автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.09, диссертация на тему:Разработка инвариантного алгоритмического обеспечения АРМ врача по классификации и распознаванию состояний медицинских объектов

п Б од

На правах рукописи

ЖУКОВА Александра Изановна

РАЗРАБОТКА ИНВАРИАНТНОГО АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ АРМ ВРАЧА ПО КЛАССИФИКАЦИИ И РАСПОЗНАВАНИЮ СОСТОЯНИЙ ' МЕДИЦИНСКИХ ОБЪЕКТОВ

Специальность 05.13.09 - "Управление в биологических и медицинских системах (включая применение вычислительной техники)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Воронеж - 1926

Работа выполнена в Воронежской государственной медицинской академии им.Н.Н.Бурденко

Официальные оппоненты: Доктор медицинских наук,профессор

В.И.Бахметьев

Кан; ,ат технических наук М,И.1^утафян

Ведущая организация: Учебно-научный центр

Медицинского Центра при Правительстве Российской Федерации, г.Москва

Защита состоится " 29 " марта_1995 г. в 14 часов на

заседании диссертационного совета Д063.81.04 Воронежского гр-сударственного технического университета по адресу: 394026, г.Воронеж, Московский пр.,14, конференц-зал.

С диссертацией можно ознакомиться в библиотеке ВГТУ. Автореферат разослан февраля 1996 г.

■Ученый секретарь-диссертационного совета

.М. Пасмурной

ОБШАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность теш. Применение вычислительной техники в клинической медицине связано с реализацией различного рола автоматизированных методов обработки данных с целью принятия наиболее точных решений. В основе принятия клинически точных диагностических решений, осуществляемых машинными системами, лежат алгоритмизированные процессы диагностирования биомедицинских объектов. Приме -нение ЭВМ для автоматизации обработки данных медико-биологичес -кого эксперимента (Шй) уже давно не является чем-то новым или необычным в практике медицинских профилактико-оздоровительных и исследовательских организаций. Накопившийся опыт их использования возволил выявить ограничения и недостатки в существующих способах и подходах к автоматизации обработки результатов медико-биологи -ческих исследований, снижающими эффективность их практического использования.

В этой связи создание методов автоматической классификации и распознавания состояний ИБО, обеспечивающих обработку данных эксперимента по совокупности регистрируемых параметров и допус -кающих содержательную интерпретацию получаемых результатов,оценку их статистической достоверности, является актуальной научной задачей.

Работа заполнена в рамках целевой комплексной программы, а такие в соответствии с основными научными направлениями Воронежского государственного технического университета и Воронежской. государственной медицинской академии им.Н.Н.Бурденко "Биомед -кибернетика, компьютеризация в медицине".

Целыз работы является разработка методов, алгоритмов, моделей и методик, обеспечивающих повышение эффективности распознавания, классификации и определения состояний мепико-биологических объектов для диагностики и выбора лечения.

Исходя из цели работы определены следующие основные задачи: создание автоматизированного рабочего места для исследования показателей здоровья,для повышения эффективности иаучно-иссле-довательской работы з области медицины и биологии;

разработка для практического использования в составе автоматизированного рабочего места обработки данных мецико-биологк -ческих экспериментов основного 'решающего правила алгоритмов классификации и распознавания;

провести оценку эффективности основного решающего правила в автоматизированной обработке медико-биологических данных;

разработать алгоритм автоматической классификации состояний медико-биологических объектов по выборкам измерений их парамет -ров;

разработать алгоритм контроля однородности групп медико -биологических объектов по совокупности качественных и количественных признаков;

разработать программное обе печение, реализующего предло -женные модели, методы, процедуры и алгоритмы;

провести исследования предложенных моделей и алгоритмов по результатам клинического и лабораторного эксперимента.

Методы исследования основаны на использовании теории ма -тематического моделирования, теории вероятностей, математической статистики, методов теории планирования экспериментов, теории обучения и самообучения, классификации-и распознавания.

Научная новизна основных результатов диссертационной работы:

разработана модификация стаистики непараметрическсго кри -терия, отличающаяся тем, 'что ее вычислительная и временная сложность не зависит от объемов сравниваемых выборок;

предложены варианты обобщения статистики модифицированного критерия для многомерных выборок с коррелированными компонентами, позволяющие повысить быстродействия вычислительных процедур и экономить память ЭВМ при реализации статистики критерия для рационального принятия решений при диагностике и выборе техники лечения на основе вычислительной техники;

предложена дихотомическая схема разбиения описаний исход -ного множества медико-биологических объектов, обеспечивающая их автоматическую классификацию и последующее распознавание, на ке-заданное число классов;

разработан алгоритм автоматической классификации, обеспечивающий обработку из совокупностей произвольной длины, и при последовательном их предъявлении совмещает в рамках одной и той же реализующей еРо программы режимы самообучения и обучения по указаниям оператора исследователя;

разработан алгоритм оценки однородности групп меп;ико-био-логических объектов, позволяющий учитывать признаки различного

характера в рамках о,пной вычислительной процедуры, автоматически адаптирующейся к условиям проведения медико-биологического экс -перимента.

Практическая значимость работы. Для использования данных цедико-биологических экспериментов предложены методы, гарантирующие статистическую достоверность результатов обработки на длинах выборок_данных, в несколько раз меньших, определяемых в соответствии с теоремой Чебшева и центральной предельной теоремой, т.е. нереальных для практически имеющих место условий МБЭ.

. Модифицированные варианты непараметрического критерия ориентированы на условия оперативного получения результатов на ПЭВМ при ограничениях на время обработки и емкость памяти ПЭВМ.

Разработанный пакет прикладных программ является интегрированной самодокукеятированной проблемно-ориентированной систе -цой, ориентированной на массовое применение пользователем для ре-пения задач распознавания состояний, диагностики заболеваний,дифференцированной диагностики, реализации методов управления про -цессами лечения.

Реализация,результатов работы. Теоретические и практичес -кие результаты работы реализованы в виде пакета прикладных про -грамм, используются при выполнении плановых научно-исследовательских работ по тематике ВДШ1 ВГМА,в учебном процессе кафедры медицинской и биологической физики ВГМА, а такке по программам подготовки аспирантов и соискателей.

Результаты диссертационных исследований апробированы на эз-спериментальном и клиническом материале в хирургии, кардиологии, стоматологии, акушерстве и гинекологии, патологической физиологии, патологической анатомии, физиологии спорта.

Алгоритм автоматической классификации МЕО и их состояний отмечен дипломом на Всесоизной научно-технической конференции и выставке "Техника и спорт -У".

Внедрение результатов работы подтверждается 9 актами. Результаты работы внедрены на кафедрах и подразделениях Вороне* -ской государственной медицинской Академии с экономическим эффектом 100 тысяч р2/блей в год (в ценах 1992 года) .полученным за счет повышения надежности в достоверности результатов, сокращении времени процесса исследования, а также за счет внепрения количественного анализа в клинической практике.

Внедрение з учебный процесс в ВГМА, институт физкульуры,

педагогической университет позволило повысить качество подготовки специалистов в области медико-биологических исследований.

Апробация работы. Результаты работы обсуждались на Всесоюзной научно-технической конференции и выставке "Техника и спорт--У"(Москва,1989 г.),на Всесоюзной научно-методической конференции "Пути повышения педагогического мастерства преподавателя высшей школы (Белгород, 1990 г.),Х юбилейной региональной научно-методической конференции по проблемам физического воспитания и спортивной медицины на Севере (Архан льск,1990 г.), на Всесоюзном семинаре "Вычислительная техника в практике физкультурно-оздоровительной работы" (Ростов-на-Дону,1990 г.),на республиканской научной конференции по использованию компьютерной техники в учебном процессе медицинских вузов (Днепропетровск, 1991 г.), на втором Всесоюзном симпозиуме с международным участием "Медицинские микрокомпьютерные системы" (Ростов-на-Дону, 1991 г.),на втсрой Всесоюзной научно-практической конференции "Технические средства обучения"(Челябинск, 1991 г.), на Всесоюзной научно-практической конференции "Медицинские, социальные, экологические проблемы при добыче, транспортировке и переработке газа" (Тюмень, 1991 г.).

Публикации. По результатам исследований опубликована 21 печатная работа.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 98 наименований и содержит 139 страниц маданописаного текста, 73 рисунка, 7 таблиц и приложений на 20 страницах,

СОДЕРЖАНИЕ РАБОТЫ

Во введения показана актуальность работы, дана ее краткая характеристика,сформулирована цель и основные задачи исследования, представлены основные научные результаты, приведено краткое содержание работы по главам.

В первой главе проведен анализ существующих и перспективных направлений методов автоматической классификации и распознава -ния для построения АРМ экспериментатора. Рассматриваются методы автоматической классификации и их особенности при обработке медико-биологической информации.

Анализ исследуемой проблемы показал,что в силу принципиальной вариабельности регистрируемых параметров МБО и их состояний, а также влияние различных случайных факторов могут создать ложное представление о множественности групп в изучаемой совокупности и

вызвать искажение описаний изучаемых явлений и процессов. По -этому средства математико-программного обеспечения должны быть способы отождествлять результаты наблюдений за МБО, находя за внешними различиями в рядах наблюдений и измерениях параметров МБО внутреннее сходство, позволяющее относить их к ограниченному количеству относительно компактных групп. С другой стороны,средства математико-программного обеспечения полжны быть способны выявлять впервые появляющиеся МБО, не вписывающиеся в состав ранее выявленных групп и, таким образом, начинать формирование очередной группы МБО на основе■имеющихся данных.

На основании приведенных исследований сделан вывод о необходимости использования непараметрических методов статистики для отождествления и разделения описаний объектов и их состояний в виде выборок измерений регистрируемых параметров, а также для разработки средств автоматической классификации объектов на негаданное число классов по многомерным признакам.

Отмечено, что использование самообучающихся алгоритмов автоматической классификации МБО по их многомерным описаниям раз -личной природы, и построения решающих правил этих алгоритмов на основе использования новых форм статистики непараметрических критериев, оринотрованннх на реализация средства?™ персональных ЭВМ, будет содействовать повышенна качества принятия решений при диагностике и выборе тактики лечения.

Во второй главе рассматриваются методы отождествления однородных статистических выборок. Отмечено, что в условиях априорной неопределенности об особенностях распределений значений параметров выборок разной длина для построения автоматических самообучающихся- классификаторов МБО и их состояний в АРМ рассматривав -мого типа целесообразно использование метопов решения двухвыбо -рочной задачи непараметрической статистики.

Статистика для определения принадлежности двух выборов

(I)

с функциями распределения ^(х) и ^^соответственно одной генеральной совокупности имеет вид

рГиУ ',ТЯВ ^ IОяризс^у- (2)

Точное нижнее критическое значение статистики ( о( ; 77Т, 77),

соответствующее уровню значимости ( О < 0,5) при за -данных тгг,?} определяется как. целочисленное решение системы неравенств ^ (¿;т,71)} '

Р{$п,г ~ № Щ*)-"} > * / (3)

а верхнее из условия связи критических значений •

^в 777,77) = 2 М - Щ (и; .

Полученная таким образом г ра чисел и определяют границы критической области двухстороннего критерия с уровнем значимости 2. ¡¿- •

С учетом реальных условий проведения медико-биологического эксперимента проведено исследование влияния помех и погрешностей измерений на эффективность оценки методов классификации и распознавания. Следует отметить, что помехи за счет появления совпадений, обусловленных конечной точностью.и разрешающей способности преобразователей, датчиков и измерителей должны учитываться лиль тогда, когда совпавшие величины принадлежат разным -

выборкам. Совпадения, целиком состоящие из элементов какой-либо одной выборки, на величину статистики не влияют,- в

этом случае без потери эффективности в качестве соответствующих рангов можно брать произвольную перестановку чисел.

Для практического использования непараметрического критерия в автоматизированных системах обработки данных медико-биологического эксперимента решена одна из важнейших задач - многомерное обобщение статистики критерия.

Границы критической области многомерного НК для заданного уровня значимости еС определны исходя из асимпотической нормальности распределения его статистики (при тг! , 77 ^ 10) при справедливости нулевой гипотезы. Пусть (I) многомерные выборки. Полагая признаки исследуемого МЕЭ- компоненты векторов (I) не -зависимыми, моет о утверждать, что сумма значений статистик кри -'■ терия по отдельныг,1 компонентам также будет иметь нормальное распределение с математическим ожиданием и дисперсией, равныг.31 со -отзетствугации параметрам слагаемых. Это означает, что обобщение ЕНВ на многомерный случай возможно путем суммирования его статистики по компонентам вектора признаков с учетом следующего оп~ г>згслеч,ля , (к) 3

' " ' £ = У $1

с- ?

<Г

где S: = О

г I V. , гг+л (4)

Бу ГЧЬУ ^ /И ф ) Щ7) - 7гр-и я? ^ м Щ)

поскольку за счет суммирования может произойти • компенсация отклонения значений статистики от тех, которые соответствуют истинности Но • Тогда при уровне значимости о(.Ск) = 0,05 границы критической области НКВ для отождествления исходных многомерных выборок могут быть определены следующим образом

■С = м Ф -2 ¿1® Ф)*

а сила процедура принятия решения об однородности выборок колет бить представлена так: . , ")

к: ¿¿¡у, * => (но= {<$% <&»)}•*■ (**/<>**)) • ^

Путем иоделаровмтя била определена зависимость Рпр,(о(

О. • у , . (6)

У 7ЛГ1~/п /Зтп-'Н: г~1 а V / о' <Г Величина ' - многомерное обобщение уровня значимости.гззуль-тати экепериментоз свидетельству*)* о тем, что зазисгалостэ/идАК) построенная з соответствии с (6) полностью совпадает с анало-' точной с зависимостью для одномерного случая. Это обстоятельство позволяет оценить объем выборок измерений по каждому признаку, необходимый для обеспечения заданной вероятности правильного отождествления м разделения многомерных выборок.

. При построен!!!! систем анализа данных на основе любой статистической процедуры необходим учет возможной коррелированнос-ти исходной системы признаков. 3 диссартационной работе'показано, что учесть указанное обстоятельство иояно введением искусственно образуемого признака, являющегося некоторой функцией с? зависимых признаков -нппример, их произведением или суммой.

В. третьей главе предложена и исследована модификация ие-параметрнческого критерия, являющегося основой .для процедур классификации и распознавания состояний медицинских объектов, позволяющая добиться существенной экономии времени работы про-

цессора ЭВМ при ее вычислении и независимости достигаемой экономии от объемов и параметров распределений сравниваемых выборок.

Фиксируя значение индекса " ^ ": у случайной величины Jf^', запишем, что +Ш

при выполнении для условий (2).Построим гистограмму зна-

т , ^ =

где

- гистограммное число «- - го разряда гистограммы > в который падает значение OCi_ - пусть это будет К -Й разряд, тогда -f 1>

где jp - величина, зависящая от значения и закона распределения значений yj внутри « -го разряда гистограммы,йри чем О < < I. При достаточном объеме выборок Вместо (7) можно использовать ряд чисел , ,

N* ~ (8)

Выражение (8) позволяет для каждого , определив номер разряда , сразу же, без дополнительных вычислений, получить, значение С,"^ . Построим далее гистрограмму значений выборки Г 1 ? I)

Тогда значение статистики S^f п приближенно может быть опредег лено как а ^

Я - Г К ' Мъ

причем, при Z со имеет место сходимость в среднем:

¿¿г» M(S* -St*) * л l Чтя,я —О,

Полученное выражение (9) допускает реализацию в виде техничес- -кого устройства на базе гистометров, функционирующих в реаль -нои масштабе времени.

Если при вычислении статистики ШВ определять ее прямое

(10)

+ - 9

Эщ»^ - инверсное значения, то принятие решения можно выполнить до завершения набора всех требуемых значений параметров №0, т.е. на. одном^из. промежуточных, к -том шаге испытаний:

(3^ Ъ 5кр.»)л ($к ^Экр. и) =>Й0= ¿гке + Но: Р(х) & (})

где - текущая добавка к накопленным ранее значениям соответствующих статистик. Очевидно, что при использовании процедуры (10) ошибка распознавания не изменяется.Используя (10) в известные оценки математического ожидания и дисперсии З^.-п-определить значение предельно достижимого выигрыша в количестве измерений по приведенной "последовательной" схеме, необходимых для принятия решений в случае справедливости нулевой гипотезы

{т+п+О.тУо

■iZn

и альтернатиы

В четвертой главе рассмотрена-¡алгоритмическая структура автоматизированного рабочего места исследователя операций и врача специалиста. Представлены дза типа алпоритмов классификации экспериментальных данных.

Первый осуществляет классификацию описаний МБО по выборкам измерений параметров и работает в двух режимах -самообучения и обучения по указаниям оператора исследователя. Второй алгоритм способен осуществлять классификацию МБО и их состояний г^ совокупности .качественных и количественных признаков различной при *-роды. Приведены результаты применения алгоритма контроля однородности .групп МБО на клиническом и экспериментальном материале.

Процедура автоматической классификации !.£Б0 для автоматизированных диагностических систем организована следующим образом. В запоминающем устройстве классификатора выделяется магазин описаний из " п- " ячеек для хранения описаний S классов, под -лежащих классификации. Емкость магазина описаний реального классификатора определяется требованиями к подсистеме управления раз-

рабатываемой диагностической системы. Воспринимающее устройство по выборке {^¿У™, измерений параметра исследуемого МВД, поступающей на вход устройства или алгоритма классификации на. к -том шаге процесса классификации, строит описание Л .Это описание по выбранному критерию сравнивается с описаниями, уже хранящимися в памяти, в результате чего получается ряд разностей:

др =/5р Р = £-< гг. (И)

Среди полученных значений ряда (II) выбирается минимальное ^•=:77?^77/21р).Если для найденного А £ выполняется условие

Ду — Лкр , (12)

где Акр - граница критической области используемого критерия, то принимается реиение, что предъявленная выборка должно быть отнесена к у - му классу.

В этом случае описание ^ -го класса корректируется с учетом только что классифицированной выборки, .¿ели ко условие (12) не выполняется,то-есть Л^ попадает в критическую область используемого критерия, то это означет, что поступившая выборка не может быть отнесена ни к одному из классор, описания которых ухе сформированы в магазине. В этом случае сформированное описание поступает в оапоминащее устройство классификатора в качесгйс первого описания нового класса.

Алгоритм функционирования классификатора при предъявлении ему очередной К -той выборки измерений признака состояния МВО может быть представлен в слетующем вице:

А2: = т-с?1 <7~' р £ (е*о))[&р = из)

АЗ: (л^ $} = (¿¿.,3«)];

АН: [(л¿>&кр) V (£= о)) £+/- 3£н % (£*)]

где ¿. -число сформированных описаний к моменту поступления к-й 1борки на вход воспринимающего устройства классификатора; К -реакция устройства принятия решений о принадлежности описания, построенного по К -той выборке, одному из классов; У 4 - оператор построения описаний классифицируемых объектов; ^ - опера -тор сравнения текущего описания ^к' с описаниями, хранящимися в магазине запоминающего устройства; -оператор коррекции опи -сания, к клессу которого отнесена текущая' выборка: Уц /- опо -ратор формирования первого списания нового класса, Этот оператор

не просто переносит описание з очередную свободную ячейку магазина описаний, но и принимает решение о размещении нового описания в случае, когда 8-+ I >ги , то-есть при переполнении магазина списаний классификатора.

Анализ алгоритма(13) позволяет выявись его следующие преимущества по сравнению с известными подходами при классификации объектов;

- организация работы классификатора не зависит от числа классов объектов на входе воспринимающего устройства, поскольку ее основа - попарное сравнение описаний;

- алгоритм классификации (13) приспособлен для послелова -тельного предъявления объектов, в результате чего затраты памяти на реализацию алгоритма не зависит от мины обучающей последовательности;

- алгоритм (13) не требует перебора вариантов разбиений множества объектов, подлежащих классификации, в результате чего он в принципе требует меньше времени на классификация, чем известные алгоритмы;

алгоритм позволяет обнаружить новое описание .которое неотоядествляется по выбранному критерию ни с одним из описа -ний,построенных на предыдущих {К -1)-х шагах. ¿>то обстоятельство снимает требование, обязательное для известных алгоритмов,чтобы в обучающей последовательности были представлены все классы,то-есть снимается ограничение, выполнить которое в реальных условиях использования диагностических систем невозможно. Схема классификатора МВО и их состояний представлена на рис.1.

Задача проверки однородности груш МВО сформулирована следующим образом: имеется смешанная (неупорядоченная) совокупность МВО, описываемых фиксированным множеством признаков различной природы - формально это N векторов.,,, гст) жданных в тп -мерном пространстве параметров. Необходимо разделить про -странстаоВ (X€Е) на непересекающиеся подпространства (классы) по определенному критерию сходства.

Возможность использования самых различных по характеру па-р~летроз - качественных и количественных, интегральных и точеч -нах, досговзринх з согфовоздавкюс произвольно зводкшии оценками достоверности - не позволяя? воспользоваться для контроля однородности -групп »350 сущесувущим аппаратом теория распознавания и принятия рсаеипй. В э?п:г условиях наиболее предпочтительно ис-

Магазин описаний

4 ... 4 * * • 1

Блок поиска инициальной разности С Л2 )

| А

Блок принятия решети"? ( сравнение с порогом )

(ЙЬ,'А* ) ______

¿о-

Коррекция / - го описания

СУО

Формирование описания нового Класса

С^)

го

Ряс. 1 Схека автоматического классификатора медико-биологических объектов

пользование геометрического подхода к лассификации множества векторов X .основанного на представлении о взаимной близости то -чек, принадлежащих одному классу в пространстве признаков,использующем какую-либо из приемлемых метрик. При этом каждому из исследуемых МБО ставится в соответствие то* :са в пространстве £ , положение которой определяется значениями признаков х1>ссг7...)х?п. Выбор подходящей метрики дает возможность объединить на естественной основе все перечисленное вше многообразие используемых для описания МБО признаков.Собственно выбор метрики в значительной степени произволен, необходимо лишь.чтобы она удовлетворяла из -вестным аксиомам расстояний. Заметим, что метрику с требуемыми свойствами всегда можно получить из известны* с помощью подходя -щих неотрицательных монотонных преобразований. Понятием,противо -положным расстоянию, является сходство или близость точек. Для определения меры близости и переиндексации точек, соответствующих исходному набору ?<Ш0 предлагается следующий алгоритм.

Пусть, для определенности расстояние Р(т/,Х) между произ -вольными точками

в пространстве £ определяется как

На первом шаге работы алгоритма среди всех точек,подлежащих классификации, отыскивается ближайшая к некоторой фиктивной в смысле минимума расстояния (14), где V -фиктивная точка,а -X -текущая точка из исходного множества N точек. На первом шаге фиктивная точка (ФТ) совмещается с началом коориинат щ -мерного пространства £ или с произвольной точкой исходного множества, подлежащего классификации. Найденной точке,ближайшей к ФТ, присваивается индекс "I", а значение соответствующей меры близости т^е полагается равным нулю.Значение каждой координаты . . ФТ преобразуется в соответствии с выражением: 2/^ г= и\ + , ¿ = 7П (15)

где -новое значение координаты ФТ, -предыдущее значение этой координаты, ^к - текущее значение меры близости точки X и ФТ. Преобразование (15) на первом шаге соответствуем переме -щению ФТ из начала координат в точку с индексом "I, поскольку .Найденная на первом шаге точка исходного множества, оказавшеяся ближайшая к ФТ, из дальнейшего рассмотрения исклп -

чается. ,

На втором шаге среди оставшихся N -I точек отыскивается ближайшая к ФТ по тому же правилу, что и на первом шаге, и найденной точке присваивается индекс "2".Мера близости fía втором . шаге полагается равной 0,5 , что обеспечивает перемещение ФТ,согласно (14), на середину отрезка, соединяющего две первые найденные точки.

На третьем и последующих шагах работы алгоритма мера близости -/к ( к 3,4,..., N ) вычисляется следующим образом

«-о jк* Rcp~'}/'*« (16)

где ftcp. -среднее -значение расстояния от ОТ до ближайшей, полу -ченной за предыдущие ( К -I) шагов; /?«-значение расстояния от текущего ьложения 5Т до ближайшей, полученной на К -том шаге. Найденная при этом точка получает индекс "К". Очередной шаг завершается корректировкой RCp в соответствии с .гражением

и« - -f (17)

Пер - Кср . Т к

Работа описываемого алгоритма завершается, когда будет исчерпано все множество неупорядоченных точек (МБО). Таким образом в процессе работы алгоритма генерируется последовательность мер бли -зосги Ук ( К -1,2 ...., /V )и соответствующая ей последователь -ность индексов точек (МБО).Анализ полученных последовательностей -позволяет сделать вывод о взаимном расположении точек, соответствующих их истинному множеству в рассматриваемом пространстве признаков, а также об их группировании в классы (подмножества ис -ходного множества точек).

По сравнению с известными подходами предложенный алгоритм не требует предварительного отбора используемых параметров и обладает способностью адаптироваться к плотности взаимного расположения точек в пределах пространства одного класса за счет • остоянной коррекции текущего значения среднего расстояния.

В заключении сформулированы основные результаты исследований. В приложениях представлены полный пакет программы модели автоматического самообучающегося классификатора МБО и их состояний по выборкам измерений регистрируемых параметров, а также полный пакет программ методики контроля однородности групп МБО по совокупности количественных' и качественных признаков.Представлены акты внедрения результатов диссертационной работы в клиническую практику, научные исследования и учебный процесс.

■■ ЗАКЛЮЧЕНИЕ

1. Для выработки тактики лечения и прогнозирования результатов лечения разработана модификация статистики непараметрического критерия Вилкоксона как основной процедуры отождествления и разделения описаний МБО для алгоритмов классификации, распозна -вания и проверки однородности групп МБО и их состояний на не за -данное заранее число классов в ходе выполнения МБЭ. Предложены варианты обобщения статистики критерия не. случай многомерных выборок с коррелированными компонентами, даны рекомендации по повышению быстродействия вычислительных процедур и экономии памяти ЭВМ при реализации предложенной модификации статистики критерия.

2. Цутем моделирования на ЭВМ приведены оценки достаточности объемов выборок для достижения требуемой эффективности кри -терия, исследовано влияние помех и условий эксперимента на эф -фективность критерия в реальных условиях МБЭ, а также предложе -ны способы использования критерия для оценки разделяющих свойств параметров, используемых для описания МБО и их состояний при диагностике и выборе тактики лечения на основе вычислительной техники.

3. Разработаны алгоритмы автоматической классификации МБО по их многомерным описаниям различной природы и построения ре -шающих правил этих алгоритмов на основе использовании новой формы модернизированной статистики непараметрического критерия.Алгоритмы классификации совмещают в рамках одного алгоритма (или реализующей его программы) режимов обучения, самообучения классификации и режима распознавания по результатам предварительной классификации описаний ИБО,представленных выборками измерений

их параметров. .

4. Предложены методы интерпретации результатов контроля однородности групп МБО, диагностики для предоставления '■чачу специалисту возможности визуального анализа в наглядной табличной и графической формах.

5. Обобщены результаты исследований на основе проведенного анализа клинического и лабораторного эксперимента контроля однородности групп ИБО,позволившие обосновать выбор предложенных моделей, методов и алгоритмов.

6. Разработано программное обеспечение автоматической классификации и распознавания МБО и их состояний по выборкам измерений параметров 15В0 и по совокупности признаков различной природы.

7.Автоматический самообучающийся классификатор,построенный на основе использования для отождествления и разделения описаний выборок модифицированного критерия принадлежности их одной генеральной совокупности,обеспечивает вероятность правильной классификации выборок из нормального распределения с параметрами (0,1) , (О,2),(0.5, 1,5), (1,1) и (1,2) не хуже 93 % при 15-20 "показах" реализаций длиной 120-150 измерений. '

Предлагаемый классификатор может работать в режиме распознавания, совмещаемом по времени с режимом самообучения классифи -кации.Кроме того, в режиме самообучения допускается параллельное обучение по указаниям оператора АРМ (исследователя ЫБ0 или их состояний).

Вероятность правильного распознавания по предварительно выполненной стоматической классификации выборок из нормального распределения с указанными выше параметрами, когда число "показов" выборок длиной 100-150 измерений равно 10-50, была не хуже 93 %, а на выборках длиной около 200 измерений не хуже 98 %. Вероят -ность правильного распознавания по классификации, выполненной идеальным учителем, составляет 95 % для выборок длиной 100 измерений и 100 % для выборок длиной 250 измерений.

8. Для автоматической классификации объектов по совокупности различных пс своему характеру параметров-качественньк и количественных, интервальных и точечных,достоверных и-сопровождаемых функциями надежности наиболее предпочтительно использование геометрических представлений»основанные на понятии о взаимной близости точек, принадлежащих одному классу в пространстве признаков, с учетом какой-либо из приемлемых методик.

Публикации по теме диссертации

1.Жукова А.И. Оценка влияния помех на эффективность исполь-• зования непараметрического критерия Вилкоксона.-Воронеж.1991—11с -Деп.в ВИНетЙ 03.09.91. >?361В-Б91.

2.Кукова А.И.,Рог А.И. Эффективность непараметрического . ритерия знаков при сравнении измерения параметров медико-биологических объектов и их состояний.-ВоронежЛ992,.-24с.-Деп.в ВИНИТИ-19.02.92 г. Р578-В92.

3.йукова А.И..Барабанова О.И.,Рог А.И.Оценка возможностей использования критериев со статистикой •гс и -квадрат для классификации медико-биологических объектов.-Воронеж,1992.-19с.-Деп. ВИНИТИ 28.02.92г.

4.Дукова А.И. Опыт применения непараметрического рангового критерия Вилкоксона для анализа медико-биологических объектов //Компьютеризация в медицине:Межвуз.сб.науч.тр.-Воронеж,1991-е.

5.Жукова А.И.Оценка ооъемов выборок,обеспечивающих эффективное использование критерия Вилкоксона.-Воронеж,1992-8-с-Деп. ВИНИТИ 28.02.92 г. № 67G-B92.

6.Жукова А.И.Повышение быстродействия процедур анализа и распознавания,использующих критерий Вилкоксона, за счет применения последовательных методов анаяиэа.-Воронеж,1992.-10с.-Деп. . ВИНИТИ 3.07.92г. ,№2158-В92.

7. Жукова А.И.Ыногомерное обобщение статистики критерия - Вилкоксона.-Воронеж,1991.-14с.-Деп.ВИНИТИ 03.09.91.№3615-691.

8.}£укова А.И. Учет возможной коррелированное™ исходной системы признаков при отождествлении многомерных выборок.-Воронеж, 1992.-Зс.-Деп.ВИНИТИ 30.09.92г. №2869-В92.

9.Многомерное обобщение статистик основных непараметрических критериев,используемых для отождествления медико-биологических объектов и их состояний/А.И.Жукова.О.И.Барабанов.Э.Г.Быков и др./ -Воронеж,1991-43с.-Деп.ВИНИТИ 06.08.91. №336В-В91

10.Пакет прикладных программ для автоматизации исследований в области спортивной медицины /Э.Г.Быков,А.И.2$укова,А.И.Рог,Н.А. Степанян/Тез.докл.Ю юбилейной региональной науч.-метод, конф. по проблемам физического воспитания и спортивно1* медицины на севере. Архангельск,6-7 марта 1990.- Архангельск,1990.-131с.

П.Жукова А.И.,Рог А.И.,Быков Э.Г.Автоматизированное рабочее место врача-исследователя на базе ПЭВМ "Электроника-85"Меди-цинские микрокомпьютерные системы:Тез.докл.2 Всесоюз.симпозиума с международ.участием-Ростов-на-Дону,1991.-48с. .

12.дукова А.Й..Быков Э.Г.,РогА.И.Компьютерное обеспечение слежения за состоянием здоровья производственных контйнгентов на базе, персональных ЭВМ Медицинские,социальные,экологические проблемы при добыче,транспортировке и переработке газа:Тез.-докл. Всесоюзн.науч.-пракг.конф.Тюмень,1991-е Л16-118.

13.Дукова А. И. Выбор исходной системы признаков при отож - ' дествлении многомерных выборок медико-биологических объектов.-Воронеж,1992.-5с.-Деп.ВИНИТИ 30.09.92г.,№2871-892

14.Процедура автоматической классификации состояний медико-биологических объектов по выборкам измерений их параметров/А.И.

, аукова.О.И.Барабанов,Э.Г.Быков и др./-Воронеж Д990-27с.-Деп. ВИНИТИ

15.Алгоритм и программа методики контроля однородности групп медико-биологических объектов в автоматизированных исследовательских комллексак/А.И.Жукова,0.Д.Алехина.О.И.Барабанов и др./- Воронеж, 1991 -38с.-Деп.ВИНИТИ 30706.91 №2^74-91

16.Методика контроля однородности групп медико-биологических объектов в автоматизированных исследовательских комплексах . /А.И.л£укова,Э.Г.Быков,А.Й.Рог,Н.А.Степанян//Компьютеризация в медицине: Межвуз.сб.иауч.тр.-Воронеж,1990.-с.57-61.

17.Оценка эффективности раннего аспирационно-промызного дронирования полости матки для профилактики септических осложнений после операции касарева сечения на основе алгоритм«.- ''Спектр" /О.Ф.Середа,А.И.Рог,А.И.Дукова,А.С.Калийиченко//Медицинские микрокомпьютерные системы:тез.докл.2 Всесоюз.симпозиуса с междуна-' родным .участием.-Ростов-на-Дойу,1991-е.35

18.Экспертная система для анализа патологических клеточных реакций /А.И.Рог,Э.Г.Быков,А.И.Жукова и др.//Медицинские микрокомпьютерные системы:тез.докл.,2 Всесоюз.симпозиум с мед.участием, Ростов-на-Дону,1991.- с.33 - :

19.йукова А.И..Быков Э.Г..Степанян Н;А.Пакеты прикладных программ в курсе медицинской в биологической физике//Пути повы~ч шения педагогического мастерства преподавателя высшей школы:тез-, докл.Всесоюз.научно-метод-конфЛ3-14 ноября 1990~Белгород,1990, с.240-241.

ЯЭ.Жукова А.И.,Быков Э.Г.,Рог А.И.Программное обеспечение ПЭВМ "Электроника-85 в системе обучения в вуэах//Технические средства обучения "ТСО-9Г':Тез.докл.8 Всесоюзн.науч-практ.конф. Челябинск ЛУ91-С. 60.

21.Кукова А.И. Применение компьютеров в учебном процессе ВГМИ //Применение компьютерной техники в учебном процессе медицинских вузов:теэ.докл.Респ.науч.конф.- Днепропетровск,1991-с.1о-16. 7

ЛР К020419 от 12.02.92.Подписано к'печати

Усл.печ.1,0 Тираж ¿а экз. Заказ №

Воронежский государственный .технический университет

394026, Воронеж, Московский пр.,14

Участок.оперативной полиграфии ' .

Воронежского государственного технического университета