автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Информационная поддержка принятия решений при диагностике артериальной гипертонии на основе методов гибридного интеллекта

На правах рукописи

Шулакова Марина Алексеевна

Информационная поддержка принятия решений при диагностике артериальной гипертонии на основе методов гибридного интеллекта

05.13.01 «Системный анализ, управление и обработка информации»

Автореферат диссертации на соискание ученой степени кандидата технических наук

? 7 МАЙ 2012

Воронеж —2012

005044210

Работа выполнена в ФГБОУ ВПО «Уфимский государственный авиационный технический университет»

Научный руководитель д-р техн. наук, профессор

Жернаков Сергей Владимирович

Официальные оппоненты: Кравец Олег Яковлевич, д-р техн. наук,

профессор, Воронежский государственный технический университет, профессор кафедры автоматизированных вычислительных систем

Васильев Владимир Иванович, д-р техн. наук, профессор, Уфимский государственный авиационный технический университет, заведующий кафедрой вычислительных машин и защиты информации

Ведущая организация: ФГБОУ ВПО «Юго-Западный государственный

университет»

Защита состоится «¿¿Г» ¿7,5" 2012 г. в <%7часов на заседании диссертационного совета Д 212.037.02

Воронежского государственного технического университета по адресу: 394026, г. Воронеж, Московский проспект, 14

С диссертацией можно ознакомиться в библиотеке университета

Автореферат разослан 2012 г.

Ученый секретарь диссертационного совета

Е.Н. Коровин

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы

Реальные объекты управления характеризуются сложностью структуры и многомерностью внутренних и внешних связей. К ним можно отнести биомедицинские, технические, экономические и социальные системы. Анализ и синтез систем управления сложными объектами основывается на определения класса объекта управления. Таким образом, классификация сложных объектов управления является актуальной задачей во многих областях исследования.

Одним из примеров классификации сложных объектов управления является медицинская диагностика, где в качестве объекта управления выступает функциональное состояние организма человека.

Информатизация области здравоохранения создает предпосылки для изучения и разработки систем поддержки принятия решений (СППР) в медицинских приложениях. Среди множества медицинских задач, которые могут быть решены средствами информационных систем, можно выделить последовательную триаду «диагностика — прогнозирование - лечение». Очевидно, что ошибки и неточности в диагностике и прогнозировании приводят к неправильному выбору лечения, что в свою очередь может нанести вред пациенту. Следует отметить, что в процессе диагностики врач принимает решение в условиях неопределенности, оперируя значительным количеством данных, опираясь на личный опыт и знания. Поэтому усилия многих специалистов в области информационных технологий направлены на проектирование систем, имитирующих эвристики врача, или попытки алгоритмизировать процесс принятия решения в медицине, основываясь на знаниях экспертов.

Вопросам компьютерной диагностики посвящены работы H.A. Кореневского, Е.С. Подвального, Б.А. Корбинского, О.В. Родионова, E.H.Коровина, В.Н.Фролова, Д. Ферруччи, Э. Коэйра, Е.С.Бернера и др. Между тем в настоящее время остаются актуальными вопросы, связанные с повышением эффективности процесса принятия решений при диагностике артериальной гипертонии. Учитывая специфику отрасли медицинской диагностики, повышение эффективности в информационной поддержке принятия решений заключается в повышении уровня оперативности, достоверности и обоснованности выдаваемых системой рекомендаций. Показатель обоснованности отражает способность системы провести трассировку хода решения от симптома к диагнозу. В медицинских приложениях эта характеристика имеет особое значение, поскольку, когда система не может объяснить ход получения решений, врач не может опираться на этот вывод.

Обобщая вышеизложенное, можно сделать вывод, что тема диссертации, посвященной информационной поддержке принятия решений при диагностике артериальной гипертонии на основе методов гибридного интеллекта, является актуальной.

Цель работы и задачи исследования

Целью исследования является повышение эффективности процесса поддержки принятия решений при классификации состояния сложных объектов на основе методов гибридного интеллекта на примере диагностики

артериальной гипертонии.

Реализация поставленной цели требует решения следующих задач

исследования:

1. Системный анализ сложных объектов управления и задачи диагностики артериальной гипертонии как проблемы классификации сложных объектов.

2. Разработка комплекса системных и динамических моделей процессов поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

3. Разработка метода поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

4. Разработка алгоритмического и программного обеспечения основных функциональных модулей системы и исследование характеристик эффективности информационной поддержки принятия решений.

Объектом исследования является процесс поддержки принятия решений классификации сложных объектов на примере диагностики артериальной гипертонии.

Предметом исследования являются алгоритмы и методы поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

Методика исследования

При решении поставленных задач использовались методы системного анализа, теории принятия решений, методы системного моделирования, теории вероятностей и математической статистики, методы классификации, теории нейронных сетей, экспертных систем, теории гибридных интеллектуальных систем.

На защиту выносятся:

1. Комплекс системных и динамических моделей процессов поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

2. Гибридный интеллектуальный метод поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

3. Архитектура системы поддержки принятия решений, реализующая предложенную трансформационную модель гибридного интеллекта.

4. Алгоритмическое и программное обеспечение, реализующее предложенный гибридный интеллектуальный метод поддержки принятия решений.

5. Результаты исследования характеристик эффективности информационной поддержки принятия решений при внедрении разработанной СППР в диагностический процесс.

Научная новизна работы содержится в следующих результатах диссертационного исследования:

1. Комплекс функциональных, информационных и динамических моделей процессов принятия решений, отличающихся применением вероятностных оценок классификации состояния сложных объектов управления, что позволяет создать полное описание процесса принятия решений в аспекте структурного и логического взаимодействия элементов разрабатываемой системы.

2. Гибридный интеллектуальный метод поддержки принятия решений, отличающийся структурно-функциональным разделением процесса поддержки принятия решений на уровни вычислений и интерпретации на различных этапах функционирования разрабатываемой системы, что позволяет повышать уровень оперативности, достоверности и обоснованности рекомендаций системы при классификации состояния сложных объектов управления.

3. Архитектура системы поддержки принятия решений, реализующая трансформационную модель гибридного интеллекта, отличающаяся применением двухуровневого алгоритма поддержки принятия решений, позволяющего объединить в единое информационное пространство отдельные модули системы, обеспечить адаптацию и эволюцию знаний в процессе функционирования системы.

Практическую ценность имеют следующие полученные результаты:

• Разработанный метод поддержки принятия решений на основе классификации состояния сложного объекта управления и синтеза гибридного интеллекта позволяет на 15% повысить достоверность решений и на 43% уровень обоснованности рекомендаций при внедрении в процесс диагностики артериальной гипертонии за счет применения вероятностных нейросетевых моделей классификации состояния пациента и продукционных правил экспертной системы.

• Разработанное алгоритмическое и программное обеспечение функциональных модулей СППР на основе предложенного гибридного интеллектуального метода поддержки принятия решений характеризуется использованием принципов параллельных вычислений, учетом модели пользователя, поддержкой обучения и дообучения в процессе функционирования, интегрированностью, объединением в единое информационное пространство различных программных средств, поддержкой распределенной работы модулей системы, что позволяет повысить на 25% оперативность принятия решений.

Внедрение результатов работы в виде математического, алгоритмического и программного обеспечения поддержки принятия решений при диагностике артериальной гипертонии осуществлено в медицинских

учреждениях г. Уфы (Республиканский кардиологический диспансер). Наибольшую практическую ценность полученные результаты исследования имеют при внедрении в диагностический процесс сельских лечебно-профилактических учреждений, где наблюдается нехватка квалифицированных и узкоспециализированных кадров.

Также основные результаты диссертационного исследования внедрены учебный процесс Уфимского государственного авиационного технического университета при чтении лекционного курса и проведении лабораторных занятий по дисциплине «Методы обработки биомедицинских сигналов и данных».

Апробация работы

Основные положения представлены в 13 публикациях, в том числе в 3 статьях, опубликованных в рецензируемых журналах из списка ВАК, и 2 свидетельствах о регистрации программ для ЭВМ. Результаты докладывались на следующих конференциях:

• 16-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика», г. Москва, 2009 г.

• ХП и ХП1 Международные научно-технические конференции «Медико-экологические информационные технологии», г. Курск, 2009,2010 г.

• Всероссийская научно-практическая конференция с международным участием «Информационные технологии в профессиональной деятельности и научной работе», г. Йошкар-Ола, 2009 г.

• IX Международная научно-техническая конференция «Физика и радиоэлектроника в медицине и экологии - ФРЭМЭ», г. Владимир, 2010 г.

• ХХШ Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы (Биомедсистемы)», г. Рязань, 2010 г.

• XV Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании (НИХ)», г. Рязань, 2010 г.

• IX Всероссийская научная конференция «Нейрокомпьютеры и их применение», г. Москва, 2011 г.

Соответствие специальности

Работа соответствует паспорту специальности 05.13.01 «Системный анализ, управление и обработка информации», поскольку результаты представляют собой научно обоснованные метод и алгоритмы решения задач повышения эффективности процессов поддержки принятия решений, относящихся к области обработки медицинской информации. При этом работа соответствует следующим пунктам раздела «Области исследований» паспорта данной специальности:

п. 5. «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и

обработки информации», поскольку результаты исследования реализованы в виде зарегистрированного программного обеспечения.

п. 10. «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах», поскольку проблема диагностики артериальной гипертонии решается интеллектуальными методами принятия решений и обработки информации. В работе предложены новые модели, методы и алгоритмы поддержки принятия диагностических решений и классификации состояния пациента.

Структура и объем работы

Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа содержит 129 с. машинописного текста, включая 42 рисунка, 19 таблиц и список литературы из 116 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении приводится общая характеристика работы - обосновывается актуальность диссертационной работы, формулируются цель и задачи исследования, перечисляются результаты, выносимые на защиту, методы исследования, отмечаются научная новизна и практическая значимость полученных результатов.

Глава 1 посвящена системному анализу сложных объектов управления (СОУ), в результате которого было выявлено, что сложные объекты характеризуются как детерминированными, так и неопределенными данными и зависимостями. Следовательно, классификация СОУ относится к области слабо структурированных проблем системного анализа._

Подсистема сбора и обработки информации

Система поддержки принятия решений

Классификация объекта

Прогноз

И

Формирование рекомендаций

Объект управления с Управляющая подсистема г

ЛПР

Рисунок 1. Контур управления объектом с СППР

Также были определены роль и место СППР в контуре управления сложными объектами (рис. 1).

В условиях известной системы управления, оперирующей со слабоструктурированными данными, важное значение имеют задачи классификации СОУ и прогноза развития СОУ.

Примером классификации объектов со слабоструктурированными данными является медицинская диагностика. По мнению автора, наибольший интерес представляют вопросы диагностики артериальной гипертонии (АГ). В современном обществе АГ очень распространена и является основным фактором развития сердечно-сосудистых заболеваний. Кроме того, на ранних стадиях заболевание носит скрытый характер, что затрудняет диагностику.

Диагностика АГ является слабо структурированной многофакторной задачей, для решения которой применяются принципы управления сложными объектами. Объектом управления является состояние пациента. Подсистема сбора и обработки информации в диагностической системе функционирует в соответствии с принятыми ВОЗ нормативными документами. Классификация состояния пациента производится по шести группам, характеризующим степень АГ и трем группам стадии АГ. Прогноз развития состояния производится в соответствии с оценкой риска сердечно-сосудистых осложнений (ССО). На основе результатов классификации СППР формирует рекомендации по диагнозу АГ и дальнейшему лечению пациента. Врач (ЛПР) принимает решение о коррекции функционального состояния пациента посредством управляющей подсистемы.

Сравнительный анализ методологических основ современных медицинских СППР показал, что существующие СППР условно можно разделить на три группы: системы с дедуктивным обучением, системы с нечеткой логикой и системы с индуктивным обучением. Недостатком первой группы систем является то, что они не поддерживают работу с данными, характеризующимися НЕ-факторами; вторая группа систем не имеет поддержки получения новых знаний из экспериментальных данных; третья группа систем имеет слабый интерпретационный механизм, не позволяющий проследить ход решения. Таким образом, существующие медицинские СППР не отвечают современным требованиям.

В результате проведенного анализа была выдвинута гипотеза о том, что интеграция систем с различными моделями получения и представления знаний в рамках концепции гибридного интеллекта A.B. Колесникова повышает эффективность процесса поддержки принятия решений при классификации состояния сложных объектов управления.

Глава 2 посвящена моделированию процессов принятия решений при классификации СОУ на примере диагностики АГ. Для выявления и объединения с методологически обоснованных позиций различных аспектов сущности этого процесса была разработана система моделей принятия решений, которая представлена в виде:

Mo = { Mf, Mi, Md), (1)

где Mo - обобщенная модель процесса диагностики; Mf - функциональная модель (ФМ) процесса диагностики; Mt - информационная модель (ИМ) процесса диагностики; Mi-динамическая модель (ДМ) процесса диагностики.

В качестве математического аппарата моделирования использовалась SADT-методология и IDEF-технологии. Применение указанной технологии позволяет отображать и анализировать модели деятельности сложных систем в различных разрезах в графическом представлении функциональной, информационной и логической структур исследуемых процессов. Отличительной особенностью IDEF-моделей является комплексное представление различных аспектов проектирования СППР.

ФМ на теоретико-множественном уровне представлена в виде:

Mf=(P,C,M,D), (2)

где P = \p„i = \,N ) - множество регистрируемых параметров, характеризующих состояние пациента; С = \crj = l,Ne) - множество нормативных документов, регламентирующих процессы диагностики и обработку результатов; М = \тк,к = 1, Nm } - множество инструментальных, программных и человеческих ресурсов, необходимых для осуществления процессов диагностики; D = {dt,l = l,Nd} - множество оценок состояния пациента.

ФМ позволяет достаточно полно описать множество функций и задач, выполняемых СППР при диагностике артериальной гипертонии. Выявленные связи позволяют структурировать информационные сущности процесса принятия решений. Таким образом, информационная модель дополняет ФМ.

Целью разработки ИМ является объединение различных информационных модулей в единое информационное поле, что позволяет построить пространственно распределенные БД и БЗ, коммутируемые средствами Internet. Такая структура дает возможность обобщать значительное число наблюдений за пациентами и опыт экспертов различных школ. Следовательно, формируемые знания, на основе которых строится функционирование системы, будут обладать большей полнотой и специфичностью.

На теоретико-множественном уровне ИМ представлена в виде:

Mt=(G,P,S,D,H,0,R), (3)

где G = {gn,n = - множество задач, решаемых в процессе диагностики; P = \pt,i = \,N ) - множество регистрируемых параметров, характеризующих состояние пациента; 5 = (s,, к = 1, N,} - множество оценок (симптомов) параметров Р, получаемых в процессе обследования пациента;

- множество оценок состояния пациента; Я = {h„,m = 1,^}- персонал, проводящий диагностические тесты и принимающий решения; О = {оt,t = 1,}

- множество объектов диагностики (пациентов); R = {г ,и = l,JVr} - множество

отношений между компонентами М,.

Обобщенные результаты ФМ и ИМ позволяют моделировать логику функционирования и взаимодействия подсистем СППР в рамках построения динамических моделей.

Целью создания динамической модели (рис. 2) является описание причинно-следственных связей между объектами системы во времени и пространстве.

Моделирование динамики функционирования системы отражается сетью Петри-Маркова, задаваемой структурно-параметрической парой

Сеть Петри Ч' определяет структуру процесса принятия диагностических решений

Ч> = {А,2,1,0), (5)

где А - конечное множество позиций; 2 - конечное множество переходов; I -конечное множество входов системы; О - конечное множество выходов системы.

Случайный процесс П определяет вероятностные характеристики процесса ПДР

П = {Р,Др)Л}, (<>)

где Р - матрица вероятностей; Др) - матрица функции распределения вероятностей; Л - матрица логических условий:

Г {ОД}, если 0(2.) п а, = а,;

Х'{а,2)=[О,еслиО^)па1=0.

(7)

Рисунок 2. Динамическая модель процесса принятия решений при диагностике АГ Л - априорная информация; о^ - получение диагностических данных; а2 -дополнительные тесты; а3 - определение функциональных диагностических показателей; сц - формирование паттерна данных; а5 - применение другого метода формирования паттерна данных; а6 - классификация состояния обследуемого; а7- применение другого метода классификации состояния обслудуемого; а8 - интерпретация результатов классификации; г, - переход

инициализации; г2.....г9 - асинхронные переходы проверки корректности

выполнения этапа; г]0 - переход вывода результата. Выход 0\ отражает диагностическое заключение, включающее в себя выводы о стадии и степени АГ и оценку риска ССО.

Представленная ДМ является основой разработки обобщенного алгоритма классификации СОУ.

На основе результатов системного моделирования сформулированы основные требования к разрабатываемой СППР.

В главе 3 производится разработка метода поддержки принятия решений для классификации сложных объектов на примере диагностики артериальной гипертонии. Основой метода являются алгоритм классификации состояния пациента, сформированный на базе динамической модели процесса принятия решений и синтез гибридного интеллекта.

Алгоритм классификации строится на основе сравнительного анализа характеристик точности результатов классических и нейросетевых методов обработки информации. В рамках решения поставленной задачи приведен алгоритм формирования паттерна данных на основе выявления наиболее информативных признаков методом экспертных оценок.

Затем был произведен статистический анализ диагностических данных, в ходе которого были определены необходимый объем выборки, статистические оценки выборки, произведена проверка нормальности закона распределения наблюдений и оценена репрезентативность выборки.

Для выбора метода классификации, на основе которого реализуется классификатор СППР, был проведен ряд вычислительных экспериментов в пакетах прикладных программ Яй^йса и МаЙаЬ. Классические методы классификации, представленные каноническим дискриминантным анализом и методом Байеса, показали приемлемые результаты достоверности классификации на контрольной выборке (не менее 85% правильно распознанных случаев) и низкие показатели достоверности при тестировании реальной выборки, содержащей шумы (правильно распознанных случаев меньше 70%).

Для осуществления исследования нейросетевых методов классификации была разработана методика предобработки входной информации, представленной в виде количественных, качественных и бинарных переменных. Для количественных переменных справедливо нормирование:

*-(<+!) ш

где р — преобразованный входной сигнал, подаваемый на вход НС; [Хты> *тах] -диапазон изменения значений входной переменной хср - среднее значение входной переменой. Индекс <1 в выражении (8) означает соответствующее значение для данного диапазона. Диапазон задается в соответствии с методикой диагностирования артериальной гипертонии.

Качественные переменные определяют диагностический параметр по шкале оценок, которые кодируются в числовую форму в диапазоне изменения приемлемых входных сигналов.

Бинарные переменные - это качественные переменные, отражающие наличие или отсутствие признака. Например, важными факторами анамнеза больного является курение, наследственные заболевания сердечно-сосудистой системы, вредные факторы работы, оцениваемые по принципу наличия - «1» или отсутствия - «0».

В рамках исследования нейросетевых методов классификации рассмотрены следующие типы сетей: многослойный персептрон, вероятностная нейронная сеть и сеть Хопфилда. Сравнительный анализ результатов работы различных классификаторов производится по оценкам ошибок первого и второго рода на контрольной и реальной выборках (табл. 1). В результате было установлено, что нейросетевые методы являются наиболее предпочтительными,

поскольку зашумленность выборки практически не влияет на достоверность результатов классификации.

Рассматриваемые нейросетевые подходы практически идентичны по характеристикам точности. Тем не менее, такие преимущества вероятностной нейронной сети, как простой алгоритм обучений и вывод результатов в вероятностной форме делают этот метод более предпочтительным для реализации в СППР для диагностики АГ.

Таблица 1

Ошибки классификации I и II рода__

Ошибки Метод классификации^^ Контрольная выборка Реальная выборка

Ошибка I рода, % Ошибка II рода, % Ошибка I рода, % Ошибка П рода, %

Дискриминантный анализ 5,59 3,06 20,03 11,77

Метод Байеса 3,20 6,07 7,06 12,16

Многослойный персептрон 0,32 0,22 1,49 0,80

Вероятностная нейронная сеть 0,65 0,42 0,58 0,38

Сеть Хопфилда 2,14 1,75 2,03 2,92

Для повышения эффективности процесса принятия решений при диагностике АГ предлагается использовать новый гибридный интеллектуальный метод. Суть метода заключается в структурном и функциональном разделении процесса поддержки принятия решений на различных этапах работы системы.

Метод поддержки принятия решений реализуется на основе гибридного интеллекта модернизированной трансформационной модели. Структурно такая модель ближе к интегрированной в части использования общих данных и знаний. Функционально же система, реализующая метод поддерживает возможность перехода от одного метода к другому на различных этапах работы СППР. В качестве интегрируемых подходов на основе анализа были выбраны нейронная сеть (НС) и экспертная система (ЭС).

Таблица 2

Функции трансформационной модели гибридного интеллекта

Этапы Режим НС ЭС Режим ЭС НС

Обучение Знания от НС передаются в БЗ ЭС БЗ ЭС применяется для обучения НС

Обобщение Результаты, полученные НС, трансформируются в продукционные правила Решающее правило ЭС адаптируется НС

Интерпретация На основании БЗ ЭС интерпретируются полученные НС результаты Решения, полученные ЭС, классифицируются НС

В таблице 2 демонстрируются функции системы для режимов трансформации на основных этапах проектирования и работы СППР.

СППР в условиях НЕ-факторов предлагается строить на основе трансформационной модели вида НС —► ЭС и ЭС -» НС. В таком дуэте наилучшим образом используются возможности нейронной сети к самообучению и обобщению входной информации. Вместе с тем, трансформация НС —► ЭС дает возможность сделать простым и понятным объяснительный аспект СППР.

Рисунок 3. Архитектура СППР на основе трансформационной модели гибридного интеллекта Метод поддержки принятии решений реализован в разработанной архитектуре СППР (рис. 3). Здесь искусственная нейронная сеть разрабатывается для быстрого понимания сложной ситуации с большим объемом данных и классификации состояния пациента. Результат с выхода НС передается в блок интерпретатора ЭС, работающего с проверенными знаниями и дающей объяснение по ходу принятия решения.

В разрабатываемой системе выделяются уровни интерпретации (ЭС) и вычислений (НС). Взаимодействие между моделями системы производится в соответствии с этапом поддержки принятия решений. Основная задача классификации решается в нейросетевом блоке, архитектура которого представляет собой модульную иерархическую структуру. Такая схема позволяет обрабатывать разнородную информацию, используя различные передаточные функции, а также распараллеливать вычислительный процесс, сокращая время на принятие решения.

Объяснительный механизм строится на основе ЭС. Логической основой ЭС является БЗ, состоящая из блоков экспертной базы знаний (ЭБЗ) и базы знаний прецедентов (БЗП). ЭБП заполняется формализованными знаниями

экспертов в виде продукционных правил. БЗП формируется в ходе решения НС типовых задач классификации состояния пациента. База данных (БД) содержит электронные истории болезни пациентов.

Глава 4 посвящена разработке программного и алгоритмического обеспечения новой СППР и исследованию характеристик эффективности процесса принятия диагностических решений при внедрении разработанной СППР

(^Начало ^

Рисунок 4. Алгоритм работы СППР на вычислительном уровне (а) и на уровне интерпретации (б)

Алгоритм функционирования системы (рис. 4) реализует архитектуру СППР на основе трансформационной модели гибридного интеллекта. Многоуровневая структура позволяет комплексно решать поставленные задачи независимыми средствами. Таким образом, целесообразно рассматривать автономно алгоритмы работы системы на уровнях вычисления и интерпретации

и механизм трансформации системы НС - ЭС.

Несмотря на модульность структуры, можно сформировать единую логику работы всех блоков вычислительного уровня системы.

На основе представленных алгоритмов разработано программное обеспечение основных модулей вычислительного уровня системы на базе вероятностных нейронных сетей средствами пакета прикладных программ Matlab. К преимуществам разработанных модулей можно отнести использование принципов параллельных вычислений, учет модели пользователя, поддержку обучения и дообучения в процессе

функционирования.

Также разработано программное обеспечение основных модулей интерпретационного уровня системы на базе оболочки экспертной системы Exsys Corvid и СУБД MySQL. К преимуществам разработанных модулей можно отнести интегрированность, объедините в единое информационное пространство различных программных средств, поддержку распределенной

работы модулей системы.

Исследование характеристик эффективности информационной поддержки принятия решений при диагностике АГ осуществляется в соответствии с оценочной моделью:

Е = {Т, V, In), (9)

где Е - эффективность; Т - оценка оперативности принятия диагностического решения; V - оценка достоверности результатов диагностики; In - оценка уровня обоснованности рекомендаций системы.

Оценка оперативности для каждого наблюдения осуществляется из расчета затрачиваемого на диагностику времени:

Т = Та+Ть+Тс, (Ю)

где Та - время процедуры обследования; Ть - время на обработку результатов; Тс - время на запись и оформление заключения;

Достоверность результатов диагностики оценивается из отношения

п 1-1 ы

где п _ число наблюдений; к - число классов; R'"'- доля правильно распознанных образов класса у; Р° - коэффициент уверенности для /-го наблюдения. Поскольку ВНС выводит результат в виде вероятностей, коэффициент уверенности удобно принимать равным вероятности определения данного класса, выраженной в абсолютных единицах.

Оценка уровня обоснованности рекомендаций In определялась по результатам юзабилити-тестирования. Суть метода заключается в

предоставлении пользователю возможности в «лабораторных» условиях решить типовую задачу по диагностике АГ по предоставленным симптомам с помощью новой СППР. В процессе выполнения операции пользователь высказывает свои замечания по функционированию и интерпретации выводов системы. Итоговая оценка представляет собой выражение

/» = 1-—-- + <?, (12) п-е п

где е - количество ошибок; и — количество случав, когда пользователь был неудовлетворен ответами системы; п - число наблюдений; д - субъективная рейтинговая оценка по шкале удовлетворенности от 0 (полностью неудовлетворен) до 1 (полностью удовлетворен).

Таблица 3

Результаты оценки эффективности _

^Система Показатель""---__ БК вне га сппр

Оперативность Т, с 192 156 144

Достоверность V 0,860 0,989 0,989

Обоснованность 1п 1,146 1,303 1,639

С целью проверки эффективности информационной поддержки принятия решений на основе предложенной модели (9) был проведен ряд экспериментов, в ходе которого были обследованы 156 пациентов. При этом рассматривались и сравнивались оценочные показатели диагностической системы на основе байесовского классификатора (БК), вероятностной нейросети (ВНС) и гибридной интеллектуальной СППР (табл. 3).

Таким образом, эффективность процесса поддержки принятия диагностических решений подтверждается повышением оперативности принятия диагностического решения на 25%. Совокупный эффект внедрения гибридного интеллекта подтверждается повышением достоверности полученных решений на 15% и вместе с тем повышением уровня обоснованности рекомендаций на 43% по сравнению с байесовским классификатором.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Разработан комплекс функциональных, информационных и динамических моделей процессов принятия решений, позволяющий создать полное описание процесса принятия решений в аспекте структурного и логического взаимодействия элементов разрабатываемой системы.

2. Разработан гибридный интеллектуальный метод поддержки принятия решений, позволяющий повышать уровень оперативности, достоверности и обоснованности рекомендаций системы при классификации состояния сложных объектов управления.

3. Разработана архитектура системы поддержки принятия решений, реализующая трансформационную модель гибридного интеллекта,

позволяющая объединять в единое информационное пространство отдельные модули системы и обеспечивать адаптацию и эволюцию знаний в процессе

функционирования системы.

4. Разработано алгоритмическое и программное обеспечение, позволяющее реализовать предложенный гибридный интеллектуальный метод поддержки принятия решений в соответствии с разработанной архитектурой СППР на примере диагностики артериальной гипертонии.

5. Произведена оценка эффективности процесса поддержки принятия решений при классификации сложных объектов управления, позволяющая установить, что внедрение СППР в диагностический процесс позволяет повысить на 25% уровень оперативности, на 15% уровень достоверности решений и на 43% уровень обоснованности рекомендаций по сравнению с байесовским классификатором на примере диагностики артериальной гипертонии.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

В рецензируемых журналах из списка ВАК

1. Система медицинского мониторинга и коррекции функционального состояния организма человека / C.B. Жернаков, М.А. Шулакова И Вестник УГАТУ. Серия «Управление, вычислительная техника и информатика». 2011.

Т. 15, №2(42). С. 196-203.

2. Нейросетевой модуль системы медицинской диагностики / C.B. Жернаков, М.А. Шулакова // Нейрокомпьютеры: разработка, применение.

2011. № 9. С. 47-53.

3. Система диагностики артериальной гипертонии на основе метода гибридного интеллекта / C.B. Жернаков, М.А. Шулакова // Системный анализ и управление в биомедицинских системах. 2011. Т.10, № 4. С. 910-916

В других изданиях

4. Информаидонно-управляющая система диагностики функционального состояния организма человека / М.А. Шулакова // Микроэлектроника и информатика. 16-я Всероссийская науч.-техн. конф. студентов и аспирантов: сб.

тр. - М.: МИЭТ, 2009.

5. Организация информации в диагностической экспертной системе / C.B. Жернаков, М.А. Шулакова, Д.А. Волков // Медико-экологические информационные технологии: сб. материалов XII Международной науч.-техн. конф. / Курск, гос. техн. ун-т. Курск, 2009. (статья на англ. яз.)

6. АИС поддержки принятия диагностических решений, реализующая системный подход / C.B. Жернаков, Д.А. Волков, М.А. Шулакова // Информационные технологии в профессиональной деятельности и научной работе: сб. материалов Всероссийской науч.-практ. конф. с междунар. уч. -Йошкар-Ола: Марийский гос. техн. ун-т, 2009, ч.1.

7. Моделирование процесса получения данных о пациенте в системах поддержки принятия медицинских решений / С. В. Жернаков, М.А. Шулакова // Физика и радиоэлектроника в медицине и экологии: труды IX Междунар. науч.-

техн. конф. - Владимир, 2010. (статья на англ. яз.)

8. Система поддержки принятия решений для оптимального варианта приема медикаментов при гипертонической болезни / С. В. Жернаков, М.А. Шулакова // Медико-экологические информационные технологии - 2010: сб. материалов ХШ междунар. науч.-техн. конф. / редкол.: H.A. Кореневский и др.; Юго-Зап. гос. университет. Курск, 2010.

9. Модель воздействия препаратов для лечения гипертонии на организм человека / М.А. Шулакова // Материалы ХХП1 Всерос. науч.-техн. конф. студентов, молодых ученых и специалистов "Биотехнические, медицинские и экологические системы и комплексы", Рязань, 2010.

10. Метод построения систем поддержки принятия решения в задачах выбора оптимального варианта приема препаратов при лечении гипертонической болезни / С. В. Жернаков, М.А. Шулакова // Новые информационные технологии в научных исследованиях и в образовании: материалы XV Всерос. науч.-техн. конф. студентов, молодых ученых и специалистов. Рязанский гос. радиотехнический ун-т, 2010.

11. Нейросетевой модуль интеллектуальной системы медицинской диагностики / С. В. Жернаков, М.А. Шулакова // IX Всерос. науч. конф. «Нейрокомпьютеры и их применение». Сб. тр. - М.: МГППУ, 2011.

12. Св-во о гос. регистрации программы для ЭВМ №2011619194 Нейросетевой модуль диагностики артериальной гипертонии / М.А. Шулакова, C.B. Жернаков. - М.: Роспатент, 2011.

13. Св-во о гос. регистрации программы для ЭВМ №2012612148 Система поддержки принятия решений при диагностике артериальной гипертонии / М.А. Шулакова, C.B. Жернаков. — М.: Роспатент, 2012.

Подписано в печать 21.04.12 г. Формат 60x84 1/16. Бумага офсетная. Печать ризографическая. Тираж 100 экз. Заказ 668 Гарнитура «ТітезКеїУЇІотап». Отпечатано в типографии «ПЕЧАТНЫЙ ДОМЪ» ИП ВЕРКО. Объем 1 п.л. Уфа, Карла Маркса 12 корп. 4, т/ф: 27-27-600, 27-29-123

Список принятых сокращений.

ВВЕДЕНИЕ.

Глава 1 Системный анализ сложных объектов управления на примере задач диагностики артериальной гипертонии.

1.1. Проблемный анализ сложных объектов управления.

1.1.1. Особенности сложных объектов управления.

1.2. Системный подход к задаче диагностики артериальной гипертонии.

1.2.1. Определение структуры принятия решений при диагностике артериальной гипертонии.

1.2.2. Схема диагностического обследования пациента.

1.3. Анализ существующих методов и систем поддержки принятия решений в медицине.

1.3.1. Классические методы в системах поддержки принятия решений

1.3.2. Интеллектуальные методы в системах поддержки принятия решений.

1.3.3. Гибридные интеллектуальные методы в системах поддержки принятия решений.

1.4. Разработка схемы проектирования системы поддержки принятия решений при диагностике артериальной гипертонии.

1.5. Результаты и выводы по главе 1.

Глава 2. Системное моделирование процессов принятия решения при классификации сложных объектов на примере диагностики артериальной гипертонии.

2.1. Постановка задачи моделирования.

2.2. Разработка функциональной модели процессов принятия диагностических решений.

2.3. Разработка информационной модели процессов принятия диагностических решений.

2.4. Разработка комплекса динамических моделей процессов принятия диагностических решений.

2.5. Формирование требований к СППР на основе результатов моделирования.

2.6. Результаты и выводы по главе 2.

Глава 3. Разработка метода поддержки принятия решений при классификации сложных объектов управления на примере диагностики артериальной гипертонии.

3.1. Разработка обобщенного алгоритма классификации состояния пациента.

3.1.1. Формирование паттерна данных.

3.1.2. Статистическая обработка и анализ диагностических данных.

3.1.3. Выбор правила классификации: классические методы анализа данных.

3.1.4. Выбор правила классификации: нейросетевые методы анализа данных.

3.1.5. Сравнительный анализ результатов.

3.2. Разработка принципа гибридизации интеллектуальных методов.

3.2.1. Оценка интеллектуальных методов.

3.2.2. Описание функционального разделения методов.

3.3. Разработка архитектуры СППР.

3.3.1. Разработка экспертной системы.

3.4. СППР для диагностики артериальной гипертонии в процессе управления состоянием пациента.

3.5. Результаты и выводы по главе 3.

Глава 4. Разработка алгоритмического и программного обеспечения основных функциональных модулей системы и исследование характеристик эффективности информационной поддержки принятия решений.

4.1. Разработка алгоритма функционирования СППР.

4.2. Реализация модулей вычислительного уровня системы.

4.2.1. Модуль определения степени АГ.

4.2.2. Модуль определения стадии АГ.

4.2.3. Модуль выявления ассоциированных заболеваний.

4.2.4. Модуль оценки риска ССО.

4.3. Реализация модулей интерпретационного уровня системы.

4.3.1. Механизм трансформации гибридного интеллекта СГТПР.

4.3.2. База данных и база знаний.

4.4. Исследование характеристик эффективности процесса поддержки принятия диагностических решений.

4.4.1. Методика работы с программой.

4.5. Результаты и выводы по главе 4.

Актуальность темы

Реальные объекты управления характеризуются сложностью структуры и многомерностью внутренних и внешних связей. К ним можно отнести биомедицинские, технические, экономические и социальные системы. Анализ и синтез систем управления сложными объектами основывается на определения класса объекта управления. Таким образом, классификация сложных объектов управления является актуальной задачей во многих областях исследования.

Одним из примеров классификации сложных объектов управления является медицинская диагностика, где в качестве объекта управления выступает функциональное состояние организма человека.

Информатизация области здравоохранения создает предпосылки для изучения и разработки систем поддержки принятия решений (СППР) в медицинских приложениях. Среди множества медицинских задач, которые могут быть решены средствами информационных систем, можно выделить последовательную триаду «диагностика - прогнозирование - лечение». Очевидно, что ошибки и неточности в диагностике и прогнозировании приводят к неправильному выбору лечения, что в свою очередь может нанести вред пациенту. Следует отметить, что в процессе диагностики врач принимает решение в условиях неопределенности, оперируя значительным количеством данных, опираясь на личный опыт и знания. Поэтому усилия многих специалистов в области информационных технологий направлены на проектирование систем, имитирующих эвристики врача, или попытки алгоритмизировать процесс принятия решения в медицине, основываясь на знаниях экспертов.

Вопросам компьютерной диагностики посвящены работы H.A. Кореневского, Е.С. Подвального, Б.А. Корбинского, О.В. Родионова, E.H. Коровина, В.Н. Фролова, Д. Ферруччи, Э. Коэйра, Е.С. Бернера и др. Между тем в настоящее время остаются актуальными вопросы, связанные с повышением эффективности процесса принятия решений при диагностике артериальной гипертонии. Учитывая специфику отрасли медицинской диагностики, повышение эффективности в информационной поддержке принятия решений заключается в повышении уровня оперативности, достоверности и обоснованности выдаваемых системой рекомендаций. Показатель обоснованности отражает способность системы провести трассировку хода решения от симптома к диагнозу. В медицинских приложениях эта характеристика имеет особое значение, поскольку, когда система не может объяснить ход получения решений, врач не может опираться на этот вывод.

Обобщая вышеизложенное, можно сделать вывод, что тема диссертации, посвященной информационной поддержке принятия решений при диагностике артериальной гипертонии на основе методов гибридного интеллекта, является актуальной.

Цель работы и задачи исследования

Целью исследования является повышение эффективности процесса поддержки принятия решений при классификации состояния сложных объектов на основе методов гибридного интеллекта на примере диагностики артериальной гипертонии.

Реализация поставленной цели требует решения следующих задач исследования:

1. Системный анализ сложных объектов управления и задачи диагностики артериальной гипертонии как проблемы классификации сложных объектов.

2. Разработка комплекса системных и динамических моделей процессов поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

3. Разработка метода поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

4. Разработка алгоритмического и программного обеспечения основных функциональных модулей системы и исследование характеристик эффективности информационной поддержки принятия решений Объектом исследования является процесс поддержки принятия решений классификации сложных объектов на примере диагностики артериальной гипертонии

Предметом исследования являются алгоритмы и методы поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

Методика исследования При решении поставленных задач использовались методы системного анализа, теории принятия решений, методы системного моделирования, теории вероятностей и математической статистики, методы классификации, теории нейронных сетей, экспертных систем, теории гибридных интеллектуальных систем.

На защиту выносятся:

1. Комплекс системных и динамических моделей процессов поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

2. Гибридный интеллектуальный метод поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.

3. Архитектура системы поддержки принятия решений, реализующая предложенную трансформационную модель гибридного интеллекта.

4. Алгоритмическое и программное обеспечение, реализующее предложенный гибридный интеллектуальный метод поддержки принятия решений.

5. Результаты исследования характеристик эффективности информационной поддержки принятия решений при внедрении разработанной СППР в диагностический процесс.

Научная новизна работы содержится в следующих результатах диссертационного исследования:

1. Комплекс функциональных, информационных и динамических моделей процессов принятия решений, отличающихся применением вероятностных оценок классификации состояния сложных объектов управления, что позволяет создать полное описание процесса принятия решений в аспекте структурного и логического взаимодействия элементов разрабатываемой системы.

2. Гибридный интеллектуальный метод поддержки принятия решений, отличающийся структурно-функциональным разделением процесса поддержки принятия решений на уровни вычислений и интерпретации на различных этапах функционирования разрабатываемой системы, что позволяет повышать уровень оперативности, достоверности и обоснованности рекомендаций системы при классификации состояния сложных объектов управления.

3. Архитектура системы поддержки принятия решений, реализующая трансформационную модель гибридного интеллекта, отличающаяся применением двухуровневого алгоритма поддержки принятия решений, позволяющего объединить в единое информационное пространство отдельные модули системы, обеспечить адаптацию и эволюцию знаний в процессе функционирования системы.

Практическую ценность имеют следующие полученные результаты:

• Разработанный метод поддержки принятия решений на основе классификации состояния сложного объекта управления и синтеза гибридного интеллекта позволяет на 15% повысить достоверность решений и на 43% уровень обоснованности рекомендаций при внедрении в процесс диагностики артериальной гипертонии за счет применения вероятностных нейросетевых моделей классификации состояния пациента и продукционных правил экспертной системы.

• Разработанное алгоритмическое и программное обеспечение функциональных модулей СППР на основе предложенного гибридного интеллектуального метода поддержки принятия решений характеризуется использованием принципов параллельных вычислений, учетом модели пользователя, поддержкой обучения и дообучения в процессе функционирования, интегрированностью, объединением в единое информационное пространство различных программных средств, поддержкой распределенной работы модулей системы, что позволяет повысить на 25% оперативность принятия решений.

Внедрение результатов работы в виде математического, алгоритмического и программного обеспечения поддержки принятия решений при диагностике артериальной гипертонии осуществлено в медицинских учреждениях г. Уфы (Республиканский кардиологический диспансер). Наибольшую практическую ценность полученные результаты исследования имеют при внедрении в диагностический процесс сельских лечебно-профилактических учреждений, где наблюдается нехватка квалифицированных и узкоспециализированных кадров.

Также основные результаты диссертационного исследования внедрены учебный процесс Уфимского государственного авиационного технического университета при чтении лекционного курса и проведении лабораторных занятий по дисциплине «Методы обработки биомедицинских сигналов и данных».

Апробация работы

Основные положения представлены в 13 публикациях, в том числе в 3 статьях, опубликованных в рецензируемых журналах из списка ВАК, и 2 свидетельствах о регистрации программ для ЭВМ. Результаты докладывались на следующих конференциях:

• 16-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика», г. Москва, 2009 г.

• XII и XIII Международные научно-технические конференции «Медико-экологические информационные технологии», г. Курск, 2009, 2010 г.

• Всероссийская научно-практическая конференция с международным участием «Информационные технологии в профессиональной деятельности и научной работе», г. Йошкар-Ола, 2009 г.

• IX Международная научно-техническая конференция «Физика и радиоэлектроника в медицине и экологии - ФРЭМЭ», г. Владимир, 2010 г.

• XXIII Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы (Биомедсистемы)», г. Рязань, 2010 г.

• XV Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании (НИТ)», г. Рязань, 2010 г.

• IX Всероссийская научная конференция «Нейрокомпьютеры и их применение», г. Москва, 2011 г.

Соответствие специальности

Работа соответствует паспорту специальности 05.13.01 «Системный анализ, управление и обработка информации», поскольку результаты представляют собой научно обоснованные метод и алгоритмы решения задач повышения эффективности процессов поддержки принятия решений, относящихся к области обработки медицинской информации. При этом работа соответствует следующим пунктам раздела «Области исследований» паспорта данной специальности: п. 5. «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации», поскольку результаты исследования реализованы в виде зарегистрированного программного обеспечения. п. 10. «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах», поскольку проблема диагностики артериальной гипертонии решается интеллектуальными методами принятия решений и обработки информации. В работе предложены новые модели, методы и алгоритмы поддержки принятия диагностических решений и классификации состояния пациента.

Структура и объем работы

Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа содержит 129 с. машинописного текста, включая 42 рисунка, 19 таблиц и список литературы из 116 наименований.

ЗАКЛЮЧЕНИЕ Основные результаты и выводы

1. Разработан комплекс функциональных, информационных и динамических моделей процессов принятия решений, позволяющий создать полное описание процесса принятия решений в аспекте структурного и логического взаимодействия элементов разрабатываемой системы.

2. Разработан гибридный интеллектуальный метод поддержки принятия решений, позволяющий повышать уровень оперативности, достоверности и обоснованности рекомендаций системы при классификации состояния сложных объектов управления.

3. Разработана архитектура системы поддержки принятия решений, реализующая трансформационную модель гибридного интеллекта, позволяющая объединять в единое информационное пространство отдельные модули системы и обеспечивать адаптацию и эволюцию знаний в процессе функционирования системы.

4. Разработано алгоритмическое и программное обеспечение, позволяющее реализовать предложенный гибридный интеллектуальный метод поддержки принятия решений в соответствии с разработанной архитектурой СППР на примере диагностики артериальной гипертонии.

5. Произведена оценка эффективности процесса поддержки принятия решений при классификации сложных объектов управления, позволяющая установить, что внедрение СППР в диагностический процесс позволяет повысить на 25% уровень оперативности, на 15% уровень достоверности решений и на 43% уровень обоснованности рекомендаций по сравнению с байесовским классификатором на примере диагностики артериальной гипертонии.

1. Анфилатов B.C., Емельянов A.A. Системный анализ в управлении: Учеб. пособие. М.: Финансы и статистика, 2005. 368 с.

2. Аркадьев А.Г. Браверманн Э.М. Обучение машины классификации объектов. М.: Наука, 1971. 192 с.

3. Базы данных: Учебник для высших учебных заведений / Под ред. проф.

4. A.Д. Хомоненко. СПб.: КОРОНА принт, 2000. - 416 с.

5. Белышкин А. Особенности субъективных представлений о работе с компьютером у разных категорий пользователей Электронный ресурс. 2011. URL: http://www.usability.ru/Articles/osobennosti.htm (дата обращения 6.07.2011)

6. Биологические, биотехнические и медицинские системы (моделирование и управление) / Е.Э. Есауленко, E.H. Коровин, О.В. Родионов, Е.Д. Федорков,

7. B.Н. Фролов, М.В. Фролов / Монография. Воронеж: ВГТУ, 2009. 274 с.

8. Бланк И. А. Принятие решений в условиях неопределенности. Электронный ресурс. 2010. URL: http://www.elitarium.ru (дата обращения 9.08.2011)

9. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов, Издательство «Наука», Главная редакция физико-математической литературы, М., 1974, 416 с.

10. Вентцель Е.С. Исследование операций. Задачи, принципы, методология. Учеб. пособие для студ. вузов. 2-е изд. - М. Высшая школа, 2001. - 208 с.

11. Вероятностная нейронная сеть. StatSoft. Электронный учебник. Электронный ресурс. 2011. URL: http://www.statsoft.ru (дата обращения 8.04.2011)

12. Вилкас Э.Й. Оптимальность в играх и решениях. М.: Наука, 1990. 256 с.

13. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000. - 384 с.

14. Гайдышев И. Анализ и обработка данных СПб: Питер, 2001. - 752 с.

15. Гитун Т. В. Диагностический справочник кардиолога / Т.В. Гитун. М.: ACT, 2007. - 509 с.

16. Глотова JI. А., Коровин E.H., Попова О.Б., Применение систем принятия решений при выборе стратегии лечебных мероприятий// Труды всероссийской конференции «Интеллектуальные информационные системы». 4.1. Воронеж, ВГТУ, 2000 г., с 108.

17. Горелик A.JL, Скрипкин В.А. Методы распознавания. Учебное пособие для вузов. М.: Высшая школа, 1977 г. 222 с.

18. ГОСТ 34.003-90 ИТ. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Термины и определения

19. ГОСТ Р 50779.10-2000 Статистические методы. Вероятность и основы статистики. Термины и определения.

20. Гридин В. Н., Тарасова О.Б. Построение интеллектуальных диагностических систем в медицинских приложениях // Информационные технологии №7, 2003 г. с. 54 58.

21. Гуревич М. А. Артериальная гипертония у пожилых: Руководство для врачей. изд. 2-е, переработанное и доп. - М.: МОНИКИ, 2004. - 142 с.

22. Гусев В.Г. Получение информации о параметрах и характеристиках организма и физические методы воздействия на него: Учебное пособие / В.Г. Гусев. М.: Машиностроение, 2004. - 597 с.

23. Зозуля Ю.И. Интеллектуальные нейросистемы. Кн. 12. М.: Радиотехника, 2003. - 144 с.

24. Золотых Н.Ю. Машинное обучение. Курс лекций. Электронный ресурс. 2011. URL: http://www.uic.unn.ru/~zny/ml/Lectures/mlpres.pdf (дата обращения 10.04.11)

25. Информационно-управляющая система диагностики функциональногосостояния организма человека / М.А. Шулакова // Микроэлектроника и информатика. 16-я Всероссийская межвуз. науч.-техн. конф. студентов и аспирантов: Тезисы докладов. -М.: МИЭТ, 2009. с. 228.

26. Клекка У. Р. Дискриминантный анализ // Факторный, дискриминантный и кластерный анализ / Под ред. Дж. О. Ким. М.: Финансы и статистика, 1989. -215 с.

27. Кобринский Б.А. Ретроспективный анализ медицинских экспертных систем // Новости искусственного интеллекта. 2005. - N 2. - С. 6-17.

28. Кобринский Б.А., Кудрявцев A.M., Фельдман А.Е. РС-ориентированная информационно-диагностическая система по наследственной патологии у детей//Компьютер, хроника. 1994. .№8-9. С.31-37.

29. Колесников А. В., Кириков И. А. Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем. М.: ИЛИ РАН, 2007. - 387 с.

30. Колесников A.B. Гибридные интеллектуальные системы. Теория и технология разработки. СПб: Изд-во СПбГТУ, 2001. 711 с.

31. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: Учеб. пособие для вузов. 2-е изд. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2004 - 400 с.

32. Комплекс проблемно-ориентированных программ для профилактической кардиологии / Эрштейн Р.Х., Карашевская Е.К. // Каталог программных средств для решения медицинских задач MEDSOFT, Рига, 1990, с. 12-13

33. Кореневский H.A., Титов B.C., Чернецкая И.Е. Проектирование систем поддержки принятия решений для медико-экологических приложений. -Курск, 2004.

34. Коровин E.H., Образцов И.Д., Родионов О.В. Анализ образовательной системы на основе дискриминантного анализа// Труды всероссийской конференции «Интеллектуализация управления в социальных и экономических системах». Воронеж, ВГТУ, 2001 г., с. 226-227.

35. Коровин E.H., Родионов О.В. Методы обработки биомедицинских данных: Учеб. пособие. Воронеж; ВГТУ, 2007. 152 с.

36. Ларичев О.И. Теория и методы принятия решений: Учебник. М.: Логос, 2000. - 296 с.

37. Малая медицинская энциклопедия. — М.: Медицинская энциклопедия. 1996 г.

38. Математические методы моделирования и прогнозирования социальных систем и процессов: учебное пособие / Л.М. Бакусов, В.А. Дуленко, Ю.С. Кабальное и др. / под ред. Бакусова Л.М. Уфа: ОН и РИО УЮИ МВД РФ, 2004.-230 с.

39. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н. В.Г. Потемкина. М.:Диалог-МИФИ, 2002. - 496 с.

40. Медицинская информационная система "Интер-Мед" Электронный ресурс. 2011. URL: http://interface-kzn.ru/content.php?page=prod&f=ico2l (дата обращения 13.10.11)

41. Мушик Э., Мюллер П. Методы принятия технических решений: Пер. с нем. М. Мир, 1990. - 208 с.

42. Нариньяни A.C. НЕ-факторы и инженерия знаний: от наивной формализации к естественной прагматике // Труды IV Национальной конференции «Искусственный Интеллект-94», Рыбинск, 1994. Т. 1, с. 9-18.

43. Нейросетевой модуль интеллектуальной системы медицинской диагностики / С. В. Жернаков, М.А. Шулакова // IX Всероссийская научная конференция «Нейрокомпьютеры и их применение». Тезисы докладов. М.: МГППУ, 2011, с. 48

44. Оганов Р. Г. Национальные рекомендации по профилактике, диагностике и лечению артериальной гипертонии Электронный ресурс. / под ред. Р.Г. Оганова [и др.]. 2004. URL: http://www.cardiosite.ru (дата обращения 18.05.2011)

45. Олдендерфер М.С., Блэшфилд P.K. Кластерный анализ // Факторный, дискриминантный и кластерный анализ / Под ред. Дж. О. Ким. -М.: Финансы и статистика, 1989. 215 с.

46. Орлов А.И. Теория принятия решений. Учебное пособие. М.: Издательство «Март», 2004. 656 с.

47. Орлов А.И. Экспертные оценки. Журнал «Заводская лаборатория». 1996. Т.62. No.l. С.54-60.

48. Орлов А.И. Экспертные оценки. Учебное пособие. М.: ИВСТЭ, 2002 Электронный ресурс.

49. Особенности построения гибридных интеллектуальных систем обработки информации. Комарцова Л.Г., Кадников Д.С., Ковалев И.В. // Информационные технологии, №5, 2010. С. 2-11.

50. Подвальный Е.С. Модели индивидуального прогнозирования и классификации состояний в системах компьютерного мониторинга: Монография. Воронеж: ВГТУ, 1998. 127 с.

51. Подольная М.А., Таперов Л.Н. Особенности проектирования медицинских диагностических систем // Программные продукты и системы, №3,2002 г. с. 10-11.

52. Поповьян Р. Влияние размера выборки на качество клинических исследований. Электронный ресурс. 2008. URL: http://www.statsoft.ru (дата обращения 27.09.2011)

53. Покровский Н. Usability-методы исследования Web-сайта. Электронный ресурс. 2011. URL: http://www.usability.ru/articles/Articles/um.htm (дата обращения 6.07.2011)

54. Портал по машинному обучению Электронный ресурс. 2011. URL: http://www.machinelearning.ru (дата обращения 05.10.11)

55. Рангайян P. M. Анализ биомедицинских сигналов. Практический подход / Р. М. Рангайян ; пер. с англ. А. Н. Калиниченко, под ред. А. П. Немирко .- М.: ФИЗМАТЛИТ, 2010 .- 439 с.

56. Растригин J1.A. Современные принципы управления сложными объектами. М.: Св. радио, 1980. - 232 с.

57. Реброва О.Ю. Статистический анализ медицинских данных. М.: Медиасфера, 2002 г. 312 с.

58. Родионов О.В. Медицинские информационные системы: учеб. пособие / О.В. Родионов, А.И. Воронин, E.H. Коровин / Воронеж: Воронеж, гос. техн. ун-т, 2003.

59. Романов В.Н. Нечеткие системы. СПб: «Издательство «JIEMA» - 2009. -183 с.

60. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгиритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. М.: Горячая линия - Телеком, 2007. - 452 с.

61. Рыбина Г.В., Душкин Р.В. НЕ-факторы: лингвистические аспекты извлечения // Труды Международного семинара «Диалог-2002» по компьютерной лингвистике и её приложениям / Под ред. А. С. Нариньяни. т. 2. М.: НАУКА, 2002. с. 484-488.

62. Саати Т.Д. Принятие решений при зависимостях и обратных связях: Аналитические сети. Пер. с англ. / Науч. Ред. A.B. Адрейчивок, О.Н. Андрейчикова. Изд. 2-е. М.: Книжный дом «Либроком», 2009. - 360 с.

63. Сайт Российского медицинского общества по артериальной гипертонии Электронный ресурс. 2011. URL: http://www.gipertonik.ru (дата обращения 11.04.2011)

64. Сараев А. Д., Щербина О. А. Системный анализ и современные информационные технологии // Труды Крымской Академии наук. -Симферополь: СОНАТ, 2006. С. 47-59.

65. Св-во об офиц. per. программы для ЭВМ №2011619194 Нейросетевой модуль диагностики артериальной гипертонии / М.А. Шулакова, C.B.

66. Жернаков. M.: Роспатент, 2011.

67. Св-во об офиц. регистрации программы для ЭВМ №2012612148 Система поддержки принятия решений при диагностике артериальной гипертонии / М.А. Шулакова, C.B. Жернаков. М.: Роспатент, 2012.

68. Симанков B.C., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. / Техн. ун-т Кубан. гос. технол. ун-та. Краснодар, 1999. - 318 с.

69. Синтез нечетких сетевых моделей, обучаемых по структуре данных для медицинских экспертных систем. / H.A. Кореневский, P.A. Крупчатников, С.А. Горбатенко // Медицинская техника, №2, 2008. С. 18 24.

70. Системы искусственного интеллекта и принятия решений: Учеб. пособие / Т.М. Леденева, С.Л. Подвальный, В.И. Васильев; Уфимск. гос. авиац. техн. ун-т, Воронеж, гос. тех. ун-т. Уфа: УГАТУ, 2004. - 206 с.

71. Статистическая обработка и анализ экономических данных / А. В. Каплан и др. Ростов н/Д : Феникс, 2007. - 330 с.

72. Степанова В.П. Статистика: учебный курс. Электронный ресурс. 2008. URL: http://www.e-college.ru (дата обращения 14.06.2011)

73. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ.- М.: Финансы и статистика, 1990

74. Теория выбора и принятия решений: Учеб. пособие. / И.М. Макаров, Т.М. Виноградская, A.A. Рубчинский, В.Б. Соколов / М.: Наука. Главная редакция физико-матем. лит-ры, 1982 г.

75. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP / A.A. Барсегян, M.C. Куприянов, B.B. Степаненко, И.И. Холод. 2-е изд. - СПб.: БХВ-Петербург, 2008. - 348 с.

76. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. -109 с.

77. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. Электронное издание, 2002 г.

78. Хайкин, С. Нейронные сети: полный курс. 2-е издание. Пер. с англ. -М.: Издательский дом «Вильяме». 2006. - 1104 с.

79. Чашкин Ю.Р. Математическая статистика и обработка данных, 2010 г.

80. Черняховская Л.Р., Низамутдинов М.М. Анализ процессов управления в критических ситуациях на основе классификации с использованием нейронных сетей//Нейрокомпыотеры: разработка и применение. №4-5, 2001. с.73-76.

81. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений // Открытые системы. 1998. -№1. - С. 30-35.

82. Штейнберг В.Э. Основы технического творчества.-Уфа:УАИ, 1987. 63 с.

83. Шулакова М.А., Жернаков С.В. Нейросетевой модуль системы медицинской диагностики // Нейрокомпьютеры: разработка, применение. 2011. №9. С. 47-53.

84. Шулакова М.А., Жернаков С.В. Система диагностики артериальной гипертонии на основе метода гибридного интеллекта // Системный анализ и управление в биомедицинских системах. Том 10, №4, 2011. С. 910 915.

85. Шулакова М.А., Жернаков С.В. Система медицинского мониторинга и коррекции функционального состояния организма человека // Вестник УГАТУ. Серия «Управление, вычислительная техника и информатика». 2011. Т. 15, №2(42). С. 196-203.

86. Электронный учебник StatSoft Электронный ресурс. 2011. URL: http://www.statsoft.ru (дата обращения 1.04.2011)

87. Элементарный курс теории принятия решений / Под ред. С.К. Думина, JI.3. Яшина. М.: Вычислительный центр РАН. 2000. 95 с.

88. Юдин Д.Б. Вычислительные методы теории принятия решений. 2-е изд. - М.: КРАСАНД, 2010. - 320 с.

89. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособоие. М.: Финансы и статистика, 2004. - 320 с.

90. Berner Е. S. Clinical Decision Support Systems. New York, NY: Springer, 2007.

91. Berner E. S., Webster G. D., Shugerman A. A. Performance of four computer-based diagnostic systems. N Engl J Med. 1994.

92. Bhatia S. Clinical Decision Support System. Book Club Электронный ресурс. 2008. URL: http://scribd.com (дата обращения 10.10.11)

93. Buchanan B.G.; Shortliffe E.H. Rule Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Reading, MA: Addison-Wesley.

94. Bullet Proof Expert System Electronic resource. 2009. URL: http://www.bulletproofpt.com/?pageid=14 (дата обращения 15.12.2010)

95. Coiera E. Guide to Health Informatics. 2-nd edition Electronic resource. 2003. ULR: http://bioinf.dms.med.uniromal.it/Didattica/Letture/aimd.htm, (дата обращения 25.08.2011).

96. Diagnosis Pro. Free Online Differential Diagnosis Tool Electronic resource. 2010. URL: http://en.diagnosispro.com (дата обращения 15.12.2010)

97. Diagnoz-it Electronic resource. 2009. URL: http://www.diagnozit.com (дата обращения 15.12.2010)

98. Friedman С. P., Elstein A. S., Wolf F. M., et al. Enhancement of clinicians' diagnostic reasoning by computer-based consultation: a multisite study of 2 systems. JAMA. 1999.

99. Garg A. X., Adhikari N.K.J., McDonald H., et al. Effects of computerized clinical decision support systems on practitioner performance and patient outcomes. JAMA. 2005.

100. Graber M.L., Franklin N., Gordon R. Diagnostic error in internal medicine. Arch Int Med. 2005.

101. Graber M.L. Diagnostic error in medicine—a case of neglect. Joint Comm J Saf Qual Improv. 2004. p. 112-119.

102. Kantor G. Guest software review: Isabel diagnosis software. 2006.

103. Kassirer J.P. A report card on computer-assisted diagnosis—the grade: C. N Engl J Med. 1994.

104. Lincoln M.J., Turner C.W., Haug P.J., et al. Iliad's role in the generalization of learning across a medical domain. Proc. Ann. Symp. Comput. Appl. Med. Care. 1992. p.174- 178.

105. London S. DXplain: a Web-based diagnostic decision support system for medical students. Med Ref Serv Q. 1998 Summer; 17(2): 17-28

106. Medsker L. Hybrid Intelligent Systems. Kluver Academic Publishers, 1998

107. Mitchell T. Machine learning. McGrawHill, 1997.

108. Ramnarayan P., Roberts G. C., Coren M., et al. Assessment of the potential impact of a reminder system on the reduction of diagnostic errors: a quasi-experimental study. BMC Med Inform Decis Мак. 2006.

109. Ramnarayan P., Tomlinson A., Rao A., Coren M., Winrow A., Britto J. ISABEL: a web-based differential diagnosis aid for pediatrics: results from an initial performance evaluation. Arch. Dis. Child. 2003; 408-413.

110. Tang H., Ng J.H.K. Googling for a diagnosis—use of Google as a diagnostic aid: internet based study. Br. Med. J. 2006.

111. Valerie J. Easton, John H. McColl. Statistics Glossary: Hypothesis Testing.

112. VisualDX. Visual Diagnostic Decision Support System Electronic resource. 2010. URL: http://www.visualdx.com/visualdxEnterprise/index.jsf (дата обращения 15.12.2010)