CC BY
38
Краткое сообщение
2. Г.Г. Онищенко и др. // Ж. микробиол., эпидемиол. и им-мунобиол.- 2000.- № З.- С. 1S.
3. RonL.D. et at. // Emerg Infec Dis.- 2002.- Vol. S.- № 2.
4. Ответные меры системы общественного здравоохранения на угрозу применения биологического и химического оружия. Руководство ВОЗ: ВОЗ, 2001.
5. Institute of Medicine and National Research Council. Chemical and biological terrorism: research and development to improve civilian medical response.- Washington, DC: National Academy Press, 1999.
6. СеренкоА.Ф. Заносные вспышки натуральной оспы.- М.: Медгиз, 19б2.- 224 с.
УДК 681.3
МЕТОД СИНТЕЗА МОДУЛЯ НЕЧЕТКОГО ВЫВОДА ДЛЯ ТРЕХМЕРНОГО ПРИЗНАКОВОГО ПРОСТРАНСТВА РАЗНОТИПНЫХ ДАННЫХ
С. А. ФИЛИСТ, ХАЛЕД АБДУЛ РАХИМ САЛЕМ*
Опыт разработки систем поддержки принятия решений для врачей-специалистов показал, что большое число задач прогнозирования и диагностики заболеваний, включая раннюю диагностику при отсутствии клинических проявлений, следует решать, используя методы теории нечеткой логики принятия решений.
Рис. 1. Структура модуля нечеткого вывода
Учитывая, что в структуры признакового описания включаются различные по природе признаки (опрос, осмотр, данные инструментальных и лабораторных исследований), а окончательный диагноз получают в несколько этапов путем подтверждения или опровержения выдвигаемых прогностических и диагностических гипотез, удобно многоклассовые и многоальтернативные медицинские задачи решать с использованием нечетких сетевых структур, где частные решающие правила (по экспертно-выделяемым группам признаков, по этапам решения задачи, по выдвижению новых гипотез, по запросу и обработке дополнительной информации и т.д.) агрегируются посредством модуля нечеткого вывода с соответствующей базой правил.
Среди задач этого класса выделим такие, для которых признаковое пространство м.б. разделено на признаковые подпространства: на основе системной организации объекта исследования. Используя методику динамического конструирования классификационных пространств [ 1 ] или иерархические методы классификации [2], можно сократить число признаковых подпространств до 3, что позволит использовать диалоговый режим при обучении - наполнении базы решающих правил для агрегирования частных коэффициентов уверенности по группе признаковых подпространств и разработать модуль нечеткого вывода. В основу синтеза модуля положен известный метод разделения пространства входных данных на области, в которых работает одно из нечетких решающих правил, входящее в базу решающих правил [3]. Отличительной особенностью представляемого модуля является то, что вместо базы правил {R(k)} типа
R(k): IF(x это Ak) THEN y=f*(x) (1)
в нем используется одно решающее правило типа R: IF(x это А1) THEN y=f®(x) ELSE IF(x это А2) THEN y=f®(x) ELSE IF(x это А3) THEN y=f®(x)... ELSE y=fn)(x), (2)
I-------
15
НАЧАЛО
Ввод обучающих выборок 1го и 2го классов
2 Формирование нечетких
множеств в трехмерном
пространстве признаков:
{i, K21i, K31ijH {k12 j, K22 j, K32 j}
q=1,3
№ышем ю выборки класса С элементы, для которых
KWnP +KWnp +KWnpW0nP
№ы\©ем ю выборки класса С элементы для которых
KWp+K2Wp+K3W/Xf
С КОНЕЦ ")
Нечёткие множества
формируются в слое L1 рис. 1
max(Pq): q=1, 2, 3 P=q(max(Pq)
1 Определим C и U
9
wa/ = K1Wn + K 2W2np +
начальный номер синтезируемого решающего правила
В режиме диалога определяем разделяющие прямые для трёх плоскостей: ІК1К2, К1К3, К2К3 Определяем показатель качества разделения для каждой из плоскостей
Определяем плоскость с максимальным показателем качества разделения В интерактивном режиме определяем класс С отделяемой выборки и её расположение относительно разделяющей прямой Уп ниже: и=0, выше: и=1
[Заносим в базу значений п-е решающее правило
Определим
состояния
выходов
четвертого слоя в зависимости от класса,
выщеленюго n-M
решающим
правилом
* 305040, г. Курск, ул. 50 лет Октября, 94, ГОУ ВПО «КГТУ»
Рис. 2. Алгоритм обучения модуля нечеткого вывода
где А1, А2, А3, ... А11'1- не обязательно не пересекающиеся подмножества. Соотношение (2) определяет иерархическую структуру решающих правил, которая была получена способом отделения объектов из обучающих выборок в двумерных признаковых подпространствах в интерактивном режиме.
Структура модуля нечеткого вывода, предложенного для трех признаковых подпространств, представлена на рис. 1. Она включает четыре слоя: Ь1, Ь2, Ь3, Ь4. В слое Ь1 происходит
З
n=1
4
5
WBnq = K1W* + K 7W,nq + K 3W3nq
б
P
Краткое сообщение
размывание признакового пространства посредством функций принадлежностей. В слое Ь2 происходит синтез частных разделяющих прямых, то есть множества {у=^к)(х)} для (2). Эти уравнения задаются на входах этого слоя Ь2 (на выходе первого слоя имеем три частных коэффициента уверенности по принадлежности тестируемого объекта к заданному классу К1, К2, К3).
Хотя на рис. 2 на выходах слоя Ь2 указаны уравнения плоскостей, на самом деле это уравнения прямых, так как, по крайней мере, хотя бы один из их коэффициентов ^1, ^2, w3 должен быть равен нулю, что обеспечено самим принципом обучения модуля -разделяющие прямые получены в плоскостях, являющихся проекциями признакового пространства К1,К2,К3 на одну из трех плоскостей: К1,К2; К1,К3; К2,К3. Слой Ь3 обеспечивает иерархический принцип проверки условий. Его структура такова, что на входе Ь1 может быть активизировано только одно из условий п-1. При выполнении условия более высокой иерархии запрещается проверка условий более низкой иерархии.
Слой Ь4 обеспечивает присутствие на выходе решающего модуля коэффициента уверенности отнесения объекта к заданному классу. Его модель представлена в виде мультиплексора, на входах которого имеется п коэффициентов уверенности, соответствующие каждому из п-1 условий слоя Ь3. Алгоритм обучения модуля нечеткого вывода см. на рис. 2. Для его работы нужны обучающие выборки: заданный класс и «фон». Раз выделяем всего лишь 2 класса, то в слое Ь1 используем функции принадлежности только к 1-му классу, т.к. частный коэффициент уверенности по 2-му классу определяется как дополнение до единицы частного коэффициента уверенности по 1-му классу.
Два множества {К1\,К2\,К3\} и {К12|,К22|,К32|}, механизмы получения которых идентичны, но если они будут показаны на плоскости, как на рис.3, то элементы, относящиеся к разным выборкам будут помечены разными символами, на рис. 3 это символы * и °. При п=1 блок 4 (рис. 2) строит три проекции признакового пространства, соответствующих двум обучающим выборкам, одну из которых см. на рис. 3. В блоке 5 (рис. 2) оператор в интерактивном режиме строит отделяющие прямые так, чтобы выделить область признакового пространства, где находятся объекты только одного класса. Окончательный выбор отделяющей прямой определяется показателем качества, который зависит от числа объектов класса, попавших в область отделения.
^^0и=^^уиК1 + ^2Ж2
'М20П='М2 ]пК1 + ^22иК3 (3)
»3»<=»3л<К2 + »32»К3
На рис. 3 область отделения - это объекты 1-го класса над отделяющей прямой. Уравнение отделяющей прямой фиксирует весовые коэффициенты п-го сумматора в слое Ь2.
После этого надо зафиксировать класс попавших в область отделения объектов и их дислокацию над отделяющей прямой или под отделяющей прямой. Этот процесс проходит в интерактивном режиме (блок 8), и его итог фиксируется в п-м условии слоя Ь3. Блоки 10, 11 и 12 (рис. 2) обеспечивают занесения частных коэффициентов уверенности в базу правил слоя Ь4.
Рис.3. Диалоговый способ отделения объектов в признаковом пространстве
При этом в зависимости от того, какой класс отделяется п-й прямой, частный коэффициент уверенности будет равен нулю либо единице при условии, что в отделяемую область попали объекты только одного класса. Если это не так, то частный коэффициент уверенности равен отношению объектов первого класса, находящихся в области отделения, к общему числу объектов, попавших в эту область, при условии, что мы отделяем объекты первого класса. В блоках 13, 14 и 15 (рис. 2) происходит удаление объектов, попавших в область отделения из обучающих выборок. В блоках 18 и 19 (рис. 2) принимается решение о прекращении процесса отделения объектов или его продолжения. Это решение может быть принято экспертом либо в интерактивном режиме,
либо путем анализа результата вычислений в блоке 17, где определяется п-й частный коэффициент уверенности
КУп=Шос7(Шост + К2ост), (4)
где Шост - число оставшихся объектов в выборке 1-го класса после п отделений, К2ост- число оставшихся объектов в выбор -ке 2-го класса после п отделений.
Предложена 4-слойная структура нечеткого решающего модуля, включающая фуззификатор и базу правил, полученную на основе диалогового алгоритма обучения, позволяющая агрегировать частные коэффициенты уверенности по трем признаковым подпространствам с заданной точностью бинарной классификации, и предложен алгоритм обучения нечеткого решающего модуля, отличающийся использованием диалогового режима при отделении объектов на плоскости, являющейся проекцией трехмерного признакового пространства на одну из ортогональных плоскостей, в результате работы которого создается иерархическая структура решающих правил, позволяющая отнести объект к заданному классу с заданной достоверностью.
Литература
1. Кореневский Н.А. // Системный анализ и управление в биомедицинских системах.- 2003.- Т.1, №1.- С. 13—16.
2. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы.- М.: Горячая линия - Телеком, 2004.- 452 с.
3 .Растригин Л.А. Метод коллективного распознавания.-М.: Энергоиздат, 1981.- 80 с.
7а
Халед Абдул Рахим Салем окончил в 2004 году КГТУ. С 2005 года - очный аспирант кафедры «Биомедицинская инженерия». Автор 4 научных работ.
УДК 681.51:621.391.008.05
СИНЕРГЕТИЧЕСКИЕ ПОДХОДЫ В ТЕХНИЧЕСКОЙ РЕАЛИЗАЦИИ
КОМПЛЕКСНОЙ НИЗКОИНТЕНСИВНОЙ ЭЛЕКТРОМАГНИТНОЙ ТЕРАПИИ
Ю.А. ЛУЦЕНКО*, И.И. СОКОЛОВСКИЙ**, С.И. СОКОЛОВСКИЙ**,
А. А .ЯШИН*
Введение: пример группы профессионального риска.
Управление транспортным средством - весьма специфический вид профессиональной деятельности - он является высокозатратным как с психоэмоциональной, так и соматической стороны (сома - тело). Типичная поза при этом: глаза широко раскрыты, мышцы шеи и спины напряжены и сжаты, спина сгорблена, плечи сжаты, будто несут на себе непосильный груз. Оптимизация эргономических характеристик рабочего места (кресла) не приводит к сколь существенному изменению указанного состояния. Мягкость опорных поверхностей кресла хотя и создает поначалу иллюзию повышенного комфорта, вскоре неизбежно ведет к перенапряжению мышц поясницы и спины из-за недостаточной поддержки областей бедер, ягодиц и крестца. При этом тазовая область смещается кпереди и поясничный лордоз уплощается или становится выпуклым. При жестких опорных поверхностях кресла экипаж почти сразу ощущает неудобство, причем степень дискомфорта резко возрастает со временем, достигая состояния невроза. Антропометрические характеристики у разных членов экипажа различаются, поэтому угол установки сидения и форма прокладки на сидении, являясь приемлемыми для одного человека, для другого существенно неприемлемы - ягодичная область сидящего человека скользит кпереди, сглаживая поясничный лордоз, как было указано ранее. В условиях профессиональной деятельности такое состояние сохраняется длительное время, так что большие и малые мышцы шеи находятся в сжатом положении, что приводит к нарушению кровообращения. В мышцах накапливаются вредные продукты обмена, что приводит к накоплению токсических веществ, которых при отсутствии лечения может становиться все больше и больше. Болевые ощущения распространяются на верхнюю часть спины, головную область, макушку, виски, глазницы, плечи, по обеим рукам. Боль распространяется на поясницу, ягодицы, нижние конечности. Если болевых точек слишком много, то это влияет на качество сна - такие люди не достигают четвертой стадии сна. После пробуждения нет чувства бодрости. В дальнейшем происходит формирование стойких патологических изменений позвоночного
**ГУП НИИ НМТ; 300026, г. Тула, пр-т Ленина, 104 ИТСТ НАНУ «Трансмаг»; Украина, 49005, Днепропетровск, ул. Писар-жевского, 5
