CC BY
115
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2016 - V. 23, № 3 - P. 23-30
УДК: 004.5 D01:10.12737/21744
МОДЕЛИРОВАНИЕ ПОВЕДЕНИЯ ЧЕЛОВЕКА НА ОСНОВЕ АНАЛИЗА ОТКЛОНЕНИЯ ОТ ОПТИМАЛЬНОГО ПОВЕДЕНЧЕСКОГО ПАТТЕРНА
Я.А.ТУРОВСКИЙ*, С.Е. ГРИДНЕВ*, Ю.А. ИППОЛИТОВ**
*Воронежский государственный университет, Университетская пл. д.1, г. Воронеж, 394006, Россия **Воронежский государственный медицинский университет, ул. Студенческая, д. 10, г. Воронеж, 394036, Россия
Аннотация. В работе представлены алгоритмы моделирования и прогнозирования индивидуальных паттернов поведения человека в условиях информационной неопределённости. В качестве математического аппарата прогноза и моделирования использовались искусственные нейронные сети прямого распространения. Подход к условиям и среде моделирования в выбран с целью дальнейшего масштабирования на практически задачи, связанные с медицинской диагностикой и снижение риска врачебных ошибок. Продемонстрировано, что значимо лучшие результаты прогнозирования поведения, основаны на оценке индивидуального паттерна ошибок человека, в отличии от прогноза непосредственно самого паттерна поведения. При этом ошибка рассчитывается как отклонение в паттерне поведения человека от «оптимального» паттерна, максимизирующего объём собранной пользователем информации и достигнутых целей за ограниченное число ходов. Предложены алгоритмы усовершенствования моделирования индивидуальных паттернов поведения человека на основе синтеза команд, генерируемых «оптимальным алгоритмом» и отклонения пользователя от оптимальной стратегии поведения. Данный подход оказывается более эффективным, чем применение по отдельности программ, реализующих «оптимальный алгоритм» или имитацию поведение человека на основе искусственных нейронных сетей, воспроизводящих поведение конкретного индивидуума. Результаты могут быть применены в создании экспертных систем медицинской диагностики.
Ключевые слова: прогноз поведения, информация неопределённость, искусственные нейронные сети.
MODELING OF HUMAN BEHAVIOR BASED ON THE DEVIATIONS ANALYSIS FROM THE
OPTIMAL BEHAVIOR PATTERNS
Ya.A. TUROVSKY*, S.E. GRIDNEV*, Yu.A. IPPOLITOV**
*Voronezh State University, Universitetskaya sq., 1, Voronezh, 394006, Russia **Voronezh State Medical University, Studencheskaya str., 10, Voronezh, 394006, Russia
Abstract. The article presents the modeling and prediction algorithms of individual human behavior patterns in conditions of information uncertainty. As a mathematical apparatus of modeling and forecasting, the authors used artificial neural networks of direct distribution. The approach to the conditions and environment modeling selected for further scaling of practical problems associated with medical diagnosis and decrease the risk of medical errors. It was demonstrated that significantly better results predict behavior are based on an assessment of the individual pattern of human error in contrast to the forecast of the pattern of behavior directly. In this case, the error is calculated as a deviation in the pattern of human behavior from the "optimal" pattern, maximizing the amount of information collected by the user, and targets reached for a limited number of moves. The authors have proposed algorithms individual human behavior patterns to improve modeling on the basis of the synthesis commands generated by "optimal algorithm" and user deviations from the optimal strategy of behavior. This approach is more efficient than using separate programs for implementing the "optimal algorithm" or imitation of human behavior based on artificial neural networks, reproducing the behavior of a particular individual. The results can be used in the creation of expert systems for medical diagnostics.
Key words: prediction of the behavior, information, uncertainty, artificial neural networks.
^ШХАЬ ОБ ХЕШ МЕБТСАЬ ТЕСИХОШСТЕБ - 2016 - V. 23, № 3 - Р. 23-30
Введение. Моделирование и прогнозирование поведения человека традиционно представляет собой значительный интерес для широкого спектра дисциплин [4,8,11]. При этом, наибольшее внимание привлекает моделирование и прогнозирование поведения человека в индивидуальном срезе. Успешность такого моделирования открывает широкие перспективы не только в теоретических дисциплинах, связанных с нейро-науками, но и даёт возможность практического применения в маркетинге, менеджменте и других разделах экономики [3,10,12]. Безусловно, создание точных и эффективных индивидуальных моделей принятия решения будет востребовано в практическом здравоохранении, как для создания нового поколения экспертных диагностических систем, так и для существенного снижения риска врачебных ошибок, которые в целом носят индивидуальный характер [5]. Однако, подобное моделирование, если речь идёт о количественном прогнозе тех или иных показателей, накладывает достаточно строгие требования на формализацию прогнозируемых параметров: паттернов и/или результатов поведения, характера формирования логических цепочек умозаключений, систем ассоциаций и т.д. В тоже время имеющиеся тенденции в данной тематике указывают на попытку прогнозировать именно факт появления того или иного поведенческого паттерна, а не рассматривают возможные отклонения от наилучшего решения в данной ситуации. Рассмотрим последний подход более подробно. Очевидно, что обладая «эффектом послезнания» человек может изменять принимаемые решения в случаях, если имеет место задача с неполной информацией в ходе её решения. Однако, на практике, непосредственно решая такую задачу, пользователь всей полнотой информации не располагает и вынужден достраивать картину, действуя исходя из своих предположений, базирующихся на знании и опыте. Очевидно, что при этом представляет интерес отклонение поведения человека от оптимального в силу ограниченности, как полученной информации, так и индивидуальных особенностей её обработки и принятия решений.
Цель исследования - разработка подходов к моделированию поведения человека основанных на парадигме отклонения от оптимального поведенческого паттерна.
Материалы и методы исследования. Ис-
следуемая модель, формализующая поведение человека. Формализация поведения человека проводилась с использованием лабиринта, представляющего собой поле 15*15 ячеек, в которых могут находиться проходы, стенки или бонусы (игровые призы) (рис.).
Рис. Элементы лабиринта реализованного в программном пакете для проведения тестирования
Выбор модели «лабиринта» исходил из того, что перемещение по лабиринту, с целью поиска «бонусов»-призов схоже с задачами поиска определённых признаков тех или иных состояний сложной системы, т.е. по сути диагностики, в широком понимании термина. Действительно, в ходе постановки диагноза врач, будучи ограниченным по времени и иным ресурсам (ограничение числа ходов в модели), должен поставить правильный диагноз пациенту, при том, что кроме одного заболевания и его осложнений у пациента могут быть и сопутствующие. Т.о. выявление всех нозологических единиц (получение всех возможных бонусов в модели, за ограниченное число ходов) является типовой задачей диагностики. При этом, на каждом этапе диагностических процедур врач, в большинстве случаев, получает только ограниченную информацию, связанную с проверкой той или иной гипотезы. Таким образом, модель «лабиринта» в начальном приближении достаточно хорошо моделирует последовательность действий при диагностике, при условии, что все найденные заболевания имеют равные или близкие риски для жизни пациента.
Распределение бонусов по свободным ячейкам лабиринта задавалось случайным и равномерным, что соответствовало изложенным выше условиям и ограничениям модели. Перед испытуемым, в ходе моделирования ставилась задача сбора максимального количества бонусов в условиях представления информации
10ШМАЬ ОБ ШШ МБЭТСАЬ ТБСНМОШСТББ - 2016 - V. 23, № 3 - Р. 23-30
лишь об ограниченном числе соседних ячеек. При проходе лабиринта перед испытуемым возникает проблема выбора из нескольких альтернатив движения по нему (направлений перемещения) в условиях недостатка необходимой информации, а также проблема выбора кратчайшего пути к целям - очередным бонусам. Данный элемент модели эквивалентен ограничению времени диагностики по ресурсам и ограничению средств диагностики по информативности [1,2,9].
Для моделирования поведения человека в данных условиях были использованы искусственные нейронные сети (ИНС), поскольку они обладают необходимой «гибкостью» и способностью обучаться на примерах [7]. В целях автоматизации процесса сбора данных и моделирования был разработан оригинальный программный продукт [6]. Программа формирует выборку из карт лабиринта, распределяет бонусы, ставит пользователя в начальное положение в лабиринте, определяет перемещение человека в лабиринте и оформляет это в виде обучающей выборки для искусственной нейронной сети. Программа состоит из:
1) Модуля сбора статистических данных с человека. Модуль обеспечивает проведение серии экспериментов на испытуемом со сбором данных о характере его поведенческого паттерна. Реализованный программный продукт позволяет осуществлять эксперимент удалённо, без непосредственного участия экспериментатора, что создаёт возможность испытуемому проходить тестирование в удобных для себя условиях и позволяет исключить «эффект новизны». Данный эффект заключается в том, что тестируемый находясь в необычных, или непривычных для себя условиях меняет паттерн поведения и тем самым вносит неустранимые искажения в собранные данные.
2) Модуля обучения ИНС. Модуль реализует основные алгоритмы обучения в искусственных нейронных сетях прямого распространения. При этом реализовано «обучение с учителем», где в качестве учителя выступает набранные в серии экспериментов паттерны поведения конкретного человека.
3) Модуля проверки ИНС. Модуль обеспечивает работу обученной нейронной сети в условиях теста в лабиринте, и сравнение выбора направления хода ИНС с ходом, выбранным
конкретным пользователем, сохранение и первичную обработку результатов.
Рассматривая поведение человека и принятие им решений в условиях информационной неопределённости будем использовать следующие термины, описывающие алгоритмы поведения: «оптимальный алгоритм» - алгоритм, не использующий в расчетах апостериорных данных, но показывающий лучший результат, чем человек, решающий такую же задачу; «сверхоптимальный алгоритм» - алгоритм, использующий в расчетах апостериорные данные и за счёт этого показывающий лучший результат, чем оптимальный алгоритм; «субоптимальный алгоритм» - любой алгоритм, не использующий апостериорных данных, и показывающий результат хуже, чем оптимальный алгоритм.
В экспериментах «оптимальный» алгоритм задает очередной ход следующим образом. Если виден один или несколько бонусов, то оптимальным считается ход по пути к ближайшему бонусу, иначе оптимальным считается ход по направлению к ближайшей из необследованных ячеек лабиринта. Иными словами, при наличии нескольких потенциальных диагнозов осуществляются в первую очередь диагностические мероприятия, направленные на наименее ресурсоёмкое подтверждение/исключение диагноза. Если же нет возможности подтвердить/исключить хоть один диагноз (нет ни одного бонуса на карте), совершается перемещение в те области карты, которые максимизируют обзор. Иными словами - совершаются диагностические процедуры, позволяющие выявить несколько потенциальных диагнозов, если таковые имеют место быть. Игровой бонус считается видимым из данной ячейки лабиринта, если он либо находится в соседней ячейке по отношению к данной, либо в памяти программы имеется информация о ячейке с бонусом, к которой есть путь из данной ячейки.
Считалось, что ход, задаваемый таким «оптимальным» алгоритмом, и является в данном конкретном случае оптимальным с точки зрения максимизации числа собранных бонусов за ограниченное число ходов. Ошибка испытуемого, при генерации паттерна поведения здесь определяется как результат отклонения движения человека по лабиринту от маршрута, устанавливаемого «оптимальным» алгоритмом, она
10ШХАЬ ОБ ХЕШ МЕЭТСАЬ ТЕСИХОШСТЕБ - 2016 - V. 23, № 3 - Р. 23-30
выражается углом отклонения направления перемещения заданного человеком, от траектории оптимального алгоритма. Например, если «оптимальный» алгоритм задал направление хода «прямо», а человек отдал команду переместится по лабиринту направо, то отклонение в этом случае составляет 90°. В этом случае поведенческий паттерн пользователя является «субоптимальным». Применительно к диагностическим решениям это означает, что врач при постановке диагноза (совершении диагностических процедур) выбрал ту процедуру из имеющихся, которая хуже чем альтернативная может выявить то или иное заболевание. Другим вариантом подобной «субоптимальности» является выбор диагностической процедуры, которая потенциально может выявить меньшее число симптомокомплексов, чем альтернативная, имеющаяся в распоряжении врача.
Для дальнейшего требуется ввести ещё два понятия. «Памятью» назовём изначально пустую двумерную карту, заполняемую по мере прохождения лабиринта. Иными словами, это информация о диагностических мероприятия, приведших или не приведших к постановке диагноза или выявлению новых синдромов и симптомов.
Ячейки карты заполняется значениями в зависимости от того, что в них находится: проход - «0», непроходимая стенка - «1», бонус -«2», а если ячейка относится к необследованной области, то «8». «Входным вектором параметров» для ИНС назовём вектор, состоящий из конкатенации значений ячеек видимой часть лабиринта и памяти. Каждая ИНС в данном исследовании имела фиксированную топологию 250-25-2 (количество искусственных нейронов во входном, скрытом и выходном слоях). Такая топология сетей была получена экспериментально при обучении ИНС в математическом пакете БЬаНзИса, обладающей функцией автоматического определения оптимальной топологии ИНС для данного входного вектора.
Исследование возможностей ИНС для моделирования поведения человека и его ошибок при топологиях сетей с большим количеством искусственных нейронов во внешнем и скрытом слоях требует существенного увеличения вычислительных ресурсов центральных процессоров компьютеров примерно в 20 раз.
Каждый испытуемый поводил 200 экспериментов, затрачивая на каждый 42 хода. При
использовании ИНС для каждого эксперимента начальной точкой на карте служила та же позиция, с которой движение начинал испытуемый. Для сравнения результата моделирования, использовался критерий Вилкоксона для парных случаев, уровень значимости принимался 0,05. Выбор критерия Вилкоксона для парных случаев связан с тем, что каждой карте лабиринта, на которой проходил тест человек, соответствовала точно такая же карта (включая начальное положение «игрока») на которой проводилась верификация исследуемой искусственной нейронной сети. Вводилась поправка на эффект множественных сравнений. В качестве среды для статистической обработки использовался пакет Statistica 8.0. При этом используемые в работе модули конкретного релиза данного программного продукта предварительно была верифицированы на тестовых примерах с известными результатами.
Результаты и их обсуждение. На первом этапе исследования был проведен эксперимент по сбору статистических данных о поведении 28 добровольцев в возрасте от 19 до 24 лет, имевших естественно-научное (13 человек) и техническое (15 человек) полное или неоконченное высшее образование. Испытуемые работали с лабиринтом согласно указанному выше протоколу исследования, при этом полученные данные представляют собой файлы, хранящие координаты начальной ячейки лабиринта и последовательность ходов человека.
На основе этих данных было проведено обучение нескольких групп ИНС, формирующих серии экспериментов. В первую серию входили такие ИНС, которые обучались моделированию перемещения человека в лабиринте на основе входного вектора параметров с использованием и без использования памяти, хранящей в себе информацию об обследованном участке лабиринта. Однако выяснилось, что при прохождении по лабиринту человека-игрока под управлением такой сети, ошибки модели имеют свойство накапливаться с каждым ходом. Такое накопление ошибок выглядит как циклическое перемещение между двумя ячейками лабиринта с возвратом в начальное состояние при наличии очевидного оптимального пути для стороннего человека-наблюдателя, располагающего теми же данными, что и ИНС (видимая область лабиринта и
1ОШХАЬ ОБ ХЕШ МЕЭТСАЬ ТЕСНХОШСТЕБ - 2016 - V. 23, № 3 - Р. 23-30
память). Ожидалось, что проблема может быть решена т.н. «встряхиванием», когда случайным образом выбиралось направление, в котором игрок под управлением ИНС делал 5 очередных ходов. Однако, несмотря на то что наличие «памяти» значимо улучшает точность прогноза поведения человека-прототипа ИНС (7=0,00, 2=4,62 р<0,00004), показатели всё рано достаточно низки, не превышая 30%. Отказ от «встряхивания», как от процедуры обеспечивающей 5 и более из 42 ходов ненаправленных движение привело более чем к 80% случаев ИНС правильного моделирования хода человека. В целом, такое моделирование можно считать успешным. И в этом случае наличие «памяти» значимо улучшало показатели прогноза (84,58%-85,46%-95% доверительный интервал точности моделирования без учета «памяти»; 85,56%-86,19%-95% доверительный интервал точности моделирования с учетом памяти «памяти»; 7=26,50, 2=3,78, р=0,000154). Однако, несмотря на относительно высокий уровень точности прогноза хода, число собранных бонусов в целом было значимо меньше, чем при у испытуемых и при применении «оптимального алгоритма». Таким образом, относительно высокая точность моделирования направления хода человека, не обеспечивала столь же высокой точности моделирования сбора игровых бонусов. Иными словами, рассматривая модель через призму применения в медицинской диагностики приходится констатировать, что относительно точные логические заключения (ходы) не приводили к правильной постановке диагноза (собранного бонуса).
Важно отметить, что оптимальный алгоритм превосходил по качеству работы не только модели поведения основанные на ИНС прямого распространения, но и испытуемых (985,675-1083,968 - 95% доверительный интервал суммы собранных бонусов для человека, 1138,401-1209,670 - 95% доверительный интервал суммы собранных бонусов для оптимального алгоритма, Т=0,00, 2=4,62, р=0,000004).
Вторая группа сетей обучались определять отклонение хода человека от «оптимального» алгоритма, описанного выше. Данная группа сетей показала лучшие результаты, выражаемые в увеличении количества собираемых бонусов, по сравнению с первой группой сетей (табл. 1). При этом для двух подгрупп ИНС (со «встряхи-
ванием» и без) различий по этому критерию выявлено не было, во много за счёт высоких значений дисперсии показателей в каждой из групп. Высокие значения вариационного размаха (24-1191) послужили основой для феномена, при котором ряд ИНС продемонстрировали результаты лучше, чем человек-прототип обучения данной ИНС. При этом были достигнуты, но не превзойдены результаты оптимального алгоритма. Следовательно, возникла необходимость проведения контрольного эксперимента, с обучением ИНС, где в качестве учителя выступали данные получены оптимальным алгоритмом. Моделировался поведенческий паттерн. Наилучший результат обучения ИНС полученные в ходе 15 экспериментов составили 75 бонусов, уступая в среднем таковым при обучении, где учителем служил поведенческий паттерн человека 7=0,00, 2=3,62, р=0,000239. Таким образом, для качественного обучения ИНС в качестве учителя необходим не индивидуальный паттерн поведения человека и не паттерн, порождаемый оптимальным алгоритмом, а комбинация этих двух паттервнов в виде отклонения поведения человека от оптимального.
Таблица 1
Доверительный интервалы для собранных бонусов (призов) моделями с использованием искусственных нейронных сетей для моделирования и прогноза поведенческих паттернов человека
Число собранных бонусов (95% доверительный интервал)
ИНС, обученные на моделирование поведенческого паттерна человека, моделирование со «встряхиванием» 244,19-479,66
ИНС, обученные на моделирование поведенческого паттерна человека, моделирование без «встряхивания» 209,26-555,58
ИНС, обученные на отклонение от оптимального алгоритма поведенческого паттерна человека, моделирование со «встряхиванием» 170,04-200,45
ИНС, обученные на отклонение от оптимального алгоритма поведенческого паттерна человека, моделирование без «встряхивания» 97,37-110,48
В ходе проведенного эксперимента каждый доброволец прошел также тест Айзенка на определение экстраверсии и нейротизма и тест Спилбергера-Ханина на определение личност-
10ШМАЬ ОБ ШШ МЕЭТСАЬ ТЕСНМОЬОСТЕБ - 2016 - V. 23, № 3 - Р. 23-30
ной тревожности. Корреляции между результатами данных тестов и количеством собираемых бонусов не было обнаружено.
Наличие в выборке показателей обучения ИНС значений превосходящих таковые для человека-прототипа позволило сформировать третью группу экспериментов с нейросетями. В этой группе определялся вопрос - возможно ли для любого пользователя обучить на основе его паттерна поведения и оптимального алгоритма такую ИНС которая превосходила бы показатели человека-прототипа. Кроме 3-х испытуемых, результаты которых были изначально выше, были случайным образом отобраны данные ещё семи испытуемых. Поскольку в алгоритме обучения ИНС изначальное распределении весов случайно, то для разных людей требуется различное количество циклов переобучения. Тем не менее, все из семи серий обучения ИНС показали результаты, превосходящие таковые у людей-прототипов. Таким образом, табл. 2 показывает, что совместное использование «оптимального» алгоритма и сетей, обученных определять отклонение от такого алгоритма при должном качестве обучения, способно превосходить по результатам сбора бонусов людей, по данным которых обучались данные сети.
Таблица 2
Результаты сбора бонусов в лабиринте людьми и переобученными ИНС
№ испытуемого Люди ИНС
1 1206 1216
7 838 913
8 1098 1141
11 1091 1212
15 1092 1189
22 1252 1395
28 1103 1191
Резюме:
1. Моделирование паттерна поведения человека, в условиях информационной неопределённости искусственными нейронными сетями прямого распространения в целом обеспечивает приемлемые, в первом приближении, параметры точности. Однако, точность достижения цели следует признать недостаточной.
2. Моделирование паттерна поведения человека на основе отклонения от «оптимального алгоритма» обеспечивает существенно лучшие результаты в первую очередь за счёт более вы-
соких показателей достижения моделью целей работы в условиях информационной неопределённости.
3. Синтез моделей, основанных на отклонении поведенческого паттерна человека от «оптимального алгоритма» и паттернов «оптимального алгоритма» позволяет превзойти результаты работы конкретного человека-прототипа. При этом модель основанная на воспроизведении искусственными нейронными сетями паттерна поведения «оптимального алгоритма» даёт существенно худшие результаты, чем модели поведения человека.
Заключение. В работе представлены алгоритмы моделирования и прогнозирования индивидуальных паттернов поведения человека в условиях информационной неопределённости, отражающие, в том числе и процесс постановки диагноза. В качестве математического аппарата прогноза и моделирования использовались искусственные нейронные сети прямого распространения с одним скрытым слоем. Подход к условиям и среде моделирования в выбран с целью дальнейшего масштабирования на практически задачи связанные с медицинской диагностикой, и снижения риска врачебных ошибок, носящих индивидуальных характер. Продемонстрировано, что значимо лучшие результаты прогнозирования поведения, основаны на оценке индивидуального паттерна ошибок человека, в отличии от прогноза непосредственно самого паттерна поведения. При этом ошибка рассчитывается как отклонение в паттерне поведения человека от «оптимального» паттерна, максимизирующего объём собранной пользователем информации за ограниченное число ходов. Предложены подходы, направленные на усовершенствования моделирования индивидуальных паттернов поведения человека на основе синтеза команд, генерируемых «оптимальным алгоритмом» и отклонения пользователя от оптимальной стратегии поведения. Данный подход оказывается более эффективным, чем применение по отдельности программных решений, реализующих «оптимальный алгоритм» или имитацию поведение человека на основе искусственных нейронных сетей, воспроизводящих поведение конкретного индивидуума. Результаты могут быть применены в создании экспертных систем медицинской диагностики и систем сигнализирующих о
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2016 - V. 23, № 3 - P. 23-30
риске врачебных ошибок при постановке диагноза или лечебных мероприятиях.
Авторы выражают признательность Кургалину С.Д. Работа выполнена при поддержке гранта РФФИ №ЛЛЛЛ-Л16-116051110239-2
Литература
1. Воронин Г.В., Пальцева Е.М., Руанет В.В., Хадар-цев А. А., Хетагурова А.К. Нейросетевые технологии и вопросы идентификации в медицинских исследованиях. Часть I // Вестник новых медицинских технологий. 2008. № 4. С. 192-196.
2. Воронин Г.В., Пальцева Е.М., Руанет В.В., Хадар-цев А.А., Хетагурова А.К. Нейросетевые технологии и вопросы идентификации в медицинских исследованиях. Часть II // Вестник новых медицинских технологий. 2009. № 1. С. 32-34.
3. Еськов В.М., Хадарцев А.А., Козлова В.В., Филатова О.Е. Использование статистических методов и методов многомерных фазовых пространств при оценке хаотической динамики параметров нервно-мышечной системы человека в условиях акустических воздействий // Вестник новых медицинских технологий. 2014. № 2. С. 6-10.
4. Истратов В.А. Агенто-ориентированная модель поведения человека: не в деньгах счастье?// Экономика и мат. методы. 2009. Т. 45. № 1.
5. Мохов A.A., Мохова И.Н. «Врачебная ошибка» как актуальная проблема судебной практики // Медицинское право. 2004. № 2.
6. Туровский Я.А., Кургалин С.Д., Гриднев С.Е. Программы для ЭВМ. Базы данных // Топологии интегральных микросхем. 2015. № 7. С. 630.
7. Нейросетевые структуры и технологии. Часть 1. Электрические и математические модели нейронов. НС прямого распространения. Учебное пособие для вузов. ВГУ, 2008. С. 32-37.
8. Петросян Д.С. Интегративная модель поведения человека // Общественные науки и современность. 2008. № 3. C. 39-51.
9. Руанет В.В., Хадарцев А.А., Хетагурова А.К. Использование самоорганизующейся карты признаков для решения задач моделирования в биологических системах // Вестник новых медицинских технологий. 2007. № 2. С. 148-149.
References
Voronin GV, Pal'tseva EM, Ruanet VV, Khadartsev AA, Khetagurova AK. Neyrosetevye tekhnologii i voprosy identifikatsii v meditsinskikh issledovaniyakh. Chast' I [Neural network technology and identify issues in medical research. part I]. Vestnik novykh meditsinskikh tekhnologiy. 2008;4:192-6. Russian. Voronin GV, Pal'tseva EM, Ruanet VV, Khadartsev AA, Khetagurova AK. Neyrosetevye tekhnologii i voprosy identifikatsii v meditsinskikh issledovaniyakh. Chast' II [The neuronet technologies and the indification questions in medicinal studies (part II)]. Vestnik novykh meditsinskikh tekhnologiy. 2009;1:32-4. Russian. Es'kov VM, Khadartsev AA, Kozlova VV, Filatova OE. Ispol'zovanie statisticheskikh metodov i metodov mno-gomernykh fazovykh prostranstv pri otsenke khaoti-cheskoy dinamiki parametrov nervno-myshechnoy sistemy cheloveka v usloviyakh akusticheskikh voz-deystviy [Application of statistical methods and multidimensional phase space methods for estimation of chaotic dynamics of neuromuscular system parameters under acoustic effects]. Vestnik novykh meditsinskikh tekhnologiy. 2014;2:6-10. Russian.
Istratov VA. Agento-orientirovannaya model' povede-niya cheloveka: ne v den'gakh schast'e? [Agent-based model of human behavior: Money is not happiness?]. Ekonomika i mat. metody. 2009;45(1). Russian. Mokhov AA, Mokhova IN. «Vrachebnaya oshibka» kak aktual'naya problema sudebnoy praktiki ["Medical error" as the actual problem of judicial practice]. Medit-sinskoe pravo. 2004;2. Russian.
Turovskiy YaA, Kurgalin SD, Gridnev SE. Programmy dlya EVM. Bazy dannykh. Topologii integral'nykh mi-kroskhem. 2015;7:630. Russian.
Neyrosetevye struktury i tekhnologii. Chast' 1. Elektri-cheskie i matematicheskie modeli neyronov. NS prya-mogo rasprostraneniya. Uchebnoe posobie dlya vuzov. VGU; 2008.
Petrosyan DS. Integrativnaya model' povedeniya che-loveka [Integrative model of human behavior]. Obsh-chestvennye nauki i sovremennost'. 2008;3:39-51. Russian.
Ruanet VV, Khadartsev AA, Khetagurova AK. Is-pol'zovanie samoorganizuyushcheysya karty priznakov dlya resheniya zadach modelirovaniya v biologi-cheskikh sistemakh [The use of self-organizational map of parameters for problem decision of simulation in biological sistems]. Vestnik novykh meditsinskikh tekhnologiy. 2007;2:148-9. Russian.
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2016 - V. 23, № 3 - P. 23-30
10. Стародубов В.И., Еськов В.М., Хадарцев А.А., Яшин А.А., Агарков Н.М., Зарубина Т.В., Кобрин-ский Б.А., Козырев К.М., Пятин В.Ф., Хетагурова А.К., Громов М.С., Воронцова З.А., Филатова О.Е., Глотов В.А., Гонтарев С.Н., Добрынина И.Ю., Лис-топадова Н.А., Матвеев Н.В., Ведясова О.А., Курако-ва Н.Г., Руанет В.В., Логинов С.И., Добрынин Ю.В., Свешников А.В., Смородинов А.В., Терехов И.В., Яшин М.А., Кантаржи Е.П., Логачева В.В., Шаманский К.А. Системные подходы в биологии и медицине (системный анализ, управление и обработка информации) / Под ред. А.А. Хадарцева, В.М. Есь-кова, А.А. Яшина, К.М. Козырева. Тула: ООО РИФ «ИНФРА», 2008. 372 с.
11. Сухова Л.Л. Формирование моделей социального поведения у приматов и человека: этологические подходы: Автореф. дис.... к.б.н. М., 2000. 20 с.
12. Хромушин В.А., Хадарцев А.А., Бучель В.Ф., Хро-мушин О.В. Алгоритмы и анализ медицинских данных: учебное пособие. Тула: Тульский полиграфист, 2010. 123 с.
Starodubov VI, Es'kov VM, Khadartsev AA, Yashin AA, Agarkov NM, Zarubina TV, Kobrinskiy BA, Kozy-rev KM, Pyatin VF, Khetagurova AK, Gromov MS, Vo-rontsova ZA, Filatova OE, Glotov VA, Gontarev SN, Dobrynina IYu, Listopadova NA, Matveev NV, Vedya-sova OA, Kurakova NG, Ruanet VV, Loginov SI, Do-brynin YuV, Sveshnikov AV, Smorodinov AV, Terek-hov IV, Yashin MA, Kantarzhi EP, Logacheva VV, Shamanskiy KA. Sistemnye podkhody v biologii i me-ditsine (sistemnyy analiz, upravlenie i obrabotka in-formatsii) / Pod red. A.A. Khadartseva, V.M. Es'kova, A.A. Yashina, K.M. Kozyreva. Tula: OOO RIF «INFRA»; 2008. Russian.
Sukhova LL. Formirovanie modeley sotsial'nogo pove-deniya u primatov i cheloveka: etologicheskie podkho-dy [dissertation]. Moscow; 2000. Russsian. Khromushin VA, Khadartsev AA, Buchel' VF, Khromu-shin OV. Algoritmy i analiz meditsinskikh dannykh [Algorithms and analysis of medical data]: uchebnoe posobie. Tula: Tul'skiy poligrafist; 2010. Russian.
