17. Agasiev T.A., Karpenko A.P. Sovremennye tekhniki global'noy optimizatsii [Modern technology of global optimization], Informatsionnye tekhnologii [Information technologies], 2018, No. 6, pp. 370-386.
18. Norenkov I.P., Uvarov M.Yu. Podderzhka prinyatiya resheniy na osnove patternov proektirovaniya [Decision support based on design patterns], Nauka i obrazovanie: Nauchnoe izdanie [Science and Education: Scientific publication], 2011, No. 9, pp. 25-32.
19. Bozhko A.N. Metody strukturnogo analiza slozhnykh izdeliy v integrirovannykh CFD/CAM-sistemakh [Structural analysis methods for complex products in integrated CАD/CAM-systems], Informatsionnye tekhnologii [Information Technologies], 2018, No. 8, pp. 499-506.
20. Stolyarov A.I., Donetskaya Yu.V., Gatchin Yu.A. Osobennosti SAPR pri proektirovanii kompleksa [Features of CAD in the design of the complex], Vestnik Irkutskogo gosudarstvennogo tekhnicheskogo universiteta [Bulletin of the Irkutsk State Technical University], 2018, No. 7 (138), pp. 88-95.
Статью рекомендовал к опубликованию д.т.н. профессор А.Г. Коробейников.
Лебедев Борис Константинович - Южный федеральный университет; e-mail: lebedev.b.k@gmail.com; 347928, г. Таганрог, пер. Некрасовский, 44; тел.: 89282897933; кафедра систем автоматизированного проектирования; профессор.
Лебедев Олег Борисович - e-mail: lebedev.ob@mail.ru; тел.: 89085135512; кафедра систем автоматизированного проектирования; доцент.
Лебединский Александр Евгеньевич - e-mail: lebedev.ob@mail.ru; тел.: 89034359392; кафедра систем автоматизированного проектирования; аспирант.
Lebedev Boris Konstantinovich - Southern Federal University; e-mail: lebedev.b.k@gmail.com; 44, Nekrasovskiy, Taganrog, 347928, Russia; phone: +7928-2897933; the department of computer aided design; professor.
Lebedev Oleg Borisovich - e-mail: lebedev.ob@mail.ru; phone: +79085135512; the department of computer aided design; associate professor.
Lebedinsky Alexander Evgenievich - e-mail: lbedevakate@mail.ru; phone: +79289591426; the department of computer aided design; graduate student.
УДК 004.891.3 DOI 10.23683/2311-3103-2019-3-110-121
И.А. Тарасова
ЗАДАНИЕ ФУНКЦИЙ ПРИНАДЛЕЖНОСТИ ТЕРМОВ ЛИНГВИСТИЧЕСКИХ ПЕРЕМЕННЫХ В ЗАДАЧЕ ОПРЕДЕЛЕНИЯ ДОЗИРОВОК МЕДИКАМЕНТОВ ПРИ ЛЕЧЕНИИ ПРЕЭКЛАМПСИИ БЕРЕМЕННЫХ ЖЕНЩИН
Проблема преэклампсии беременных женщин является одной из актуальных в современном акушерстве, так как это заболевание является наиболее распространенным и тяжелым осложнением беременности, а проблема лечения тяжелых форм преэклампсии -одна из самых трудных в акушерской анестезиологии и реаниматологии. Высокая частота материнской и перинатальной заболеваемости и смертности основана на отсутствии точных знаний о патогенезе заболевания, который зависит от множества предрасполагающих факторов, достоверных диагностических критериев, что ведет к неадекватной терапии и различным осложнениям, зависящим от своевременности и метода родоразре-шения, объема анестезиологической и реанимационной помощи. Учитывая высокую распространенность преэклампсии в России, а также отсутствие тенденции к снижению, целью работы является повышение эффективности проведения лечебной терапии при ги-пертензивных осложнениях беременности. Анализ процесса диагностики и введения медикаментов при лечении преэклампсии беременных женщин, который характеризуется нели-
нейными зависимостями, привел к необходимости разработки методов задания многомерных функций принадлежности термов лингвистических переменных. Для случаев, когда функциональная зависимость заранее известна, в работе выделены основные типы аналитических функций принадлежности нескольких аргументов: гиперболоидная, конусообразная, колоколообразная, эллипсоидная, пирамидальная, трапециевидная. Для случаев, когда задание функций принадлежности термов лингвистических переменных аналитически является невозможным, разработан новый метод построения функций принадлежности, который в отличие от существующих, позволяет задавать многомерные функции принадлежности на основе ретроспективных данных, а также снизить влияние субъективности эксперта за счет автоматизации процесса с применением нечеткой кластеризации.
Преэклампсия беременных женщин; диагностика; функция принадлежности нескольких аргументов; метод; нечеткая кластеризация.
I.A. Tarasova
SETTING THE MEMBERSHIP FUNCTIONS OF LINGUISTIC VARIABLES THERMES IN THE TASK OF DETERMINATION THE DOSING OF
MEDICATIONS IN THE TREATMENT OF THE PREECLAMPSIA OF PREGNANT WOMEN
The problem of preeclampsia in pregnant women is one of the pressing problems in modern obstetrics, as this disease is the most common and severe complication of pregnancy, and the problem of treating severe forms of preeclampsia is one of the most difficult in obstetric anesthesiology and resuscitation. The high incidence of maternal and perinatal morbidity and mortality is based on the lack of accurate knowledge of the pathogenesis of the disease, which depends on many predisposing factors, reliable diagnostic criteria, which leads to inadequate therapy and various complications, depending on the timeliness and method of delivery, the amount of anesthesiological and intensive care. Given the high prevalence of pre-eclampsia in Russia, as well as the absence of a downward trend, the aim of the work is to increase the effectiveness of therapeutic therapy for hypertensive complications ofpregnancy. Analysis of the process of diagnosis and the introduction of drugs in the treatment of pre-eclampsia in pregnant women, which is characterized by non-linear dependencies, has led to the need to develop methods for specifying the multidimensional membership functions of linguistic variables terms. For cases when the functional dependence is known in advance, the main types of analytical functions of belonging to several arguments are distinguished: hyperboloid, cone-shaped, bell-shaped, ellipsoid, pyramidal, trapezoid. For cases when the assignment of the membership functions of terms of linguistic variables is analytically impossible, a new method of constructing membership functions has been developed, which, unlike the existing ones, allows defining multidimensional membership functions based on retrospective data, as well as reducing the influence of expert subjectivity by automating the process using fuzzy clustering.
Preeclampsia of pregnant women; diagnosis; membership function of several arguments; method; fuzzy clustering.
Введение. Ежегодно в мире беременеют 200 миллионов женщин, почти у 140 миллионов беременность заканчивается родами. Более 500 тысяч женщин умирают от причин, связанных с беременностью и родами. Проблема преэклампсии является одной из актуальных в современном акушерстве, так как это заболевание является наиболее распространенным и тяжелым осложнением беременности, а проблема лечения тяжелых форм преэклампсии - одна из самых трудных в акушерской анестезиологии и реаниматологии. В структуре причин материнских летальных исходов по РФ преэклампсия стабильно занимает третье место и составляет 18-25 %. Высокая частота материнской и перинатальной заболеваемости и смертности основана на отсутствии точных знаний о патогенезе заболевания, который зависит от множества предрасполагающих факторов, достоверных диагностических критериев, что ведет к неадекватной терапии и различным осложнениям, зависящим от своевременности и метода родоразрешения, объема анестезиологической и реанимационной помощи. В связи с этим, исследование методов по-
строения автоматизированных и экспертных систем, использующих современные методы искусственного интеллекта и позволяющих повысить эффективность процесса лечения преэклампсии беременных, является актуальным.
К настоящему времени проведены многочисленные исследования медицинских систем, использующих нечеткую логику. Основные результаты были получены в работах Э. Санчеса, Р. Ягера [1], К. Эдлессинга [2], Е. Тадзаки [3-7], М. Су-гэно, Т. Тэрано, К. Асаи [8]. Проблемам формирования искусственного интеллекта в медицине посвящены работы В.А. Хромушина, М.В. Паньшиной, В.И. Даильне-ва, К.Ю. Китаниной [9-11], В.В. Махалкиной [12], Г.А. Бледжянца, М.А. Саркисяна [13]. Неизученной остается проблема создания системы поддержки принятия решений при определении дозировок медикаментов в процессе лечения преэклам-псии беременных женщин, которая позволит реализовать комплексную оценку функционального состояния организма пациентки и, на ее основе, предложит рациональные дозировки медикаментов.
Анализ процесса диагностики и введения медикаментов при лечении гипер-тензивных осложнений беременности показал, что он характеризуется нелинейными зависимостями. К тому же, при определении лингвистических переменных, имеющих сложную физическую природу, необходимо использовать несколько связанных параметров [14-16]. В результате, использование методов нечеткого управления, которые используют нечеткие переменные с функциями принадлежности одного аргумента, таких как Мамдани, Цукамото, Ларсена, Сугено приводит к потере зависимости между управляющими переменными. Решением данной проблемы является использование термов лингвистических переменных с многомерными функциями принадлежности [17].
В работе предложены новые подходы к заданию термов лингвистических переменных с функциями принадлежности нескольких аргументов. Они включают формирование типовых видов аналитического представления функций многомерных функций принадлежности и разработку метода формирования функций принадлежности нескольких аргументов в табличном виде на основе ретроспективных данных.
Формирование типовых видов аналитического представления функций принадлежности нескольких аргументов. Для аналитического представления многомерных функций принадлежности термов лингвистических переменных
(X) используется некоторая функциональная зависимость. Такая зависимость
может быть задана следующими типами функции принадлежности [18]: а) гиперболоидная функция принадлежности:
Ц k(xi) =
2 -
Л
/ l loч 2
n (X,- — Xj . )
i+n( J *)
h)2
l lo 2 n (Xj — Xj . )
П J - kJ) < 2,
j=i
(1)
0, иначе
где X. - значение входной переменной у, которая относится к лингвистической
Jo
переменной в; - у-ое значение центра гиперболоида ^го значения входной пе
б) конусообразная функция принадлежности:
лингвистической переменной в; У. - числовые параметры, У. Ф 0;
М-/ (X ) =
- к )2
0, иначе
^)2 у И
<1,
(2)
где Ху - значение входной переменной ], которая относится к лингвистической
переменной вь - j-ое значение центра конуса ^го значения входной лингвистической переменной вй к/у - числовые параметры, к/у Ф 0;
в) колоколообразная функция принадлежности:
7 _ и (X\ ~ < )2 ц/ (х1) = ехр(-£-г^Т-),
У =1 Ку)
(3)
где Ху - значение входной переменной j, которая относится к лингвистической
1о
гвистической переменной ви к/у - ненулевые числовые параметры, К/ Ф 0;
переменной вl; Х^ - ]'-ое значение центра колокола k-го значения входной лин ем
г) эллипсоидная функция принадлежности: 1
Ц1(Х1) =
(X1, - хО )2 ^ 4 у к] ' 1 — к-:—:-, если
Я Ч )2
А (х1; - х/0 )2
к (к/ )2 '
(4)
0, иначе
I
где Xу - значение входной переменной j, которая относится к лингвистической
1о
переменной в и х^ - j-ое значение центра эллипсоида k-го значения 1-ой входной лингвистической переменной вй кку - числовые параметры, Иу Ф 0;
д) пирамидальная функция принадлежности: .1 \___„1/1 .1
ц/(х1)=тах и1-к К V }=1
х1 Х0
);0|
(5)
где Ху - значение входной переменной j, которая относится к лингвистической переменной вь х^- - j-ое значение центра пирамиды ^го значения входной лингвистической переменной вь к^ - числовые параметры, к^ Ф 0; е) трапециевидная функция принадлежности:
ihlk o- jj-jj
J
если
0 < h o-
jj
xl - xl° xj xkj
< 1
Mk (xl) 1 (hko -Z (hkj \xj - xk°-1)) >
I
1
(6)
j=1
0, иначе
где Xу - значение входной переменной у, которая относится к лингвистической
J°
переменной х° - у-ое значение центра трапеции к-го значения входной лин-
гвистической переменной Ицу - ненулевые числовые параметры, И¿0 > 1.
Тем не менее, в большинстве случаев невозможно выполнить аналитическое задание функций принадлежности, особенно, если количество связанных переменных больше трех. Для таких случаев разработан метод формирования функций принадлежности нескольких аргументов в табличном виде на основе ретроспективных данных.
Метод задания функций принадлежности нескольких аргументов на основе ретроспективных данных. Анализ методов кластеризации показал, что при задании многомерных функций принадлежности с целью снижения влияния субъективности эксперта могут быть использованы методы нечеткой кластеризации. Разработанный метод задания функций принадлежности нескольких аргументов на основе ретроспективных данных состоит из следующих этапов [19-20]:
♦ выделение входных и выходных лингвистических переменных В = [Р\,Р2>•••> Рт } и № = -№2 } и сопоставление им характеристик
процесса диагностики и введения медикаментов при лечении преэклампсии беременных женщин;
♦ сбор ретроспективных данных;
♦ нечеткая кластеризация полученных данных по каждой лингвистической переменной;
♦ формирование терм-множества лингвистической переменной.
Исходной информацией являются ретроспективные данные, которые сгруппированы относительно выделенных лингвистических переменных В и № и представлены в виде матриц, число которых соответствует количеству лингвистических переменных.
Данные, которые относятся к отдельной лингвистической переменной вг представляются в следующем виде:
X =
x11 x12 ■■■ x1n
x21 x22 ■■■ x2n
(7)
Xq1 Xq2 ■■■ Хд
где XI - матрица ретроспективных данных, которые относятся к лингвистической
Ч
переменной в(; q - количество экспериментов; сопоставляемых лингвистической переменной вг.
n _
количество характеристик,
Далее осуществляется переход от матрицы X к нормированной матрице X;
с элементами:
..1* 4 ^
ху =■
(8)
•у
где хи - значение j-Oй характеристики эксперимента г, относящегося к лингвисти-
у
ческой переменной вй - среднее значение характеристики у; - среднее квадратическое отклонение характеристики _/':
•у ^9 к (■* -« у )2.
Кластерную структуру задает матрица принадлежности М1:
(9)
И,
I I
Ц11 Ц12
I
Цц
I I I
Ц21 ц22 ■■■ ц2д
1 1 1 ЦК1 ЦК 2 ■■■ ЦКд
(10)
где ц1 - степень принадлежности у-го набора данных г-му терму лингвистической переменной вь
Матрица принадлежности должна удовлетворять следующим условиям: а) ц/ £[0,1], к = 1К, у = й,
К
б) кц/у = 1, у = 1,9,
к=1
в) 0 <кц1у < 9, к = 1, К. у=1
Для оценки качества разбиения используется критерий разброса:
К 9
=кк[ц'ку )"<>(-к• ху) •
к=1 у=1
где d (у1к, х;*) - Евклидово расстояние между экспериментом
I* _( I* I* I* \
ху -(хд, ху2, ■■■, хуп )
и центром кластера
1(1 I I \
=(vkl, -к2,■■■, -кп )
(11)
(12)
(13)
W £
(1, х>) - экспоненциальный вес.
Матрица координат центров кластеров У1 представляется в следующем виде:
V =
/ / /
v11 v12 •• • v1n
/ v21 / v22 • •• v2n
J
J
I
vK1 vK2 ••• vKn.
(14)
Элементы матрицы координат центров кластеров У1 рассчитываются следующим образом:
vkm
t К )•
jm
t К )•
m = 1, n, k = 1, K
(15)
j=i
Для решения задачи нахождения матрицы М1, которая минимизирует критерий 31, используется алгоритм нечётких с-средних.
Первым шагом является генерирование матрицы принадлежностей М1, которая удовлетворяет описанным выше условиям. Затем осуществляется процесс вычисления центров кластеров и пересчёта элементов матрицы М1:
1 при dj > 0;
I _ »mj =
(
(ji-?
m=1 dmj у
1, при djj = 0 um = k; 0, при djj = 0 um Ф k•
V
-1)
<
(16)
где
djj = d (vj, xj ) для k = 1, K, j = 1, q.
Вычисления продолжаются до тех пор, пока изменение матрицы принадлежности М1 не станет меньше заранее заданного параметра е.
Формирование термов лингвистических переменных в1 осуществляется путем присвоения экспертом полученным кластерам названий. Для каждого из термов
таблично задается функция принадлежности нескольких аргументов в виде матрицы, которая содержит матрицу значений аргументов Х1 и столбец значений функции, полученный из соответствующей терму строки матрицы М1.
Экспериментальные исследования. Все известные механизмы развития и течения преэклампсии указывают на то, что толчком к ее развитию является нарушение процессов адаптации организма матери к возникновению и функционированию организма плода. Несмотря на огромный интерес ученых и практиков к проблемам адаптации, существует лишь небольшое количество исследований, посвященных анализу адаптационных и дизадаптационных реакций при осложненной беременности, который составляет основу успешной профилактики и лечения гестационных осложнений. Анализ мониторинга функционального состояния организма беременных женщин с преэклампсией различной степени тяжести позволил выделить показатели, положенные в основу диагностики и определения дози-
ровок медикаментов при лечении данной патологии [21]. Выделены лингвистические переменные с соответствующей группировкой относящихся к ним характеристикам:
в1 - параметр а! как нелинейный показатель вариабельности сердечного ритма (ВСР);
в2 - уровень бодрствования по омега-потенциалу как индикатор интегральных показателей функционального состояния центральной нервной системы;
вз - тип спектра ВСР, для определения которого необходимо оценить:
1) отношение значения мощности спектра низкочастотного компонента к значению мощности высокочастотного компонента спектрального вида ВСР (ЬР/ИР);
2) отношение значения мощности спектра сверхнизкочастотного компонента к значению мощности высокочастотного компонента спектрального вида ВСР (УЬР/ИР);
3) общую мощность спектра ВСР (ТР);
4) степень вариативности значений кардиоинтервалов в исследуемом динамическом ряду ТШК;
в4 - тип гемодинамики, для определения которого необходимо оценить:
1) сердечный индекс;
2) общее периферическое сопротивление сосудов.
В качестве примера рассмотрена лингвистическая переменная в3- Для определения элементов терм-множеств и их функций принадлежности проведена нечеткая кластеризация на основе собранных ретроспективных данных, которые представляют собой матрицу данных размерности 250*4. В этом случае матрица данных соответствует 250 обследованиям, для каждого из которых выполнены измерения по 4 показателям. В результате применения нечеткой кластеризации для рассматриваемой переменной было выделено шесть кластеров, образовавших терм-множество Т={«оптимальный», «бародисфункциональный», «ваготониче-ский», «депрессивный вариант 1», «депрессивный вариант 2», «гиперадаптивный»}. В табл. 1 приведена часть полученных значений функции принадлежности для терма «оптимальный».
Полученные термы и их функции принадлежности были положены в основу системы поддержки принятия решений при определении дозировок медикаментов в процессе лечения преэклампсии беременных женщин, что позволило сократить количество правил в базе знаний на 67 % по сравнению с классическим алгоритмом нечеткого вывода Мамдани.
Таблица 1
Значения функции принадлежности для терма «оптимальный» лингвистической переменной р3
ЬР/ИР УЬР/ИР ТР ТГЫК
0,86 0,092 976 81,4 0,00538519
0,89 0,093 1004 83,1 0,064793687
0,935 0,0945 1046 85,65 0,450265078
0,965 0,0955 1074 87,35 0,795718225
0,98 0,096 1088 88,2 0,913903471
1,055 0,0985 1158 92,45 0,919094108
1,07 0,099 1172 93,3 0,876758589
3,275 0,275 1025 68,5 0,306731511
3,38 0,28 1036 69,2 0,439777041
4,03 0,34 476 42,55 0,000865386
Использование результатов работы позволило за счет уменьшения времени для установления диагноза врачом увеличить количество тяжелых пациентов, обслуживаемых одним врачом-реаниматологом, с 2-3 до 6 пациентов, что на основе средних оценок составляет около 140 процентов.
Заключение. В данной работе рассмотрена задача повышения эффективности проведения лечебной терапии при гипертензивных осложнениях беременности.
Анализ процесса диагностики и введения медикаментов при лечении преэк-лампсии беременных женщин привел к необходимости разработки методов задания функций принадлежности нескольких переменных. Предложены основные типы аналитических функций принадлежности нескольких аргументов, разработан новый метод построения функций принадлежности, который в отличие от существующих, позволяет задавать многомерные функции принадлежности термов лингвистических переменных на основе ретроспективных данных, снизив влияние субъективности эксперта за счет автоматизации процесса с применением нечеткой кластеризации. Результаты численного исследования показали эффективность разработанного метода, позволяющего сохранить нелинейные взаимосвязи между показателями состояния организма пациентки. Применение системы поддержки принятия решений при определении дозировок медикаментов в процессе лечения преэклампсии беременных женщин, использующей метод задания функций принадлежности нескольких аргументов, позволило сократить нагрузку на врача, повысив его продуктивность на 140 %.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Sanchez E. et al. Linguistic approach in fuzzy logic of W. H. O. classification of dyslipoproteinemias // Fuzzy set and theoryrecent development. - Yager ed. Pergamon, 1982.
- P. 582-588.
2. Adlassing K.P. Fuzzy set theory in medical diagnosis // ДЕЕЕ Trans. - Vol. SMC-16. - No. 2.
- P. 260-265.
3. Tazaki E. et al. Development of automated health testing and services system via fuzzy reasoning // Proc. IEEE Inc. Conf. on SMC - 1986. - P. 342-346.
4. Tazaki E. et al. Medical diagnosis using simplified multi-dimensional fuzzy reasoning // Proc. IEEE Int. Conf. on SMC. - 1988.
5. Тадзаки Е. и др. Система баз медицинских данных с блоком выводов. Ч. 1. Введение искусственного интеллекта в процесс оценки результатов массового медицинского освидетельствования // Сб. тезисов 7-го симпозиума по медицинской информатике. - Токио, 1988. - С. 377-380.
6. Тадзаки Е. и др. Система баз медицинских данных с блоком выводов. Ч. 2. Введение искусственного интеллекта в процесс оценки риска для здоровья информации о здравоохранении // Сб. тезисов 7-го симпозиума по медицинской информатике. - Токио, 1988.
- C. 385-388.
7. Тадзаки Е. Нечеткие экспертные системы // Сури кагаку. - 1987. - № 284. - С. 46-54.
8. Прикладные нечеткие системы: пер. с япон. К. Асаи, Д. Ватада, С. Иваи и др. / под ред. Т. Тэрано, К. Асаи, М. Сугено. - М.: Мир, 1993.
9. Хромушин В.А., Паньшина М.В., Даильнев В.И., Китанина К.Ю., Хромушин О.В. Построение экспертной системы на основе алгебраической модели конструктивной логики на примере гестозов // Вестник новых медицинских технологий. - 2013. - № 1. Публикация 1-1. - http://www.medtsu.tula.ru/VNMT/Bulletin/ E2013-l/ExpSys.pdf.
10. Хромушин В.А. Сравнительный анализ алгебраической модели конструктивной логики // Вестник новых медицинских технологий. - 2013. - № 1. Публикация 1-19.
- http://www.medtsu.tula.ru/VNMT/ Bulletin/E2013-l/4500.pdf.
11. Хромушин В.А., Хадарцев А.А., Бучель В. Ф., Хромушин О.В. Алгоритмы и анализ медицинских данных: учеб. пособие. - Тула: Изд-во «Тульский полиграфист», 2010. - 123 с.
12. Махалкина В.В. Обработка слабоструктурированной информации при построении базы знаний экспертной системы микроэлементных нарушений у человека: автореф. канд. биол. наук. - Тула: ТулГУ, 2009. - 23 с.
13. Бледжянц Г.А., Саркисян М.А., Исакова Ю.А., Туманов Н.А., Попов А.Н., Бегмуродова Н.Ш. Ключевые технологии формирования искусственного интеллекта в медицине // Ремедиум. - 2015. - № 12. - С. 10-15.
14. Тарасова И.А. Нечеткое управление процессом введения медикаментов при лечении гипертензивных осложнений беременности // Восточно-Европейский журнал передовых технологий. - 2012. - № 6/3(60). - С. 12-15.
15. Тарасова И.А. Нечеткое управление на основе переменных с многомерными функциями принадлежности в диагностике и лечении гипертензивных осложнений беременности // Радиоэлектронные и компьютерные системы. - 2012. - № 4. - С. 169-173.
16. Шушура А.Н., Тарасова И.А. Нечеткое управление на основе термов с функциями принадлежности нескольких аргументов в диагностике и лечении гипертензивных осложнений беременности // Матер. XIV Международной научно-технической конференции «Искусственный интеллект. Интеллектуальные системы» пос. Кацивели, 23-27 сентября 2013 г. - Донецк: ИПИИ «Наука i освгта», 2013. - С. 219-222.
17. Шушура А.Н., Тарасова И.А. Метод нечеткого управления на основе переменных с многомерными функциями принадлежности // Искусственный интеллект. - 2010. - № 1. - С. 122-128.
18. Тарасова И.А. Разработка подходов к заданию многомерных функций принадлежности термов лингвистических переменных в задачах нечеткого управления // Отраслевые аспекты технических наук. - 2014. - Вып. 2 (38). - С. 11-22. - Режим доступа: http://www.branch-aspects-of-technical-
sciences.ingnpublishing.com/archive/2014/vypusk_2_38_mart-aprel_release_2_38_march-
april/tarasova_i_a_razrabotka_podhodov_k_zadaniyu_mnogomernyh_funkcij_prinadlezhnosti
_termov_lingvisticheskih_perem.
19. Тарасова И.А. Задание многомерных функций принадлежности термов лингвистических переменных на основе нечеткой кластеризации // Матер. докладов V международной научно-практической конференции молодых ученых, аспирантов, студентов «Современная информационная Украина: информатика, экономика, философия». Донецк, 12-13 мая 2011 г. - Донецк: ИПИИ «Наука i освгта». - 2011. - Т. 1. - С. 237-240.
20. Шушура А.Н., Тарасова И.А. Способ задания многомерных функций принадлежности термов лингвистических переменных // 1нформацшш технологи та комп'ютерна шженерш. - 2013. - № 1 (26). - С. 39-44.
21. Сидоренко А.В. Интегральный метод оценки функционального состояния организма и контроля эффективности интенсивной терапии беременных с преэклампсией: Автореф. дисс. ... канд. мед. наук. - Донецк: Донец. нац. мед. ун-т им. М. Горького, 2013. - 19 с.
REFERENCES
1. Sanchez E. et al. Linguistic approach in fuzzy logic of W. H. O. classification of dyslipoproteinemias, Fuzzy set and theoryrecent development. Yager ed. Pergamon, 1982, pp. 582-588.
2. Adlassing K.P. Fuzzy set theory in medical diagnosis, ДЕЕЕ Trans, Vol. SMC-16, No. 2, pp. 260-265.
3. Tazaki E. et al. Development of automated health testing and services system via fuzzy reasoning, Proc. IEEE Inc. Conf. on SMC, 1986, pp. 342-346.
4. Tazaki E. et al. Medical diagnosis using simplified multi-dimensional fuzzy reasoning, Proc. IEEE Int. Conf. on SMC, 1988.
5. Tadzaki E. et al. Sistema baz meditsinskikh dannykh s blokom vyvodov. Ch. 1. Vvedeniye iskusstvennogo intellekta v protsess otsenki rezul'tatov massovogo meditsinskogo osvidetel'stvovaniya [The system of medical data bases with a terminal block. Part 1. The introduction of artificial intelligence in the process of assessing the results of mass medical examination], Sb. tezisov 7-go simpoziuma po meditsinskoy informatike [Collection of abstracts of 7th Symposium on Medical Informatics] Tokyo, 1988, pp. 377-380.
6. Tadzaki E. et al. Sistema baz meditsinskikh dannykh s blokom vyvodov. Ch. 2. Vvedeniye iskusstvennogo intellekta v protsess otsenki riska dlya zdorov'ya informatsii o zdravookhranenii [The system of medical data bases with a terminal block. Part 2. The introduction of artificial intelligence in the process of health risk assessment of health information], Sb. tezisov 7-go simpoziuma po meditsinskoy informatike [Collection of abstracts of 7th Symposium on Medical Informatics]. Tokyo, 1988, pp. 385-388.
7. Tadzaki E. Nechetkiye ekspertnyye sistemy [Fuzzy expert systems], Suri Kagaku, 1987, No. 284, pp. 46-54.
8. Asai K., Vatada D., Iwai S., et al. Prikladnyye nechetkiye sistemy [Applied Fuzzy Systems]: transl. from Japan. Moscow: Mir, 1993.
9. Khromushin V.A., Panshina M.V., Dahilnev V.I., Kitanina K.Yu, Khromushin O.V. Postroyeniye ekspertnoy sistemy na osnove algebraicheskoy modeli konstruktivnoy logiki na primere gestozov [Building an expert system based on an algebraic model of constructive logic using the example of gestosis], Vestnik novykh meditsinskikh tekhnologiy [Bulletin of new medical technologies], 2013, No. 1, publication 1-1. Available at: http://www.medtsu.tula.ru/ VNMT/Bulletin/ E2013-l / ExpSys.pdf.
10. Khromushin V.A. Sravnitel'nyy analiz algebraicheskoy modeli konstruktivnoy logiki [Comparative analysis of the algebraic model of constructive logic], Vestnik novykh meditsinskikh tekhnologiy [Bulletin of new medical technologies], 2013, No. 1, publication 1-19. Available at: http://www.medtsu.tula.ru/VNMT/ Bulletin / E2013-l / 4500.pdf.
11. Khadartsev A.A., Buchel V.F., Khrom O.V. Algoritmy i analiz meditsinskikh dannykh [Algorithms and analysis of medical data: textbook]. Tula: Izd-vo "Tula printer", 2010, 123 p.
12. Makhalkina V.V. Obrabotka slabostrukturirovannoy informatsii pri postroyenii bazy znaniy ekspertnoy sistemy mikroelementnykh narusheniy u cheloveka [Processing of semistructured information when building a knowledge base of an expert system of microelement disorders in humans: Abstract of the cand. of boil. sc.]. Tula: TSU, 2009, 23 p.
13. Bledzhyants G.A., Sarkisyan MA., Isakova Yu.A., Tumanov NA., Popov A.N., Begmurodova N.Sh. Klyuchevyye tekhnologii formirovaniya iskusstvennogo intellekta v meditsine [Key technologies of artificial intelligence formation in medicine], Remedium [Remedium], 2015, No. 12, pp. 10-15.
14. Tarasova I.A. Nechetkoye upravleniye protsessom vvedeniya medikamentov pri lechenii gipertenzivnykh oslozhneniy beremennosti [Fuzzy management of the introduction of medications in the treatment of hypertensive complications of pregnancy], Eastern European journal of advanced technology [East European Journal of Advanced Technologies], 2012, No. 6/3 (60), pp. 12-15.
15. Tarasova I. A. Nechetkoye upravleniye na osnove peremennykh s mnogomernymi funktsiyami prinadlezhnosti v diagnostike i lechenii gipertenzivnykh oslozhneniy beremennosti [Fuzzy control based on variables with multidimensional membership functions in the diagnosis and treatment of hypertensive complications of pregnancy], Radioelektronnye i komp'yuternye sistemy [Radioelectronic and computer systems], 2012, No. 4, pp. 169-173.
16. Shushura A.N., Tarasova I.A. Nechetkoye upravleniye na osnove termov s funktsiyami prinadlezhnosti neskol'kikh argumentov v diagnostike i lechenii gipertenzivnykh oslozhneniy beremennosti [Fuzzy control based on terms with the membership functions of several arguments in the diagnosis and treatment of hypertensive complications of pregnancy], Mater. XIV Mezhdunarodnoy nauchno-tekhnicheskoy konferentsii «Iskusstvennyy intellekt. Intellektual'nye sistemy» pos. Katsiveli, 23-27 sentyabrya 2013 g. [Materials of the XIV International Scientific and Technical Conference "Artificial Intelligence. Intellectual systems", pos. Katsiveli, September 23-27, 2013]. Donetsk, IPAI "Nauka i osvita", pp. 219-222.
17. Shushura A.N., Tarasova I.A. Metod nechetkogo upravleniya na osnove peremennykh s mnogomernymi funktsiyami prinadlezhnosti [Fuzzy control method based on variables with multidimensional membership functions], Iskusstvennyy intellekt [Artificial Intelligence], 2010, No. 1, pp. 122-128.
18. Tarasova I. A. Razrabotka podkhodov k zadaniyu mnogomernykh funktsiy prinadlezhnosti termov lingvisticheskikh peremennykh v zadachakh nechetkogo upravleniya [Development of approaches to task the multidimensional membership functions of linguistic variables terms in problems of fuzzy control], Otraslevye aspekty tekhnicheskikh nauk [Branch Aspects of Technical Sciences], 2014, No. 2 (38), pp. 11-22. Available at: http://www.branch-aspects-of-technical-sciences.ingnpublishing.com /archive/2014/vypusk_2_38_mart-aprel_release_2_38_ march-april/tarasova_i_a_razrabotka_podhodov_k_zadaniyu_mnogomernyh_funkcij_ prinadlezhnosti_ termov_lingvisticheskih_perem.
19. Tarasova I.A. Zadaniye mnogomernykh funktsiy prinadlezhnosti termov lingvisticheskikh peremennykh na osnove nechetkoy klasterizatsii [Setting multidimensional membership functions of terms of linguistic variables based on fuzzy clustering], Mater. dokladov V mezhdunarodnoy nauchno-prakticheskoy konferentsii molodykh uchenykh, aspirantov, studentov «Sovremennaya informatsionnaya Ukraina: informatika, ekonomika, filosofiya». Donetsk, 12-13 maya 2011 g. [Materials of the V International Scientific and Practical Conference of Young Scientists, Postgraduates, Students "Modern Information Ukraine: Informatics, Economics, Philosophy", Donetsk, May 12-13, 2011]. Donetsk: IPAI "Nauka i osvita", pp. 237-240.
20. Shushura A.N., Tarasova I.A. Sposob zadaniya mnogomernykh funktsiy prinadlezhnosti termov lingvisticheskikh peremennykh [Method of specifying the multidimensional membership functions of linguistic variables terms], Informatsiyni tekhnologii ta komp'yuterna inzheneriya, 2013, No. 1 (26), pp. 39-44.
21. Sidorenko A.V. Integral'nyy metod otsenki funktsional'nogo sostoyaniya organizma i kontorolya effektivnosti intensivnoy terapii beremennykh s preeklampsiyey [Integral method for assessing the functional state of an organism and monitoring the effectiveness of intensive care for pregnant women with preeclampsia]: Abstract of the dissertation for the degree of candidate of medical sciences. Donetsk: National Medical University named after M. Gorky. - Donetsk, 2013. - 19 p.
Статью рекомендовал к опубликованию д.ф.-м.н. С.П. Дегтярев.
Тарасова Ирина Александровна - ГОУВПО «Донецкий национальный технический университет»; e-mail: i_a_tarasova@mail.ru; 283001, Донецк, ул. Артема, 58; тел.: +380955212396; кафедра искусственного интеллекта и системного анализа; старший преподаватель.
Tarasova Irina Alexandrovna - Donetsk National Technical University; e-mail: i_a_tarasova@mail.ru; 58, Artema Street, Donetsk, 283001, DPR; phone: +380955212396; the department of artificial intelligence and systems analysis; senior lecturer.