CC BY
12УДК 681.5:612.8:159.98
МОДЕЛИРОВАНИЕ ЧЕЛОВЕКО-МАШИННЫХ СИСТЕМ С УЧЁТОМ ВЛИЯНИЯ СВЕТОВЫХ СТИМУЛОВ НА ЧЕЛОВЕКА-ОПЕРАТОРА
М. Я. Брагинский, Ю. Г. Бурыкин, Д. В. Тараканов
Сургутский государственный университет, mick17@mail.ru, yriig@yandex.ru, sprtdv@mail.ru
Решение задачи построения математической модели системы управления постуральной устойчивостью тела человека связано с исследованием процессов регуляции позы тела человека в условиях фотостимуляции, позволяющей стабилизировать положение тела человека. Представленная работа может быть использована в качестве теоретического базиса для мониторинга и коррекции функционального состояния человека-оператора в человеко-машинных комплексах.
Ключевые слова: Е-сети, человек-оператор, фотостимуляция.
HMI MODELING CONSIDERING LIGHT STIMULUS EFFECTS ON THE HUMAN OPERATOR
M. Ya. Braginsky, Yu. G. Burykin, D. V. Tarakanov
Surgut State University, mick17@mail.ru, yriig@yandex.ru, sprtdv@mail.ru
Modeling of a human postural stability control system requires human posture control research under photostimulation intended for postural stability. The paper develops the principles of a human operator functional status monitoring and correction in human machine systems.
Keywords: E-networks, human operator, photostimulation.
Принципам построения модели человека-оператора посвящено большое количество работ, например [12-14]. В данном труде представлен детальный обзор современных подходов к моделированию человека-оператора. Для аналитико-имитационного моделирования человеко-машинной системы используется архитектура, (содержащая две основные компоненты: иерархическую аналитико-имитационную модель автоматизированной системы управления технологическим процессом (АСУ ТП) и модель человека-оператора. Обобщенная структурная схема такой модели представлена на рис. 1.
Авторами статьи предлагаются принципы построения аналитико-имитационной модели человека-оператора, которые бы учитывали функционирование человека как на физическом и психофизиологическом уровне (страта физических и психофизиологических характеристик человека-оператора), так и уровни логического вывода для решения человеком задачи управления технологическим процессом. Предполагается, что вышеуказанные уровни должны взаимодействовать между собой, так как индивидуальные психофизиологические свойства человека влияют на принятие решения или процесс управления, например, в аварийном режиме изменяет состояние и в ряде случаев -поведение человека-оператора.
Состояние нервно-мышечной системы человека-оператора, проявляющееся в вертикальной устойчивости и амплитуде непроизвольных микродвижений его тела, играет важную роль в точном и безошибочном оперативном управлении сложными технологическими объектами. Управление вертикальной устойчивостью тела в современной физиологии больше не рассматривается как суммация статических рефлексов. Контроль вертикальной устойчивости представляет собой комплекс навыков, сформированных на основе взаимодействия динамических сенсомоторных процессов позной ориентации и позного равновесия [6, 10].
В настоящее время является актуальным изучение немедикаментозных методов воздействия на психофизиологическое состояние человека (с целью коррекции или оптимизации), одним из которых является фотостимуляция. Имеются сведения [5], что ритмическая фотостимуляция, предъявленная на фоне действия различных психофармакологических препаратов, изменяет мышечный тонус, некоторые
Массивы входных переменных модели
Иерархическая аналитико-
имитационная модель автоматизированной системы управ-ления технологическим процессом
£
¡О
О
Модель внешней
среды
Подсистема идентификации
Массивы выходных переменных модели
' Управление 'технологическим процессом
Страта физических и психофизиологических
характеристик человека-оператора
Рис. 1. Обобщённая структурная схема аналитико-имитационного моделирования человеко-машинной системы
психические функции, биоэлектрическую активность головного мозга. В предшествующем исследовании [7] была показана принципиальная возможность использования фотостимуляции для формирования определенного психофизиологического состояния человека.
Поскольку сенсорные анализаторы человека непрерывно взаимодействуют, обмениваясь информацией, то изменение состояния одного сенсорного входа может влиять на состояние других анализаторов. С этих позиций изменение афферентации в зрительном анализаторе должно привести к изменению эфферентных влияний на двигательные функции, что подтвердилось исследованиями влияния фотостимуляции на зрительный аппарат стрелков-полиатлонистов, приводящей к снижению амплитуды постурального тремора [2, 3, 11].
В настоящее время существует множество методов и средств контроля постуральной устойчивости человека, используемых в медико-социальной реабилитации и в области спортивной подготовки. Среди таких систем можно выделить аппаратно-программный комплекс «МБН-Биомеханика», реализованный на базе стабилометрической платформы, который позволяет формировать навык управления вертикальной устойчивостью тела человека [4].
В качестве средства моделирования авторами выбран сетевой математический аппарат [15, 16], позволяющий учитывать параллелизм процессов в системе и строить иерархические аналитико-имитационные модели. Кроме того, сетевой подход позволяет сопрягать различные подсистемы моделирования. Исходя из анализа математических сетевых схем моделирования, авторами выбраны аппарат расширенных сети Петри - Е-сети [17, 18]. Вышеуказанный подход позволяет учитывать динамические свойства исследуемой системы, а также осуществлять аналитическое преобразование параметров модели - атрибутов фишек.
На рис. 2 приводится раскрытие динамической модели человеко-машинной системы на примере взаимодействия человека-оператора с объектом управления, которая обеспечивает моделирование процессов афферентации в зрительном анализаторе с последующим влиянием на двигательные функции человека.
г
Рис. 2. Е-сетевая модель взаимодействия человека-оператора с объектом управления, учитывающая влияние световых стимулов на двигательный анализатор: РА - рецепторный аппарат; СА - сенсорный анализатор; ЦОДА - центральный отдел двигательного анализатора; ПДЦ - подкорковый двигательный центр; ДК- двигательная кора; МНП - мотонейронный пул; МА - мышечный аппарат
Каждой входной г-ой переменной сопоставляется фишка V. Интенсивность поступления фишек в модель характеризуется поток ПVI = Нт (Му(/ДI). Обработка входного потока в модели осу-
Д^ 0
ществляется Е-сетевым переходом Т\, который осуществляет передачу данных в двух режимах:
- объединение (добавление) атрибутов фишек, что позволяет передавать одним носителем информации совокупность всех переменных, это методика позволяет снизить нагрузку Е-сетевой модели;
- индивидуальной передачи данных; представленный режим обрабатывает и передаёт в канал связи каждую фишку, поступившую на вход модели, это повышает высокую скорость передачи сообщения и как следствие, обеспечивает более высокую точность воспроизведения процессов во времени, но увеличивает нагрузку Е-сетевой схемы.
Далее фишка проходит последовательно через Е-сетевые компоненты модели, где происходит: преобразование физических переменных согласно заданным законам функцио-нирования рассматриваемых систем, структурно-параметрическая настройка модели и активизация процесса имитации необходимого режима работы элемента системы.
Входными физическими переменными рассматриваемой системы моделирования являются световые стимулы, излучаемые устройствами индикации, а также фоновые стимулы окружающей среды
Rx 1, имитируемые поступлением фишек через переход Тi в рецепторный анализатор. Далее сигнал поступает через сенсорный анализатор (переход Т2) в подкорковый двигательный центр (переход Т4), где содержится копия образа движения, посылаемого центральным отделом двигательного анализатора через переход Тю [5]. Команды на исполнение движением посылаются из двигательной коры через переход Т% в мотонейронный пул (двигательные нейроны), управляющий мышечным аппаратом.
Путь фишек через переходы Т4 в мотонейронный пул является текущим корректирующим воздействием на процесс движения, а путь через переходы Т9 в центральный отдел двигательного анализатора - информирующим о состоянии движения.
Выходными параметрами модели являются управляющие воздействия мышечного аппарата на органы управления.
Для формирования модели поведения человека-оператора верхнего уровня управления технологическим процессом предлагается использовать продукционные нечеткие правила Rule: X Y.
Входными переменными X являются массивы выходных и входных данных, наблюдаемых оператором на экране монитора. Выходными переменными Y являются управляющие воздействия, выполняемые оператором для отработки текущей задачи.
В качестве входных переменных используется массив технических параметров системы в данный момент времени Х(. На основании входных данных происходит вычисление степени истинности сужения каждой нечёткой (лингвистической переменной) f. Далее на основании нечетких продукционных правил вида:
Rulei : if x1 = Ri Л x2 = R2 Л ..., then y1 = Bi Л y2 = B2
осуществляется активизация функций принадлежности управления ¡вк(Ук) и процедура дефаззифика-ции. В результате этих действий нечеткая система вывода формирует результат в виде набора управляющих воздействий B(y) человека-оператора. На рис. 3 отражена иллюстрация вышеуказанных принципов нечёткого логического вывода управляющих воздействий оператора.
Пунктирной линией на рис. 3 отражена процедура активации или композиции подзаключений в нечетких правилах продукций для входных переменных Я\, Заштрихованные области для функций принадлежности соответствуют процедуре аккумуляции в системе нечёткого ввода. Завершительным этапом логического вывода является процедура дефаззификации (определение центра тяжести), в результате которого формируются управляющие воздействия человека-оператора у[, у2.
Учет динамических свойств человека-оператора возложен на подсистему нижнего уровня (см. рис. 1). Для решения данной задачи используется метод идентификации реакции человека, посту-ральной устойчивости тела человека и т.д. Исследования и моделирование процессов динамических свойств человека оператора проводилась в условиях фотостимуляции.
В качестве входных стимулов, влияющих на постуральную устойчивость опосредованно через зрительный анализатор, использовались ритмические световые сигналы, предъявляемые последовательно с частотой 0,2, 0,5, 1, 2, 3, 5, 10 Гц в течение 30 секунд каждый.
В качестве выходных (экспериментальных) данных использовались временные реализации ста-билограмм в формате массива (X, У, где Х - проекция траектории перемещения центра тяжести (ЦТ) в сагиттальной плоскости, У - проекция траектории перемещения ЦТ во фронтальной плоскости, Z - амплитуда давления ЦТ на стабилографическую платформу.
В качестве математической модели используется радиально-базисная нейронная сеть (РБС), которая позволяет аппроксимировать процессы с приемлемой (заданной) точностью.
Модель РБС в общем виде представлена на рис. 4, которая состоит из двух последовательно соединенных слоёв. Первый слой состоит из п-нейронов с радиально-базисной функцией активации. Число нейронов п в первом слое определяется заданной точностью и числом экспериментальных данных. Во втором слое содержится один нейрон с линейной функцией активации.
Модель нейронов первого слоя радиально-базисной сети представлена на рис. 5, где вектор Р -это массив входных данных; W - вектор весовых коэффициентов; b - значение смещения; f -функция активации, dist - евклидово расстояние.
Результат работы радиально-базисной сети проиллюстрирова на рис. 6, где аппроксимация осуществляется суперпозицией колоколообразных радиально-базисных функций.
Функционирование искусственных нейронов можно разбить на два этапа (рис. 7): обучения и непосредственно функционирования ИНС. Настройка структуры осуществляется на первом этапе с помощью библиотеки алгоритмов обучения, весовых коэффициентов и смещений ИНС таким образом, чтобы функционал J = S(Рэ - Тэ)2 min, где Рэ - массив входных экспериментальных данных; Тэ - массив эталонных значений. Данные массивы формируются в процессе проведения экспериментов для случая идентификации ОУ.
На втором этапе осуществляется непосредственно работа ИНС в качестве идентификатора.
Рис. 4. Структурная схема радиально-базисной сети
Вход ИН
Wi
Wr
а = ДШз^- Р)Ь), f = еп.
Рис. 5. Модель нейронов первого слоя радиально-базисного слоя: ИН - искусственный нейрон
Я Figure 1
(н) U
Fife Edit View ¡nsert Toots Desktop Window Help
oe d &
^ n®« л - a DE
и
1.4
1.2
0.8
0.6
0.4
0.2
1 1 1 1 ■ 1 1
/А
7 \
- >
V '
il 1
- 1 1 Ï \[
- 1 ) V
у j \ \
\ V
-1----Г _!_ _!_ т'~- —-1---
-5 4 -3 -2 -1 0 1 2 3 4 S
Рис. 6. Иллюстрация работы радиально-базисной сети: Р - массив входных сигналов РБС; а - выходная реакция РБС
Фрагмент экспериментальных данных проекции стабилограммы х(^ представлен на рис. 8.
Структурная схема продольного (в сагиттальной плоскости) и поперечного (во фронтальной плоскости) каналов стабилизации и управления телом человека (рефлекторных дуг) представлена на рис. 9. Эти каналы имеют два входа [1], через которые они подвержены действию двух типов входных воздействий:
- кинематических (возмущений - Д^в и программного управления - Д^упр);
- динамических (возмущений - Мвозм и программного управления - Мупр).
Работа обратной связи в каналах стабилизации и управления вертикальной стойки человека описывается передаточными функциями трёх блоков (звеньев):
- афферентного блока для получения информации с использованием механорецепторов, выполняющего афферентную функцию - Ж\(р);
- корректирующего блока обработки информации в ЦНС и коре головного мозга, выполняющего промежуточную функцию - Ж2(р);
1 -ый слой ИНС
И-Ый слой ИНС
Массив
входных
данных
ЛЬ
= ,ьк = ьк
I,) 1,.опТ . .опт
Рис. 7. Схема функционирования нейронной сети: г - номер весового коэффициента ]-го нейрона слоя к
Рис. 8. График проекции стабилограммы х(1)
- исполнительного блока нейро-мускульной реакции мышц ног, стоп, тазобедренного сустава, спины и других частей тела - блока моторики, выполняющего эфферентную функцию - ^з(р) [8].
Возмущениями в этой системе будут угол отклонения А<р' тела человека случайного характера; ДМ - разностный момент, действующие на тело человека; МОС - момент обратной связи; -приращение угла поворота тела.
Определение математических операторов и их параметров предлагается решить с помощью процедуры нейросетевой идентификации. Иерархическая структурная схема нейросетевого идентификатора представлена на рис. 10, 11. В качестве нейросетевого идентификатора предлагается использовать радиально-базисную сеть.
Рис. 9. Структурная схема канала системы равновесия тела человека Модели РБС получены в среде МаИаЬ/81шиНпк.
б) структура второго слоя нейронной сети
в) структура второго слоя нейронной сети Рис. 10. Нейронная сеть
Результаты моделирования РБС показаны в виде графика исходных данных и аппроксимации нейронной сетью на рис. 12. На графике кружками показаны значения, вычисленные с помощью РБС.
Таким образом, в данной статье проиллюстрирована возможность использования Е-сетей в качестве математического аппарата моделирования разнородных взаимодействующих между собой процессов. Предложены двухуровневые математические модели человека-оператора, реализующие логический вывод принятия решения и имитирующие динамические свойства человека. Последняя задача выполнена с помощью нейросетевой идентификации. Представленная концепция может применяться при построении компьютерных тренажеров, проектировании и сопровождении технических систем.
Рис. 11. Компонента визуальной модели блока скалярного произведения входного паттерна и весовых коэффициентов радиально-базисной сети
ЛИТЕРАТУРА
1. Антонова Н. Е. Математическое моделирование прямой стойки и походки человека для задач медицинской диагностики // Вестник АГТУ. 2012. № 2. С. 13-19.
2. Брагинский М. Я., Бурыкин Ю. Г., Логинов С. И. Влияние фотостимуляции зрительного анализатора на показатели постурального тремора стрелков-полиатлонистов // Теория и практика физической культуры. 2012. № 6. С. 90-94.
3. Компьютерная стимуляция зрительного аппарата спортсменов-стрелков / сост. : Ю. Г. Бурыкин, М. Я. Брагинский, С. И. Логинов, В. В. Апокин, Ю. С. Ефимова. Свидетельство о государственной регистрации программы для ЭВМ. № 2012612596, РОСПАТЕНТ. М., 2012.
4. Кууз Р. А., Фирсов Г. И. Применение методов компьютерной стабилометрии для решения задач функциональной диагностики в неврологии // Биомедицинская радиоэлектроника. 2001. № 5-6. С. 24-33.
5. Миролюбов А. В. Использование искусственных функциональных связей мозга для регуляции психофизиологического состояния человека : автореф. дис. ... д-ра мед. наук. СПб., 1996. 40 с.
6. Никандров В. В. Психомоторика : учеб. пособие. СПб. : Речь, 2004. 104 с.
7. Осипова М. А., Арьков В. В., Тоневицкий А. Г. Модуляция альфа-ритма и вегетативного статуса человека с использованием цветовой фотостимуляции // Бюллетень экспериментальной биологии и медицины. М, 2010. № 6. С. 699-703.
8. Советов Б. Я., Яковлев С. А. Моделирование систем : учебник для студ. высш. учеб. Заведений. 3-е изд., перераб. и доп. М. : Высш. шк., 200. 342 с.
9. Филатов В. И. Клиническая биомеханика / под ред. В. И. Филатова // Медицина. Ленинград, 1980. 200 с.
10. Era P., Konttinen N., Mehto P., Saarela P, Lyytinen H. Postural stability and skilled performance-a study on top-level and naive rifle shooters // J. Biomech. 1996. Vol. 29, № 3. P. 301-306.
11. Mononen K., Konttinen N., Viitasalo J., Era P. Relationships between postural balance, rifle stability and shooting accuracy among novice rifle shooters // Scand. J. Med. Sci. Sports, 2007. Vol. 17, № 2. P. 180-185.
12. Baron, S., Kruser, D., & Messick Huey, B. (Eds.). Quantitative modeling of human performance in complex, dynamic systems. Washington, DC : National Academies Press, 1990.
13. Druzhinin G. V. Human features in models of technologies. M. : MAIK "Nauka/Interperiodika", 2000. 327 p.
14. Sheridan T. Humans and Automation: System Design and Research Issues, John Wiley and Sons, 2002.
15. Peterson J. Petri net theory and the modeling of systems. Prentice-Hall, 1981. 290 p.
16. Best E., Fernandez C. Non-sequential Processes, a Petri Net View // EATCS Monographs on Theoretical Computer Science. Berlin a.o., 1988. № 13.
17. Kotov V. E. Petri Networks. Moscow : Nauka, 1984. 160 p.
18. Tsapko S. G., Tsapko G. P., Tarakanov D. V., Savenko 1.1. Organization of Continuous Process Simulation via E-network // Applied Mechanics and Materials Vol. 756 (2015). P. 500-506.
