CC BY
11
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2021 - V. 28, № 1 - P. 72-74
УДК: 61 DOI: 10.24412/1609-2163-2021-1-72-74
СИСТЕМНЫЙ СИНТЕЗ В ОЦЕНКЕ ТРАНСШИРОТНЫХ ПЕРЕМЕЩЕНИЙ УЧАЩИХСЯ ЮГРЫ Л.С. ШАКИРОВА*, Е.А. МАНИНА**, Т.С. ВЕДЕНЕЕВА**, А.В. МИЛЛЕР**, Е.Ю. ЛУПЫНИНА**
*ТОУ Роспотребнадзора по ХМАО-Югре в г. Сургуте и Сургутском районе, ул. Республики, д. 75/1, г. Сургут, 628408, Россия
**БУ ВО ХМАО-Югры «Сургутский государственный университет», ул. Ленина, д. 1, г. Сургут, 628400, Россия
Аннотация. В настоящее время возникают проблемы в медицине при идентификации главных диагностических признаков. Часто возникает неопределенности 1-го типа, когда статистика не показывает различий, а искусственные нейросети могут разделять выборки. Цель исследования. Доказать возможности применения нейрокомпьютеров для идентификации параметров порядка (главных диагностических признаков). Объекты и методы исследования. Регистрировались 6 параметров сердечно-сосудистой системы 30 девочек, которых перевозили с севера на юг (с целью оздоровления) и обратно. Производилась статистическая обработка данных и использовалась искусственная нейронная сеть для разделения выборок. Результаты и их обсуждение. Используя все 6-ть диагностических признаков (их выборки) было показано, что из 36 пар сравнения только 4-е пары показали статистическое различие. Остальные пары выборок статистически не различаются (p>0,05), т.е. возникает неопределенность 1-го типа. Выводы. Использование нейрокомпьютеров в особых режимах многократных повторений обеспечивает решение задачи системного синтеза. В этом случае мы ранжируем признаки и находим главные диагностические признаки среди множества компонент вектора состояния системы Xi(t).
Ключевые слова: параметры порядка, нейросети, системный синтез, эффект Еськова-Зинченко.
SYSTEMIC SYNTHESIS IN ESTIMATION BEFORE AND AFTER TRANSLATITUDE TRAVELS OF UGRA PURPLE L.S. SHAKIROVA*, E.A. MANINA**, T.S. VEDENEEVA**, A.V. MILLER**, E.U. LUPYNINA**
*TOU Rospotrebnadzor in the Khanty-Mansi Autonomous Okrug-Ugra in the city of Surgut and Surgut district, Republic Str.,
75/1, Surgut, 628408, Russia, е-mail: [email protected] **Surgut State University, Lenin Ave., 1, Surgut, 628400, Russia
Abstract. Currently, there are problems in medicine in identifying the main diagnostic features. Uncertainties of the 1 st type often arise, when statistics do not show the differences, but artificial neural networks can separate samples. The research purpose was to prove the possibility of neurocomputers' use to identify the order parameters (the main diagnostic features). Object and methods. Six parameters of the cardiovascular system of 30 girls were recorded, while transporting them from north to south and back (with the purpose of health increasing).To separate the samples an artificial neural network was used and statistical processing of the data was carried out. Results. Using the samples of all 6 diagnostic features, it was identified that only 4 comparison pairs showed a statistical difference out of 36 ones. The remaining pairs of samples did not statistically differ (p> 0.05), i.e. uncertainty of the 1st type arose. Conclusions. The use of neurocomputers in special modes of multiple repetitions provides a solution to the problem of system synthesis. In this case, we rank the indications and figure out the main diagnostic features among the set of components of the system's state vector Xi(t).
Keywords: order parameters, neural networks, system synthesis, the Eskov-Zinchenko effect.
Введение. Последние годы наблюдаеся постоянно расширяющееся использование искусственных нейронных сетей (ИНС) в различных научных исследованиях. Однако остается особая область науки, где эти технологии не применяются. Речь идет о системном синтезе (идентификации параметров порядка). В медицине это нахождение главных диагностических признаков и на основе их отыскание джокеров и русел для описания биомедицинской системы [1,2,7].
Во всей математике такая процедура (в общем случае) не формализована и она требует разработки новых методов и подходов. За последние 25 лет в биомедицине твердо доказан эффект Еськова-Зинченко (ЭЕЗ), в котором наблюдается отсутствие статистической устойчивости любых параметров организма человека ж, которые образуют вектор состояния организма х=хф=(х1, Х2, ..., Хт)Т в т-мерном фазовом пространстве состояний (ФПС) [6-9,11]. ЭЕЗ уводит биомедицинские системы из области детерминистской и стохастической науки (ДСН) [7,10-15].
Использование ЭЕЗ (в виде постоянного хаоса выборок Х1 и непрерывных повторений якобы одних и тех же процессов) в работе искусственных нейронных сетей - ИНС приводит нас к новым эффектам и в
итоге появляется возможность решать в общем виде (для любых систем) задачи системного синтеза. Это открывает особые перспективы в медицинской кибернетике при построении intelligent systems (интеллектуальных системы).
Объекты и методы исследования. Использовались выборки 6-ти диагностических признаков Xi, описывающих состояние сердечно-сосудистой системы (ССС) 30-ти девочек, которые участвовали в переезде с Севера РФ (г. Сургут - (1-е измерение этих 6-ти xi), на Юг РФ (2-е измерение), где за 15 дней прошли курс оздоровления (3-я точка измерения) и затем возвращались обратно (в г. Сургут, (4-я точка измерения). Во всех этих 4-х точках измерения были получены по 6 выборок (для каждого испытуемого): xi - SIM - инте-гративный параметр состояния симпатической нейро-вегетативной системы (НВС), X2 - PAR - параметр параметрической НВС, хз - SSS - параметр кардиоинтер-валов (КИ), X4 - SDNN - параметр стандарта отклонения КИ, X5 - INB - показатель индекса Баевского, X6 -SPO2 - параметр (в процентах) оксигемоглобина крови испытуемых. Все эти параметры попарно сравнивались во всех 4-х состояниях - (1), (2), (3), (4).
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2021 - V. 28, № 1 - P. 72-74
Далее, все эти выборки вводились в ИНС (использовалась Ыеито-Рто) и находились веса признаков X; в виде выборок после «=1000 повторных итераций (настроек ИНС). При этом на каждом шаге итерации (настройки ИНС) начальные веса этих XI задавались хаотически (из интервала (0,1)) и процедура настройки повторяла хаос и реверберации ИНС, иллюстрировали работу реальной нейросети мозга (НСМ) человека (в режиме многих повторений).
Результаты и их обсуждение. В ряде наших публикаций мы доказали, что повторная регистрации электроэнцефалограмм (ЭЭГ) у одного и того же испытуемого дает нам статистическую неустойчивость выборок ЭЭГ. Это означает, например, что если у одного испытуемого зарегистрировать подряд (в его спокойном состоянии) 15 выборок ЭЭГ (регистрации ЭЭГ в каждой выборке из 500-т точек), и затем их попарно сравнить, то мы получим табл. 1. Это типовая (характерная) матрица парных сравнений выборок ЭЭГ для одного человека, где число Ь=33 (это число пар выборок ЭЭГ, которые могут иметь одну (общую) генеральную совокупность). Однако, все-таки это число к очень мало (в статистике требуют к>95%).
Таблица 1
Матрица парного сравнения ЭЭГ одного и того же здорового человека (число повторов N=15) в период релаксации в отведении T6-Ref, использовался критерий Вилкоксона (значимость р<0.05, число совпадений ^=33)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 .00 .32 .05 .10 .64 .01 .55 .00 .28 .31 .00 .90 .00 .00
2 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .58
3 .32 .00 .75 .00 .03 .67 .19 .00 .01 .30 .02 .10 .00 .00
4 .05 .00 .75 .00 .07 .83 .00 .00 .00 .06 .03 .04 .00 .00
5 .10 .00 .00 .00 .00 .00 .41 .38 .66 .03 .00 .21 .00 .00
6 .64 .00 .03 .07 .00 .21 .86 .00 .21 .52 .00 .66 .00 .00
7 .01 .00 .67 .83 .00 .21 .02 .00 .00 .01 .19 .00 .00 .00
8 .55 .00 .19 .00 .41 .86 .02 .08 .93 .15 .00 .97 .00 .00
9 .00 .00 .00 .00 .38 .00 .00 .08 .06 .00 .00 .07 .00 .01
10 .28 .00 .01 .00 .66 .21 .00 .93 .06 .00 .00 .36 .00 .00
11 .31 .00 .30 .06 .03 .52 .01 .15 .00 .00 .00 .05 .00 .00
12 .00 .00 .02 .03 .00 .00 .19 .00 .00 .00 .00 .00 .00 .00
13 .90 .00 .10 .04 .21 .66 .00 .97 .07 .36 .05 .00 .00 .00
14 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00
15 .00 .58 .00 .00 .00 .00 .00 .00 .01 .00 .00 .00 .00 .00
Очевидно, что число к пар, которые имеют одну (общую) генеральную совокупность для всех параметров функций организма [4,5] невелико (у нас к1=33). Остальные пары статистически не совпадают, т.е. мы имеем статистический хаос подряд регистрируемых выборок ЭЭГ - это и есть ЭЕЗ для нейросетей мозга - НСМ). Для ССС эти значения к2 еще меньше (обычно к2^10%), т.е. мы наблюдаем неустойчивость выборок на фоне непрерывных ревербераций биопотенциалов мозга (ЭЭГ) [3].
Таким образом, после нескольких сот испытаний мы доказали, что хаос (неопределенность 2-го типа [3-6,11,14]) и реверберации - это главное свойство НСМ и эти два свойства мы ввели в работу ИНС. Одновременно, в ряде наших публикаций мы показали, что в биомедицине довольно часто появляется неопределенность 1-го типа. Это легко продемонстрировать на нашем примере в виде табл. 2, где представлены критерий Вилкоксона для связанных выборок 6-ти параметров XI нашей группы девочек
(30 человек) в 4-х точках измерения. Из табл. 2 видно, что из 30-ти независимых пар сравнения XI мы имеем только 4 пары, для которых критерий Вилкоксона р^0,05, т.е. эти пары статистически различаются, остальные 26 пар - не различаются.
Таблица 2
Критерий Вилкоксона Р для попарных сравнений интегрально-временных параметров xi ССС девочек (п=30) в условиях санаторного лечения в четырех связанных выборках
Группы сравнения Уровни значимости р для признаков xi
девочки р - SIM р - PAR р - SSS р - SDNN р - INB р -PO2
1 и 2 0,47 0,24 0,28 0,07 0,16 0,84
1 и 3 0,10 0,02 0,01 0,03 0,06 0,47
1 и 4 0,87 0,13 0,36 0,29 0,63 0,66
2 и 3 0,26 0,11 0,09 0,20 0,19 0,03
2 и 4 0,85 0,79 0,46 0,65 0,69 0,68
Примечание: р - достигнутый уровень значимости при попарном сравнении с помощью критерия Вилкоксона
Это и есть неопределенность 1-го типа, т.е. статистика показывает отсутствие различий, а нейросеть нам показывает различие выборок (и ранжирует признаки по значимости весов wi, (табл. 3). Очевидно, что переезд с Севера на юг по статистике не дает никаких различий (например, все p>0,05 в 1-й строке (табл. 2). Переезд и лечение нам показывает некоторые различия (см. сравнение (1) и (3) в табл. 2). В целом, статистика не работает для оценки влияния экофакторов и оздоровления. Почти все пары сравнения статистически совпадают (табл. 2).
Таблица 3
Усредненные значения весов признаков wi отдельных координат xi(t) вектора состояния x(t) ССС (30 девочек
при сравнении ССС до отъезда из г. Сургута (I) и до отъезда из г. Туапсе (III)) для разных серий итераций (&М000) при идентификации параметров порядка
нейроэмулятором после &Л000 итераций (настроек ЭВМ) в режиме бинарной классификации
Число итераций нейросети fc«5000=5*1000
Расчеты итераций по выборкам (N>1000) Средние значения весов признаков ^¡> в процентах для координат вектора состояния системы x¡
SIM PAR SSS SDNN INB SPO2
k=1000j=(1.....1000) 34.4 24.6 52.2 59.1 43.5 75.0
k=1000j=(1000.....2000) 34.0 24.5 52.1 59.5 43.0 74.8
k=1000j=(2000.....3000) 34.5 24.7 51.8 58.8 43.3 75.1
k=1000j=(3000.....4000) 34.3 24.7 52.2 59.1 43.8 75.7
k=1000j=(4000.....5000) 34.9 24.6 52.6 58.9 43.8 74.7
<Wi> 34.4 24.6 52.2 59.1 43.5 75.1
Вариационный размах средних значений A<Wi> 0.9 0.2 0.8 0.7 0.8 1.0
Однако применение ИНС дает нам не только различие, но и показывает некоторые X;*, для которых веса признаков №¡>0,5 (такие X; мы обозначаем как параметры порядка). Подчеркнем, что они не обязательно могут совпадать со статистическими данными (так, в табл. 2 у нас были РАЯ, БББ и 50АТАТ). Подчеркнем, что в ИНС все 30 пар сравнения по 6-ти X; показывают различия, а в стохастике только 4 пары сравнения статистически различаются. Хаос и реверберации ИНС обеспечивают нам разрешение неопределенности 1-го типа. В табл. 3 мы имеем на 1-м месте
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2021 - V. 28, № 1 - P. 72-74
параметр SPO2 (уровень оксигенации крови), а в табл. 2 этот параметр почти статистически не различался. Более того, параметр PAR в табл. 2 различается, а в табл. 3 он имеет самый низкий вес (24,6%).
Иными словами табл. 2 (статистика) и табл. 3 (нейросети) демонстрируют весьма существенные различия. Фактически, статистика не работает (неопределенность 1-го типа), а ИНС дает системный синтез.
Заключение. В наших многочисленных исследованиях была доказана статистическая неустойчивость выборок ЭЭГ. Это позволило нам сделать заключение, что хаос и реверберации - главное свойство реальных нейросетей мозга. Одновременно мы установили, что в биомедицине довольно часто наблюдается неопределенность 1-го типа, когда выборки параметров Xi организма в разных состояниях могут статистически совпадать (как тогда различать состояния организма человека). При этом с организмом происходят реальные изменения.
Для выхода из кризиса мы предлагаем ввести два новых режима работы в ИНС: непрерывный хаос ИНС (в виде хаоса начальных весов Wio признаков Xi) и многократные реверберации (n>1000). В этом случае мы получаем выборки конечных весов Wiдля Xi, которые ранжируются. Это позволяет решать задачу системного синтеза - находить параметры порядка (главные диагностические признаки Xi*). Отметим, что в настоящее время в науке нет методов и теории, которая бы универсально разделяла параметры порядка (по значимости). Работа ИНС в режиме тысяч ревербераций это реализует.
Работа выполнена при поддержке гранта РФФИ №18-07-00161А «Разработка вычислительной системы мониторинга и моделирования параметров организма жителей Севера РФ»
Литература / References
1. Башкатова Ю.В., Чемпалова Л.С., Трофимов В.Н., Аксенова Ю.А., Пономарева Н.И. Состояние вегетативной нервной системы в условиях нагрузки у женщин на Севере РФ // Вестник новых медицинских технологий. 2020. №2. C. 112-115. DOI: 10.24411/1609-2163-2020-16666 / Bash-katova YuV, Chempalova LS, VN Trofimov, Aksenova YuA, Ponomareva NI. Autonomic nervous system status at physical activity of women living in the north territories of Russia. Journal of New Medical Technologies. 2020;2:112-5. DOI: 10.24411/1609-2163-2020-16666. Russian.
2. Денисова Л.А., Прохоров С.А., Шакирова Л.С., Филатова Д.Ю. Хаос параметров сердечно-сосудистой системы школьников в условиях ши-ротных перемещений // Вестник новых медицинских технологий. 2018. №1. C. 133-142. DOI: 10.24411/1609-2163-2018-15989 / Denisova LA, Prohorov SA, SHakirova LS, Filatova DYU. Chaos of parameters of cardiovascular system of schoolchildren in conditions of latitudinal movements. Vestnik novyh medicinskih tekhnologij. 2018;25(1):133-42. Russian. DOI:10.24411/1609-2163-2018-15989.
3. Еськов В.М., Хромушин В.А., Пятин В.Ф., Еськов В.В. Хаос нейросетей мозга - основы его эвристической деятельности // Вестник новых медицинских технологий. 2018. №4. C. 284-291. DOI: 10.24411/1609-2163-2018-16264 / Es'kov VM, Khromushin VA, Py-atin VF, Es'kov VV. Chaos of the brain neural networks - the basis of its heuristic activity. Vestnik novykh meditsinskikh tekhnologiy. 2018;4:284-91. DOI: 10.24411/1609-2163-2018-16264. Russian.
4. Еськов В.В., Пятин В.Ф., Фадюшина С.И., Нувальцева Я.Н., Оразбаева Ж.А. Новые модели стандартов в биологии и медицине // Сложность. Разум. Постнеклассика. 2020. № 2. С. 67-75 / Es'kov VV, Pyatin VF, Fadyushina SI, Nuval'tseva YaN, Orazbaeva ZhA. Neue Modelle
von Standards in Biologie und Medizin. Slozhnost'. Razum. Post-neklassika. 2020;2:67-75. Russian.
5. Ивахно Н.В., Горбунов Д.В., Афаневич К.А., Хакимова В.В., Афаневич И.А. Новые методы оценки регистрируемых выборок на однородность // Вестник новых медицинских технологий. 2019. №3. C. 122-126. DOI: 10.24411/1609-2163-2019-16510 / Ivakhno NV, Gorbunov DV, Afanevich KA, Khakimova VV, Afanevich IA. Novye metody otsenki registriruemykh vyborok na odnorodnost' [New methods of samples estimation on homogeneity]. Journal of New Medical Technologies. 2019;3:122-6. DOI: 10.24411/1609-2163-2019-16510. Russian.
6. Инюшкин А.Н., Филатов М.А., Григорьева М.А., Булатов И.Б. Нейросети мозга и их моделирование с помощью нейроэмуляторов // Вестник новых медицинских технологий. 2018. №4. C. 304-314 / In-yushkin AN, Filatov MA, Grigor'eva SV, Bulatov IB. Neural brain networks and their modeling through neural emulators. Vestnik novykh med-itsinskikh tekhnologiy. 2018;25(4):304-14. Russian.
7. Мирошниченко И.В., Григоренко В.В., Башкатова Ю.В., Ша-кирова Л.С. Инварианты параметров систем третьего типа // Сложность. Разум. Постнеклассика. 2020. № 1. С. 58-66 / Miroshnichenko IV, Grigorenko VV, Bashkatova YuV, Shakirova LS. Invariants of parameters of systems of the third type. Slozhnost'. Razum. Postneklassika. 2020;1:58-66. Russian.
8. Филатов М.А., Прохоров С.А., Ивахно Н.В., Головачева Е.А., Игнатенко А.П. Возможности моделирования статистической неустойчивости выборок в физиологии // Вестник новых медицинских технологий. 2020. №2. C. 120-124. DOI: 10.24411/1609-2163-202016668 / Filatov MA, Prochorov SA, Ivakhno NV, Golovacheva EA, Ig-natenko AP. The possibilities of modeling stochastic instability samples in physiology. Journal of New Medical Technologies. 2020;2:120-4. DOI: 10.24411/1609-2163-2020-16668. Russian.
9. Филатов М.А., Нувальцева Я.Н., Оразбаева Ж.А., Афаневич К.А. Медицинская кибернетика и биофизика с позиций общей теории систем // Вестник новых медицинских технологий. 2020. №2. C. 116-119. DOI: 10.24411/1609-2163-2020-16667 / Khadartsev AA, Starikov NE, Grachev RV. Professional stress in military service (literature review). Journal of New Medical Technologies. 2020;2:74-82. DOI: 10.24411/1609-2163-2020-16667. Russian.
10. Хадарцев А.А., Зинченко Ю.П., Галкин В.А., Шакирова Л.С. Эргодичность систем третьего типа // Сложность. Разум. Постнеклассика. 2020. № 1. С. 67-75 / Khadartsev AA, Zinchenko YuP, Galkin VA, Shakirova LS. Ergodicity of systems of the third type. Slozhnost'. Razum. Postneklassika. 2020;1:67-75. Russian.
11. Фудин Н.А., Якунин В.Е., Полухин В.В., Григорьева С.В. Использование нейроэмуляторов в медицине и психофизиологии // Вестник новых медицинских технологий. 2018. №4. C. 258-264. DOI: 10.24411/1609-2163-2018-16260 / Fudin NA, Yakunin VE, Polu-khin VV, Grigor'eva SV. Verwendung von Neuroemulantien in der Medizin und Psychophysiologie. Vestnik novykh meditsinskikh tekhnologiy. 2018;4:258-64. DOI: 10.24411/1609-2163-2018-16260. Russian.
12. Eskov V.V., Pyatin V.F., Eskov V.V., Ilyashenko L.K. Heuristic work of the brain and artificial neural networks // Biophysics. 2019. Vol. 64, No. 2. P. 125-130 / Eskov VV, Pyatin VF, Eskov VV, Ilyashenko LK. Heuristic work of the brain and artificial neural networks. Biophysics. 2019;64(2):125-30.
13. Filatov M.A., Ilyashenko L.K., Makeeva S.V. Psychophysiolog-ical parameters of students before and after translatitude travels // Human Ecology. 2019. № 4. P. 18-24 / Filatov MA, Ilyashenko LK, Makeeva SV. Psychophysiological parameters of students before and after translatitude travels. Human Ecology. 2019;4:18-24.
14. Filatova D.Yu., Bashkatova Yu.V., Melnikova E.G., Shaki-rova L.S. Homogeneity of the parameters of the cardiointervals in school children after north-south travel // Human Ecology. 2020. №1. P. 6-10 / Filatova DYu, Bashkatova YuV, Melnikova EG, Shakirova LS. Homogeneity of the parameters of the cardiointervals in school children after north-south travel. Human Ecology. 2020;1:6-10.
15. Khadartseva K.A., Filatov M.A., Melnikova E.G. The problem of homogenous sampling of cardiovascular system parameters among migrants in the Russian North // Human Ecology. 2020. №7. P. 27-31 / Khadartseva KA, Filatov MA, Melnikova EG. The problem of homogenous sampling of cardiovascular system parameters among migrants in the Russian North. Human Ecology. 2020;7:27-31.
Библиографическая ссылка:
Шакирова Л.С., Манина Е.А., Веденеева Т.С., Миллер А.В., Лупынина Е.Ю. Системный синтез в оценке трансширотных перемещений учащихся Югры // Вестник новых медицинских технологий. 2021. №1. С. 72-74. DOI: 10.24412/1609-2163-2021-1-72-74.
Bibliographic reference:
Shakirova LS, Manina EA, Vedeneeva TS, Miller AV, Lupynina EU. Sistemnyy sintez v otsenke transshirotnykh peremeshcheniy uchash-chikhsya Yugry [Systemic synthesis in estimation before and after translatitude travels of Ugra purple]. Journal of New Medical Technologies. 2021;1:72-74. DOI: 10.24412/1609-2163-2021-1-72-74. Russian.
