 5-ти признаков при сравнеии 2-й и 3-й возрастных групп женщин-ханты с помощью нейроэмулятора при большом числе р итераций (р<4000)
Нейросети c p<4000=4*1000
Расчеты итераций по выборкам (p>1000) Средние значения весов признаков для координат вектора состояния системы XI по наибольшим и наименьшим весам
SIM=<wi> SSS =<W2> PAR = <w> SDNN = <W4> INB =<wi>
p=4000 /=(1,..., 4000) 1,000 0,350 0,348 0,326 0,301
p=1000 /=(1,., 1000) 1,000 0,349 0,343 0,324 0,302
p=1000 /=(1000,., 2000) 1,000 0,350 0,351 0,327 0,300
p=1000 /=(2000,., 3000) 1,000 0,349 0,348 0,323 0,299
p=1000 /=(3000,., 4000) 1,000 0,351 0,350 0,329 0,304
Интервалы изменений <^Wi> 0,000 0,002 0,007 0,006 0,004
Выводы:
1. Проблема системного синтеза в геронтологии требует разработки автоматизированных методов, обеспечивающих реальное ранжирование измеряемых диагностических признаков xi. Для систем с непрерывным изменением их параметров xi в режиме йх/й№0 использовать статистические методы нецелесообразно для таких целей, т.к. функции распределения измеряемых xi (их выборок) непрерывно изменяются.
2. Разовое использование нейро-ЭВМ для разделения выборок (задача бинарной классификации) демонстрирует единичный результат (один из миллионов) и не может быть использован в геронтологии и в любых других разделах медицины. Такие единичные сравнения дают ошибочные результаты.
3. Для повышения точности ранжирования диагностических признаков xi с использованием НЭВМ необходимо увеличивать число итераций (настроек) нейроэмулято-ра при исходном задании весов признаков wio из равномерного интервала (0, 1), т.е. хаотично. При увеличении р до значения р=10к мы получим приемлемую точность ранжирования до к-1 значащих цифр после запятой. Геронтологи, занимающиеся идентификацией параметров порядка, должны увеличивать число итераций р для НЭВМ с учётом этого метода расчёта точности задачи системного синтеза. Это касается и других разделов медицины, когда статистика не работает, а НЭВМ и методы ТХС дают четкое различие между изучаемыми группами (пациентами).
Литература
1. Анохин П.К. Кибернетика функциональных систем. М., Медицина, 1998. 285 с.
2. Гавриленко Т. В., Еськов В. М., Хадарцев А. А., Хи-микова О.И., Соколова А.А. Новые методы для гернотоло-гии в прогнозах долгожительства коренного населения Юг-ры // Успехи геронтологии. 2014. Т. 27. № 1. С. 30-36.
3. Еськов В.М., Живогляд Р.Н., Хадарцев А.А., Чан-турия С.М., Шипилова Т.Н. Идентификация параметров порядка при женских патологиях в аспекте системного синтеза // Системный анализ и управление в биомедицинских системах. 2006. Т.5. №3. С. 630-633.
4. Еськов В.М., Филатова О.Е., Фудин Н.А., Хадарцев А.А. Проблема выбора оптимальных математических моделей в теории идентификации биологических динамических систем // Системный анализ и управление в биомедицинских системах. 2004. Т. 3. № 2. C. 150-152.
5. Еськов В.М., Зилов В.Г., Григорьев А.И., Хадар-цев А.А. Новые подходы в теоретической биологии и медицине на базе теории хаоса и синергетики // Системный анализ и управление в биомедицинских системах. 2006. Т.5. №3. С. 617-622.
6. Еськов В.М., Карпин В.А., Филатов М.А., Филатова О.Е. Философские основания теории патологии: проблема причинности в медицине // Философия науки. 2012. №1(52). С.118-128.
7. Еськов В.М., Попов Ю.М., Филатова О.Е. Третья парадигма и представления И.Р. Пригожина и Г. Хакена о сложности и особых свойствах биосистем // Вестник новых медицинских технологий. 2012. Т. 18. № 2. С. 416-418.
8. Еськов В.М., Хадарцев А.А., Филатова О.Е., Хадар-цева К.А. Околосуточные ритмы показателей кардиорес-пираторной системы и биологического возраста человека // Терапевт. 2012. №8. С. 36-43.
9. Хадарцев А.А., Яшин А.А., Еськов В.М., Агарков Н.М., Кобринский Б.А., Фролов М.В., Чухраев А.М., Гонда-рев С.Н., Хромушин В.А., Каменев Л.И., Валентинов Б.Г., Агаркова Д.И. Информационные технологии в медицине. Монография. Тула: ТулГУ, 2006. 272 с.
10. Eskov V.M., Eskov V.V., Filatova O.E. Characteristic features of measurements and modeling for biosystems in phase spaces of states. Measurement Techniques. 2011. V. 53(12). Р. 1404-1410.
11. 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. V. 55. №. 9. P. 1096-1101.
12. Eskov VM, 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.
13. Eskov V.M. Evolution of the emergent properties of three types of societies: The basic law of human development // E:CO 2014 16(2): XX-XX. p. 109-117.
References
1. Anokhin PK. Kibernetika funktsional'nykh sistem. Moscow: Meditsina; 1998. Russian.
2. Gavrilenko TV, Es'kov VM, Khadartsev AA, Khimi-kova OI, Sokolova AA. Novye metody dlya gernotologii v prognozakh dolgozhitel'stva korennogo naseleniya Yugry. Uspekhi gerontologii. 2014;27(1):30-6. Russian.
3. Es'kov VM, Zhivoglyad RN, Khadartsev AA, Chantu-riya SM, Shipilova TN. Identifikatsiya parametrov poryadka pri zhenskikh patologiyakh v aspekte sistemnogo sinteza. Sistem-nyy analiz i upravlenie v biomeditsinskikh sistemakh. 2006;5(3):630-3. Russian.
4. Es'kov VM, Filatova OE, Fudin NA, Khadartsev AA. Problema vybora optimal'nykh matematicheskikh modeley v teorii identifikatsii biologicheskikh dinamicheskikh sistem. Sistemnyy analiz i upravlenie v biomeditsinskikh sistemakh. 2004;3(2):150-2. Russian.
5. Es'kov VM, Zilov VG, Grigor'ev AI, Khadartsev AA. Novye podkhody v teoreticheskoy biologii i meditsine na baze teorii khaosa i sinergetiki. Sistemnyy analiz i upravlenie v bio-meditsinskikh sistemakh. 2006;5(3):617-22. Russian.
6. Es'kov VM, Karpin VA, Filatov MA, Filatova OE. Fi-losofskie osnovaniya teorii patologii: problema prichinnosti v meditsine. Filosofiya nauki. 2012;1(52):118-28. Russian.
7. Es'kov VM, Popov YuM, Filatova OE. Tret'ya paradigma i predstavleniya I.R. Prigozhina i G. Khakena o slozhnos-ti i osobykh svoystvakh biosistem [The third paradigm and presentations of I.R. Prigogine and H. Haken about complexity and specific biosystem properties]. Vestnik novykh meditsins-kikh tekhnologiy. 2012;18(2):416-8. Russian.
8. Es'kov VM, Khadartsev AA, Filatova OE, Khadartse-va KA. Okolosutochnye ritmy pokazateley kardiorespiratornoy sistemy i biologicheskogo vozrasta cheloveka. Terapevt. 2012;8:36-43. Russian.
9. Khadartsev AA, Yashin AA, Es'kov VM, Agarkov NM, Kobrinskiy BA, Frolov MV, Chukhraev AM, Gondarev
SN, Khromushin VAKamenev LI, Valentinov BG, Agarkova DI. Informatsionnye tekhnologii v meditsine. Monografiya. Tula: TulGU; 2006. Russian.
10. Eskov VM, Eskov VV, Filatova OE. Characteristic features of measurements and modeling for biosystems in phase spaces of states. Measurement Techniques. 2011;53(12):1404-10.
11. 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):1096-101.
12. 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.
13. Eskov VM. Evolution of the emergent properties of three types of societies: The basic law of human development. E:CO 2014 16(2): XX-XX. p. 109-17.
УДК: 537.531 DOI: 10.12737/5890
НАРУШЕНИЕ ПАТТЕРНОВ РАСПРЕДЕЛЕНИЯ КЛЕТОК HELA ПО СУБСТРАТУ ПРИ ВОЗДЕЙСТВИИ НИЗКОЧАСТОТНОГО ИМПУЛЬСНОГО ЭМИ (15 ГЦ)
К.Г. БУНИН", Н.Н. ОМЕЛЬЧУК"", Ю.Г. СИМАКОВ""
* МПО «КАМЕНА», М. «Пушкинская», Петровский пер. дом 1/30, оф.№3, г. Москва, Россияб 107031 ** Российский Университет Дружбы Народов, ул. Миклухо-Маклая, д. 6, к. 403, Москва, Россия, 117198 *** Московский государственный университет технологий и управления им. К.Г .Разумовского, ул. Земляной Вал, 73, Москва, Россия, 109004
Аннотация. Эксперимент проведен на линии клеток HeLa, которая является одной из самых известных среди исследователей биологов и медиков, она широко используется в лабораториях для выявления факторов, подавляющих злокачественный рост, а также для испытания и тестирования различных лекарственных веществ. Показано, что после 60 минутного воздействия полем ЭМИ с частотой 15 Гц.от импульсного волнового аппарата «Камена» в культуре раковых клеток происходят морфологические структурные перестройки. Клетки HeLa сжимаются, у них уменьшается контакт с субстратом, а форма становится вытянутой и клинообразной. Помимо этого, под влиянием воздействия импульсным ЭМИ с частотой 15 Гц паттерны (узоры), образованные клетками HeLa, напоминающие «цветок», разрушаются, и клетки хаотично размешаются в культуре. Клетки HeLa, после воздействия полем аппарата «Камены», становятся разно размерными, что позволяет говорить о развитии анизоцитоза, который указывает на понижение устойчивости раковых клеток в культуре к неблагоприятным для них факторам. За этот же период времени в контроле (отсутствие воздействия импульсного ЭМИ) наблюдается только перемещение клеток HeLa относительно темной метки за счет горизонтальной миграции. При этом сжатия клеток и разрушение паттернов, которые первоначально отмечаются в культуре, в виде «цветка» не наблюдается. Выявленный эффект воздействия низкочастотного ЭМИ на морфологию раковых клеток и на паттерны их распределения по субстрату может оказаться важным для терапии злокачественных опухолей. Проведенный нами опытпока не позволяет ответить на вопрос, как долго сохраняется эффект воздействия на раковые клетки человека в культуре и насколько безопасно применение указанного импульсного поля ЭМИ для подавления активности злокачественных клеток.В наших экспериментах наблюдалось повышение клеточной пролиферации в культуре злокачественных клеток. Все это говорит о том, что необходимы дальнейшие исследования выявленного эффекта воздействия низкоинтенсивного импульсного ЭМИ на злокачественные клетки человека в культуре.
Ключевые слова: электромагнитное излучение, клетки HeLa, аппарат «Камена», модулированные импульсы.
VIOLATION OF THE PATTERNS OF DISTRIBUTION OF HELA CELLS ON THE SUBSTRATE DURING LOW-FREQUENCY PULSED ELECTROMAGNETIC RADIATION EFFECT (15 HZ)
K.G. BUNIN", N.N. OMELCHUK"", YU.G. SIMAKOV """
* ICS "KAMENA", M. "Pushkinskaya", Peter Lane. House 1/30, of.№3, Moscow, Russia, 107031 ** Russian Peoples Friendship University, Str. Maclay, d. 6,. 403, Moscow, Russia, 117198 *** Moscow State K.G. Razumovsky University of Technologies and Management, Str. Ground Val, 73, Moscow, Russia, 109004
Abstract. The experiment was carried out on the cell line HeLa, which is one of the most famous among researchers, biologists and physicians; it is widely used in laboratories to identify factors that inhibit the cancerous growth, as well as for testing and testing of various drugs. It is shown that after 60 minutes of exposure field electromagnetic with a frequency of 15 Hz. from impulse wave of the device "Kamena" in the culture of cancer cells occurs morphological structural adjustment. HeLa cells are compressed and reduced contact with the substrate and form becomes elongated and wedge-shaped. In addition, under the influence of pulsed field electromag-
