CC BY
79
формации. Для построения модели предлагается использовать квантильную регрессию. Предложенный метод квантильной регрессии относится к робастным методам, так как является устойчивым к отклонениям от предположений классических моделей. Одним из важных свойств квантильной регрессии является то, что данная модель устойчива к «выбросам», которые часто встречаются на практике, особенно в случае показателей в активных системах. Поэтому при прогнозе оценок использование модели кван-тильной регрессии более предпочтительно, чем использование классических моделей. Кроме того, на практике в экономике часто некоторые значения зависимой величины могут быть цензурированы. В этом случае оценивание классическими параметрическими методами затруднено. При использовании же модели квантильной регрессии не нужно знать истинную величину зависимой переменной. Основным преимуществом метода является не только то, что он дает хорошие оценки, но и то, что он позволяет делать выводы о размахе колебаний показателей. При изучении активных систем это является наиболее актуальным.
Для проведения процедур экспертной оценки предлагается следующая схема. Сначала определяются наиболее значимые для той или иной должности группы параметров, затем для каждого параметра присваивается вес. Как показывает практика, чаще всего разработкой профиля должности занимается служба управления персоналом.
Затем экспертам предлагается оценить сотрудников с целью определения личного вклада сотрудников в деятельность предприятия. В качестве экспертов привлекаются все работники предприятия, так как оценка проходит в несколько этапов: сотрудник сам оценивает свою работу, затем его оценивают сотрудники отдела, в котором он работает, а затем его непосредственный начальник.
Для снижения временных и трудовых затрат на проведение периодических процедур оценки предлагается использовать модель формирования экспертных групп. В каждом периоде выявляются сотрудники-лидеры, суммарная оценка которых максимальна. Тогда начальник отдела будет оценивать только сотрудников-лидеров, а те будут оценивать всех остальных работников из своего подразделения.
В зависимости от того, каким образом происходит распределение мотивационного фонда на пред-
приятии, рассчитывается коэффициент эффективности деятельности агентов.
Величина заработной платы каждого сотрудника будет вычисляться по формуле Zi = 8i + zi.
Автоматизированная система мотивационного управления включает в себя три программных модуля: «Зарплата», «Кадры» и «Мотивационное управление». Взаимосвязь модулей осуществляется через общие документы и справочники. Модуль «Кадры» предназначен для ведения кадровых документов, таких как штатное расписание, график отпусков, сведения о графиках рабочего времени, приказы, служебные записки и другие. В модуле «Зарплата» хранится вся оперативная информация о начислении заработной платы, подоходного налога, ЕСН. Модуль «Мотивационное управление» предназначен для сбора и обработки экспертных оценок и полученных в результате построения модели данных, а также для расчетов коэффициентов и определения величины мотивационной надбавки. В штатном расписании в качестве оклада указывается фиксированная сумма заработной платы. Полученная мотивационная надбавка заносится в документ «Начисления» (либо «Удержания» при отрицательном коэффициенте) и учитывается при расчете заработной платы суммированием с фиксированной ставкой.
Программная реализация выполнена на основе АСУ предприятием. Для программной реализации системы по управлению персоналом в качестве СУБД выбрана Adaptive Server Anywhere 9.0, в качестве средства разработки Power Builder 7.0, в качестве средства проектирования выбран Power Designer 9.0, для написания и компилирования help-файлов -Help@Manual 3.0.
Предложенное определение мотивационной надбавки и распределения мотивационного фонда соответствует условиям оптимального решения задачи, центр сам определяет величину фонда выплат, агент имеет возможность влиять на величину мотивацион-ной надбавки. Кроме того, такой подход позволяет отслеживать изменение результатов работы агентов на протяжении любого заданного времени и анализировать эффективность деятельности системы в целом. Автоматизированная система мотивационного управления существенно снижает временные затраты на обработку и анализ полученных в результате проведения процедур оценок данных.
КОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ В ИССЛЕДОВАНИИ И ДИАГНОСТИКЕ ПАТОЛОГИЙ ОРГАНОВ ДЫХАНИЯ
Н.К. Аль-Нажжар, Н.Н. Филатова
В современной медицине совершенствование методов диагностики осуществляется на основе применения компьютерных технологий. Традиционным подходом является оцифровка электрофизиологических сигналов биообъекта с последующей обработ-
кой данных с помощью различных статистических методов. Диагностика заболеваний органов дыхания, как и других физиологических систем, опирается на данные инструментальных исследований, которые на современном этапе разделяются на две группы.
Первую, наиболее многочисленную, образуют аппаратные и программные средства, позволяющие получить видеоизображения исследуемого органа (различные типы рентгеновских установок, томографы и пр.). Применение этих аппаратно-программных комплексов позволяет установить наличие патологий, проявляющихся в структурных (анатомических) изменениях объекта исследования. Компьютерные методы обработки изображений позволили существенно повысить точность выявления диагностических признаков как в автоматизированном режиме, так и с помощью специализированных баз знаний в рамках экспертных подсистем.
Функциональные исследования органов дыхания выполняются с помощью акустических методов и устройств. Это менее многочисленная группа технических средств, однако в нее входят самые распространенные в медицинской практике измерительные средства: фонендоскопы, стетоскопы и стетофонен-доскопы. Врач, выслушивая слабый акустический сигнал, осуществляет мысленное сравнение его с некоторыми звуками, характерными для отдельных патологий, и принимает решение о близости воспринимаемого сигнала к одному из классов. Точность решения указанных задач зависит от индивидуальных характеристик слуха врача, а также от его опыта и личной "базы данных" с акустическими примерами прецедентов различных бронхо-легочных патологий. Отсутствие у традиционного фонендоскопа средств регистрации дыхательного сигнала (ДС) на внешнем носителе создавало объективные трудности как в оценке качества полученных ДС, так и в точности их интерпретаций. С появлением электронного фонендоскопа, а также различных реализаций цифровых каналов регистрации ДС на базе стационарных персональных компьютеров эта проблема отошла в прошлое.
На современном этапе становится актуальной задача автоматизации комплексного анализа результатов визуальных и функциональных исследований органов дыхания. Одним из вариантов ее решения может стать система поддержки принятия диагностического решения, которая представляет собой специализированное АРМ врача-пульмонолога. В состав АРМ входят подсистемы исследований и диагностики патологий органов дыхания. Подсистема исследований может быть интегрирована с рентгенологическими аппаратно-программными комплексами. В ее состав входят модуль первичного анализа графических объектов (рентгенологических снимков) и модуль анализа дыхательных сигналов. Выбор соответствующих файлов осуществляется из записей базы данных с историями болезней. В результате работы этих модулей выделяются множества характеристик, которые позволяют сформировать описания состояния пациента в виде двух наборов первичных признаков. В зависимости от источника их получения (изображение или акустический сигнал) соответствующий набор признаков сохраняется в базах данных графических изображений или дыхательных сигналов. С помощью модуля лингвистического интерпретатора для врача формируются вер-
бальные описания симптомов, выявленных по снимкам и записям дыхательных сигналов.
В диагностической подсистеме, включающей модули нечеткого и детерминированного логического вывода и базы знаний диагнозов и моделей заболеваний, формируется диагностическое заключение о состоянии органов дыхания.
Разработка этой программной системы связана с использованием специальных моделей и алгоритмов обработки графической и акустической информации. В настоящее время вопросы анализа плоских изображений достаточно хорошо проработаны, однако задача автоматического анализа слабых низкочастотных акустических сигналов решена неполностью. Отсутствуют надежные признаки, позволяющие разделять классы нормы и патологий. Удачные решения в этой области могут привести к созданию новых методик исследования органов дыхания и автоматической оценки диагностических признаков.
Задача автоматического компьютерного анализа дыхательных шумов достаточно широко обсуждается в литературе. Все предлагаемые способы можно разделить на две группы: решения, касающиеся обработки единственного сигнала, представляющего фрагмент временного ряда, зарегистрированного в одной точке аускультации, и методики, ориентированные на обработку двух и более сигналов, которые регистрируются параллельно в разных точках корпуса пациента.
Как показали исследования, применение методов анализа временных рядов для единственного ДС позволяет достаточно просто решать основную задачу - разделение классов норма и патологии. Для решения этой задачи проведены эксперименты по регистрации ДС у 85 пациентов. Созданы две коллекции звуковых образцов: "Норма" с образцами ДС, зарегистрированными у пациентов с органами дыхания без патологий, "Изменения дыхания" с образцами ДС, зарегистрированными у пациентов с различными заболеваниями органов дыхания.
Подготовка коллекции к математическому анализу осуществлялась на основе специальной методики выравнивания образцов, которая включала 5 последовательных шагов: нормализация образца ДС, оценка спектральной плотности сигнала, выделение верхней границы фильтрации, фильтрация шума, выделение участка фиксированной длины без посторонних шумов. Длина участка ДС является фиксированной константой для всех записей. Сформированная смешанная выборка включала 45 образцов "Норма" и 40 записей из класса "Изменения дыхания". Учитывая, что ряд характеристик ДС зависит от точки аускультации, каждая из выборок разбита на две (регистрация осуществлялась на спине и на груди пациента в соответствии с типовыми точками).
В ходе выслушивания пациента врач обычно оценивает ряд характеристик: интенсивность ДС, соотношение фаз дыхания (вдоха и выдоха), величину участков расслабления, локализацию и характер дыхательных шумов, характер дыхания и т.д.
Проведенные исследования показывают, что построение разделяющих признаков на основе только
интервальных оценок частотных диапазонов с отдельными видами дыхательных шумов не даст уверенного решения задачи разделения классов. Решение указанной задачи можно получить на основе исследований характеристик интенсивного ДС и соотношения фаз дыхания, которые можно выполнить с помощью программного комплекса АДС ("Анализ дыхательных сигналов"), разработанного в Тверском государственном техническом университете. Комплекс АДС входит в состав АРМ врача-пульмонолога и позволяет осуществлять:
— регистрацию ДС на жестком диске ПК;
— предварительную обработку (фильтрацию высоких и низких частот, усиление и нормализацию ДС);
— вывод графика динамического процесса изменения интенсивности ДС во времени (см. рис.);
— расчет энергетического спектра и формирование его графика;
— оценки длины расчетного окна (Ь) и набора интегральных характеристик (ИнХ);
— формирование графиков изменения элементов множества ИнХ.
В состав множества ИнХ включены следующие характеристики: шх(Ь), 8Х(Ь), 8^(Ь),Хшах(Ь), Хш1п(Ь). Все элементы ИнХ оцениваются по множеству точек соответствующего временного ряда (ВР), которое выделяется с помощью так называемого расчетного окна (Ь). Левая граница окна совмещалась с началом ВР, а правая устанавливалась в соответствии с настроечным параметром. С помощью выделенных точек ВР находились оценки основных статистических характеристики, затем окно перемещалось вправо на длину Ь так, что его новая левая граница совпадала со старой правой границей, и операции повторялись.
Характер изменения разделительного признака в процессе дыхания
Проведенные исследования показали, что на основе элементов ИнХ можно построить набор признаков, которые позволяют осуществлять автоматическое выделение границ и параметров дыхательного цикла, а также осуществлять идентификацию таких характеристик дыхания, как время наибольшей задержки. Как видно из рисунка, характер временного ряда, иллюстрирующего изменение интенсивности ДС на временном интервале, совпадает с характером изменения вычисляемого признака.
Полученные результаты позволили сформулировать продукционные правила для автоматической диагностики нарушений параметров дыхательного цикла, которые могут быть положены в основу алгоритма автоматической диагностики патологий органов дыхания. Созданный алгоритм анализа ДС позволяет отделять записи с нормальным дыханием от записей шумов при наличии различных патологий органов дыхания. Ошибка в распознавании составляет не более 10%.
ПРИНЦИПЫ АВТОМАТИЗИРОВАННОГО ПРОГРАММНОГО КОМПЛЕКСА ПОСТРОЕНИЯ ЭКСПЕРТНЫХ СИСТЕМ
Е.В. Зуров
С каждым днем расширяется круг предметных областей, в которых находят свое применение системы, основанные на знаниях. Жизненный цикл (ЖЦ) разработки подобных систем в значительной степени отличается от ЖЦ, который используется при построении традиционных информационных систем. В частности, ЖЦ разработки экспертных систем (ЭС) характеризует наличие двух этапов по сравнению с традиционным ЖЦ - приобретение и представление предметных знаний. Наличие данных этапов приводит к трем основным факторам, сдерживающим развитие систем, основанных на знаниях:
- временной ресурс - время, затрачиваемое на создание системы;
- трудоемкость разработки подобных систем;
- необходимость привлечения высококвалифицированных специалистов различного профиля (программисты, инженеры по знаниям, группа экспертов).
Стремление к минимизации отмеченных факторов и автоматизации ЖЦ разработки ЭС привело к разработке автоматизированного программного комплекса (АПК) построения ЭС.
Указанная цель достигается решением двух классов задач.
