автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Информационная технология поддержки принятия решений в медицинской диагностике на основе динамической модели экспертных знаний

На правах рукописи

Колесников Андрей Александрович с (>/<

Информационная технология поддержки принятия решений в медицинской диагностике на основе динамической модели

экспертных знаний

Специальность 05.13.06 -Автоматизированные системы управления

Автореферат диссертации на соискание ученой степени кандидата технических наук

Уфа 2000

Работа выполнена на кафедре автоматизированных систем управления Уфимского государственного авиационного технического университета.

Научный руководитель — кандидат технических наук,

доцент Парфенова М.Я.

Официальные оппоненты — доктор физ.-мат. наук,

профессор Житников В.П., канд. физ.-мат. наук, доцент Курмангалеева A.M.

Ведущая организация — Научно - исследовательский институт безопасности жизнедеятельности Республики Башкортостан.

Защита диссертации состоится « 5 »июля 2000 г. в_часов

на заседании диссертационного совета К-063.17.03 в Уфимском государственном авиационном техническом университете по адресу. 450000, Уфа-центр, ул. Карла Маркса, 12.

С диссертацией можно ознакомиться в библиотеке Уфимского государственного авиационного технического университета.

Автореферат разослан « В » ию^Я 2000 г.

Учёный секретарь диссертационного совета доктор технических наук, профессор

Ефанов В.Н.

р^то

Общая характеристика рзботы

Актуальность темы. Исследования и разработки в области медицинской кибернетики последних 10-15 лет содержат большое число публикаций материалов, относящихся к созданию систем медицинской диагностики. При этом основной упор делается на точность принимаемых решений и снижение трудоемкости обработки результатов измерений. Работа специалистов в этих областях основана на ряде эмпирически построенных методик. В настоящее время в области медицинской диагностики накоплен болшгой объем экспертных знаний о функциональной взаимосвязи подсистем организма человека. Кроме определения точного узкопрофильного диагноза по заболеванию пациента, важной задачей медицинской диагностики является своевременное выявление патологии или наличие отклонений от нормы у обследуемого человека, которые не могут быть классифицированы по стандартному перечню заболеваний. Существующие методы представления организма человека как целостной системы с точки зрения медицинского подхода могут основываться на акупунктурной диагностике. Этот метод диагностики получает все более широкое распространение не только в медицине, но и в других областях, где требуегся оперативное выя&пение динамики состояния человека. Такой подход позволяет на основе обобщения экспертных знаний, представить наиболее целостную картину функционального состояния, },честь динамику внутренних процессов и влияние внешней среды на организм человека. Но эффективность данного подхода снижается из-за большого количества вычислительных операций. В большинстве случаев специалист не может вручную обработать большой объем данных и ранжировать полученные результаты. Существующие автоматизированные системы медицинской акупунктурной диагностики используют адаптированные информационные технологии, предназначенные для формализации экспертных знаний в других предметных областях, и недостаточно полно учитывают особенности акупунктурной диапюсшки. В результате существует несоответствие между лингвистическим описанием экспертной информации и ее семантическим представлением в информационных технологиях. Автоматизированные системы медицинской диагностики, применяемые в настоящее время в области акупунктуры, формализуют экспертные знания о функциональных взаимосвязях подсистем. Экспертные знания о динамических свойствах функциональных подсистем организма человека, имеющих многовариантные внутренние связи и связи с окружающей средой, не формализованы, что в ряде случаев не позволяет сформировать решения в автоматическом режиме. В существующих информационных технологиях специалист выполняет большой объем работ по коррекции промежуточных результатов из-за

недостаточно полной формализации экспертных знаний. При этом существующие информационные технологии не предоставляют возможности верификация экспертной модели знаний.

Для разработки информационной технологии, формализующей экспертные знания в области акупунктурной диагностики, наиболее эффективным является метод динамического моделирования с использованием индивидуальной настройки модели для каждого человека с учетом реальных значений диагностических параметров. Для форматизации обобщенных экспертных знаний, о свойствах функциональных подсистем организма человека необходимо разработать структурные элементы динамической модели.

Таким образом, актуальной задачей является разработка информационной технологии поддержки принятия решений в медицинской диагностике на основе единой динамической модели с использованием алгоритмов интерактивной параметрической идентификации динамической модели.

Тема диссертационной работы связана с выполнением НИР МЙФ-АС-14-96-ХГ, №ИФ-АС-02-98-ХГ, проводимых в Уфимском государственном авиационном техническом университете.

Автор выражает признательность доценту кафедры АСУ Уфимского государственного авиационного технического университета Л.М.Бакуеову за оказанное содействие ь работе над диссертацией.

Цель работы. Разработка способов формализации экспертных знаний, алгоритмов и программ информационной технологии поддержки принятия решений в медицинской диагностике.

Для достижения поставленной цели решались следующие задачи:

]. Разработка информационной технологии на основе единой информационной модели с »-четом особенностей формализации экспертных знаний в медицинской диагностике.

2. Создание динамической модели, формализующей экспертные знания в форме представления функциональной сети.

3. Разработка структурной схемы динамической модели, отображающей иерархически вложенные экспертные понятия и их взаимосвязи.

4. Разработка структуры типового элемента динамической модели для представления экспертных знаний об информационных потоках в биотехнической системе.

5. Разработка способов настройки динамической модели и методов генерации решений с использованием динамической модели.

6. Оценка эффективности и адекватности разработанной информационной технологии на основе имитационного моделирования.

Методы исследования. В работе использовались методы имитационного -моделирования динамических систем, функционального анализа, теория дифференциальных уравнений и разностных методов их решения, теория самоорганизации неравновесных систем, а также теория вычислений.

Научная новизна. Разработанная информационная технология отличается от существующих использованием единой динамической модели в форме кластерной функциональной сети и алгоритмов индивидуальной настройки для каждой диагностируемой биотехнической системы. Новизна данной модели обусловлена тем, что функциональная сеть впервые представлена как обобщенная нейронная сеть с использованием непрерывнозначной логики.

Для отображения информационных потоков биотехнической системы, характеризующих динамику функционирования системы высокого порядка, впервые построена модель на основе формализации обобщенных экспертных понятий.

Впервые для моделирования информационных потоков в биотехнических сис-

темах предложено использовать разработанный типовой элемент, защищенный авторскими свидетельствами.

Разработан алгоритм интерактивной параметрической идентификации динамической модели, сочетающий функциональные свойства классических оптимизационных методов и методов генетического программирования, отличающийся от существующих тем, что .обеспечивается адаптивный процесс настройки модели.

Практическая значимость. Предложена информационная технология, которая обеспечивает повышение уровня автоматизации обработки данных в медицинской диагностике на основе реализации разработанных алгоритмов и моделей, что позволяет уменьшить время принятия решений в 2-3 раза. Настраиваемая динамическая модель позволяет произвести верификацию модели знаний и тем самым повысить адекватность автоматически генерируемых решений о диагнозе до 75-85%.

Количество нераспознаваемых ситуаций (или неправильно распознанных ситуаций) в автоматическом режиме по сравнению с существующими автоматизированными системами уменьшается в 2-5 раз.

Разработанные алгоритмы и программные модули могут использоваться для мониторинга состояния человека-оператора, работающего в критических условиях-

Формализованная модель обобщенных знаний может использоваться для обучения специалистов.

На защиту выносятся:

1. Метод формализации экспертных знаний на основе динамического моделирования с использованием непрерывных потоков, являющийся основой разработанной информационной технологии.

2. Структура представления экспертной модели знаний в виде кластерной функциональной сети, являющейся развитием нейронных сетей.

3. Алгоритм интерактивной параметрической идентификации динамической модели, сочетающий функциональные свойства классических оптимизационных методов и методов генетического программирования.

4. Структурная схема типового элемента динамической модели, отображающего экспертные знания об информационных потоках в биотехнической системе, защищенная авторскими свидетельствами.

Апробация работы. Основные результаты диссертационной работы докладывались автором на: Ш Всероссийском семинаре "Нейроинформатика и ее приложения", г. Красноярск, 1995; Международной конференции "САПР - 95", г. Ялта - Гурзуф, 1995; XI Международной конференции "Проблемы нейроки-бернетики", г. Ростов-на-Дону, 1995.

По материалам исследования опубликовано 22 работы, в том числе 14 авторских свидетельств и патентов.

Содержание работы

Во введении обосновывается актуальность темы, формируются цели, научная новизна, практическая ценность результатов исследования и положения, выносимые на защиту.

Первая глава посвящена анализу проблем информационных технологий представления экспертных данных и систем поддержки принятия решений в системах медицинской диагностики. Приводится сравнительный анализ экспертных систем, систем нечеткой логики, методов эволюционного программирования и нейронных сетей с точки зрения способов представления экспертной информации, способов ее получения и поддержки принятия решений. Оценивается возможность представления экспертных данных в медицине и конкретно в акупунктуре о функционировании организма человека с помощью существующих интеллектуальных систем. Анализируется использование нейронных сетей в автоматизированных системах медицинской диагностики. Рассматривается использование имитационного моделирования в качестве вспомогательной информационной технологии. Подчеркнуто, что недостатки существующих автоматизированных систем акупунктур-ной диагностики обусловлены тем, что они учитывают логические взаимосвязи между функциональными системами организма, но не воспроизводят динамические свойства этих взаимосвязей.

Bn nTonrití главе определены основные гтитшипы прелстяпления экспертной информации на основе адаптивного динамического моделирования. Формализация экспертных знаний в акупунктуре основана на представлении организма человека в виде модели, которая одновременно является и схемой причинно-следственных связей и временных зависимостей. Структура модели экспертных знаний изложена в монографиях и медицинских справочниках, обобщающих знания специалистов в прикладной области. Модель воспроизводится в виде сети, узлы которой агрегати-рованы в подсистемы (кластеры), имеющие структуру, интуитивно понятную эксперту. Вся сеть строится как рекурсивная система го типовых элементов (кластеров) и дополнительных элементов. Предлагаемая информационная технология оперирует с двумя классами экспертной информации: экспертной моделью представления знаний и экспертными оценками симптомов патологических состояний.

Известны системы, использующие сеть для представления экспертных данных. Связи в этих сетях выражают причинно-следственные зависимости и не несут информации о динамических свойствах объекта. Нейронные сети используют структуризацию в форме многослойного перцептрона. Информационные технологии, основанные на многослойном перцептроне, используют принципы самообучения и не предусматривают возможности непосредственной формализации структуры экспертной модели знаний С помощью динамического моделирования создается единая структурная схема, в которой интегрируются функциональные свойства всех элементов динамической модели. В данной работе использована методика динамического моделирования на основе непрерывных потоков. Основные особенности данного способа построения моделей определяются способом неявного определения разностных схем, что обеспечивает: возможность построения многомерных моделей с высокой размерностью; возможность построения моделей высокого порядка; допустимо неявное определение функций элементов модели (данное свойство важно, так как эксперт не может сформулировать профессиональные знания в форме передаточных функций); возможность работы с неустойчивой моделью при условии ее нелинейности.

Представление об акупунктуре в современной медицине основано на нервно-рефлекторных механизмах, сами биологические нейроны рассматриваются как дискретные элементы. Но исследования последних лег показали, что, во-первых, акупунктура не сводится только к нервно-рефлекторным механизмам воздействия, во-вторых, биологические нейроны выполняют частотную и фазовую демодуляцию входных сигналов как аналоговые устройства. Экспертные знания в акупунктуре сформулированы в терминах непрерывных потоков.

В соответствии со значениями переменных модели вычисляются величины непрерывных потоков О для момента времени ^ Затем вычисляются значения переменных для момента времени ^ в соответствии с переменными модели для момента времени ... и значениями скорости непрерывных потоков Таким образом, динамическая модель является неявно заданной функцией, формализующей экспертную модель знаний. "Обучение нейронной сети" заменяется на процедуру параметрической идентификации динамической модели.

Структурная схема кластера, которая обладает динамическими свойствами, адекватными интуитивным представлениям эксперта, соответствует универсальной модели представления экспертных знаний, лежащей в основе акупунктуры, и в предметной области обозначается Ьу-син. Численное моделирование, проведенное в рамках данной работы, показало, что нелинейная динамическая модель, реализованная в соответствии с этой структурной схемой, способна генерировать процесс негармонических колебаний. Период колебаний зависит от параметров звеньев и сохраняет постоянное значение, не зависящее от амплитуды сигнала. В зависимости от изменения параметров звеньев изменяется основная частота Оо и осреднен-ные значения сигналов. В наборе частот присутствуют гармоники с частотами, равными (»о*6,0)0*9, Юо*12, Шо*18. Эти гармоники используются в экспертной модели знаний. Частота ©а*!2 является синхронизируемой частотой набора кластеров в динамической модели.

Таким образом, динамическая модель, построенная в соответствии со структурной схемой кластера, способна воспроизводить периодические процессы, и возможна настройка модели в соответствии с характеристиками процесса.

Общая структурная схема сети функциональных связей динамической модели строится рекурсивно (рис. 1). Ряд вариантов реализации типового узла динамической модели предложен в работах автора [1-4].

Адекватность модели можно выявить на основании оценки ее соответствия поставленной задаче. Результаты измерений являются функцией У(0, представленной дискретными отсчетами. Х;(0 - функция выходных значений модели для ¡го шага идентификации модели. Вычислим квадратичную норму функции невязки

усо-Х^ц. со

Критерием адекватности модели является асимптотическое уменьшение нормы Бй при количестве шагов итерации алгоритма параметрической идентификации, стремящемся к бесконечности

1лтМ = 0. (2)

Ь-«о

I Кластер

I " Г"

I !±,11гтш*Гг'-----

' / \ | Ядро кластера

Иг—Г711М1 '

Л

\, Lу-син

1 X г> \

Г-,/ ! ---1 ! / \ х

^-чТ/Ш ! т V V/

V ' \ / ■

и-1'

> ' I !-1 ( ' )

- Кластер иля Элемент

Рис. 1. Рекурсивная структурная схема сети функциональных связей динамической модели

В третьей главе представлены методы формализации экспертных знаний на основе индивидуальной динамической модели.

Источниками информации для построения индивидуальной модели данного пациента являются значения диагностических параметров "V. Эти значения являются данными аппаратных измерений электропроводности акупупктурных точек, тепловой чувствительности точек, кожных потенциалов и числовыми значениями оценок лингвистических переменных, полученными в соответствии с правилами применения нечеткой логики. Имеется множество Ру векторов У^, Для тех элементов У, измерения которых в данном обследовании пациента не производились, значения являются неопределенными. Р^) - функция, описывающая непрерывное изменение диагностических параметров во времени. Тогда У4 являются дискретными значениями функции Ру. РА множество лингвистических переменных, соответствующих функциональным подсистемам организма. Рв множество лингвистических переменных, соответствующих функциональным патологиям организма данного пациента. I '.временные динамической модели представляют вектор переменных модели X. Р„ множество векторов X; для каждого временного интервала. Будем предполагать, что элементам в векторах X и У с одинаковыми индексами соответствуют

значения одних и тех же экспертных понятий. Экспертная модель знаний устанавливает функциональную зависимость диагностических параметров множества Ру от значений нечетких логических выражений над переменными множеств РА и Рв и представлена как функция

Хц-1 = Р(ХЪ Х,-1,... Х^н). (3)

Динамическая модель представляется в следующей форме

X,, = ад + ВД + ЛА(Х), (4)

где Г, - неизменная часть модели, соответствующая отсутствию патологии;

Рс - часть модели, уточняемая в процессе диагностики;

X1 - блочный вектор объединяющий Хь ХнЬ... Х^т;

Ху - вектор норм оценок погрешностей элементов вектора У;

- матрица норм оценок погрешностей экспертной модели данных. Процесс диагностики может быть представлен как адаптивная аппроксимация функции динамической модели. Аппроксимация производится в классе функций с квадратичной метрикой. Информации, полученной при одном обследовании пациента, недостаточно для полного пересчета коэффициентов аппроксимации. Поэтому диагностическая информация используется с ¡местно с информацией эталонной модели. При этом вектор ошибки А, равен

Лус„и - (1-2иК)ХУ1, (5)

где ц - коэффициент сходимости алгоритма;

I - единичная матрица;

К - ковариационная матрица (в явном виде не вычисляется). Алгоритм сходится при условии

О <;/ < VV..-. (6)

Тогда влияние ошибок входных данных на результат можно оценить величиной

Е {ЛАЛ/}*мст£21, (7)

где ое- дисперсия исходных данных; Е - оператор вычисления нормы.

Динамическая модель состоит из иерархически вложенных подсистем моделей (кластеров):

1. Модель ГЪ1 соответствует экспертному понятию "плотных органов" и воспроизводит функциональные зависимости динамики функционирования подсистем организма: подсистема гормональной регуляции, подсистема регенерации крови, подсистема кровообращения, подсистема пищеварения, подсистема газообмена. Модель построена на основе кластера. Кроме того, имеется один дополнительный узел, подключенный ко второму основному узлу.

2. Модель И)2 соответствует экспертному понятию "полых органов" и воспроизводит функциональные зависимости динамики функционирования подсистем организма и связь с внешней средой: подсистема регуляции баланса воды, подсистема углеводного обмена и регуляции пищеварительных ферментов, подсистема ассимиляции переваренной пищи, подсистема регуляции тонуса гладкой мускулатуры, подсистема приема и продвижения шлци, подсистемы выделения. Модель состоит из шести узлов, соединенных с соответствующими узлами модели И)1.

Р02-2 Г02 3 Р02-6

4 — - \- — I-

№2

- 1 - Блок обработки [узе;:) потека 0> г01 - Блок обработки (узел) потека 06;

предназначен для коррекции динамических свойств модели; С'1 - Потоки, соответствующие внутренним органам; Г02 - 1 - блок обработки (узел) потока

- внеиаие потоки системы; К1 - входы настройки динамической модели.

Рис. 2 . Динамические модели ГО1, Е02

3. Модель РОЗ соответствует экспертному понятию точек акупунктуры и акупунктур ных меридианов. Модель П)3.1 (рис. 3) соответствует экспертному понятию "12 основных меридианов". Модель состоит из 12 агрегатированных блоков, каждый из которых соответствует одному "меридиану". Все эти блоки соединены в одно кольцо. Каждый из блоков состоит из модели "характерных точек меридиана" - П)3.1А и модели "точек меридиана" - П)3.1В. Модель ГО3.1А соответствует экспертному понятию "характерных точек меридиана". Воспроизводит особенности функционирования "меридиана". Модель строится на основе кластера. Модель П)3.1В соответствует экспертному понятию "точек акупунктуры, принадлежащих данному меридиану". Модель БТ)32 соответствует экспертному понятию "В чудесных каналов". Модель БЮЗЗ соответствует экспертному понятию "15 вторичных каналов". Эти модели содержат цепочки дополнительных узлов в соответствии со схемой экспертных знаний.

Point ! - блок обработки (узел) потока Qii

Qi - потоки, соответствующие точкам акупунктуры.

Рис. 3. Динамическая модель FD3.1

4. Модель Б1)4.1 соответствует экспертному понятию рецепторов. Воспроизводит функциональные воздействия информации органов слуха, зрения, обоняния, вкуса и тактильной чувствительности на подсистемы организма. Модель ¥042 соответствует экспертному понятию "симптомов психологических состояний". Воспроизводит взаимосвязь между психологическим состоянием человека и состоянием подсистем организма. Модель отображает следующие психологические состоя-

и

ния: патологические состояния - страха, гнева, беспокойства, возбуждения, нервозности, депрессии; положительные состояния - радость, спокойствие, целеустремленность, сила воли, мужество. Модель FD4.3 соответствует экспертному понятию рефлекторных зон на позерхЕюсти тела. Данные модели состоят из пяти дополнительных узлов, соединенных с соответствующими узлами модели FD2.

Параметрическая идентификация является интерактивной процедурой, и предназначена для снятия неопределенностей экспертной модели знаний. Процедура параметрической идентификации реализуется как адаптивная аппроксимация функции Fy(t) функцией F,(t). Функция Fx(t) задана неявно как функщи .динамической модели. При завершении параметрической идентификации модели получаем аппроксимированные значения элементов вектора Y. Неопределенные элементы вектора Y интерполируются функцией Fx(t), что необходимо для поддержки принятия решений о диагнозе возможных патологиях. После параметрической идентификации динамической модели вектор параметров модели X, аппроксимирует значения диагностических параметров Y со среднеквадратическим отклонением, не превышающим Delta. Это позволяет вместо частично неопределенного вектора диагностических параметров Y использовать аппроксимирующий его вектор переменных модели Х|.

Для формализации экспертных знаний с патологических состояниях и соответствующем диагнозе в лингвистической форме целесообразно использовать маГ'; .-= -Г-^ д-.т . . - r v-.-L.-. .'* : : . : 7 ГТ-Л.Т TV" V ' —т Г. г1" Т "Т Г' ,т Т.д-г

I ^.VlUliilvVlVflil til 11 . L.J.'U i I L.l 11411 ..VIIUV.. ' ■ | ' .. ■ ... ■ ' - .ipti-HS'.-IU. '-J--.' p - ■

непосредственно на основе медицинских справочников и имеют вид:

m

L, = S v(X,AXnom{), (8)

где Lj, - элемент вектора отклонений от нормы;

j = 1,М;

М - количество диашозов в базе знаний; i = 1,L;

ш- размерность модели;

Хпогт/ - нормализованное значение параметра этачонной модели.

Для информационной поддержки принятия решений необходимо разработать блок преобразования значений вектора отклонений от нормы в значение диагноза в лингвистической форме. Преобразование в лингвистическую форму приводит к частичной потери информации, содержащейся в векгоре отклонений от нормы. В предметной области используются две стандартные системы представления диагноза в лингвистической форме.

Адекватность преобразования обеспечивается использованием стандартной процедуры обработки информации, формализованной в соответствии с аппаратом нечеткой лотки.

В четвертой главе представлена инженерная методика применения разработанной информационной технологии (рис. 4) и исследуется эффективность разработанных алгоритмов.

Первичное обследование

Математическая обработкга диагностических параметров

Матема тическая модель

«атематическая обработхка коэффициентов модели

Значения

'состояний активности" точек акупунктуры

Значки*

"состояний активности" узлоэ модели

Количественная оценка адекватности копали

Парвметрическа я идентификация модели

Принятие решений по адекватности индивидуальной надели

База

Параметры и де нгйфущир о з а кио й модели

Параметры эталонной мсздли

Диагноз в терминах Функциональной модели

Генерация предлагаемого решения по диагнозу

Состояние Индифферентностн

Выдача заключения со патологии

Подтверждение принятия решений

Выдача заключения лри отсутствии Патологии

Преобразование диагнозз я стандартную форму

представления, котявэиия принятия решений

Рис. 4. Обобщенный алгоритм поддержки принятия рещекий

Разработан блок генерации решений по диагнозу с использованием модуля ранжирования значений переменных модели и сравнения их с эталонными значениями, модуля логической интерпретации отклонений от нормы в значения лингвистических переменных. Описана технология построения единой информационной модели на основе интеллектуального модульного интерфейса, который регламентирует процесс диагностики с учетом специфики используемых методик.

Разработан алгоритм параметрической идентификации для настройки динамической модели (рис. 5), в том числе и для тютовых ситуаций, которые не могут быть обработаны средствами существующих автоматизированных систем медицинской диагностики.

Исходными данными для работы алгоритма являются реальные значения диагностических параметров Помимо стохастических изменений параметров, производятся целенаправленные изменения параметров в соответствии с методом градиентов. Для обеспечения функционирования генетического алгоритма используется вектор невязок В

^¡(А-Н^Х-У^, (9)

где й - элемент вектора невязок Л

Целевая функция строится как взвешенная сумма невязок по каждому из диагностических параметров системы

ш

ТЧ,и--V ТЛ- ! \ /1П\

— и , / Лу, \ I \>)

и

где Ху - вектор погрешностей измерений параметров модели.

Интегральная оценка необходима также для формулировки критерия окончания работы алгоритма. При этом используется среднеквадратическое значение погрешности исходных данных 8

ш

в = Е (И)

м

где в - среднеквадратическое значение погрешности исходных данных.

Предложенный алгоритм позволяет найти экстремум плохо обусловленной целевой функции, имеющей место в данной задаче. Помимо поиска экстремума предложенный алгоритм включает проверку адекватности модели по критерию асимптотического уменьшения квадратичной нормы невязок и, .таким образом, определить численный критерий адекватности в рамках рассматриваемых функциональных свойств объекта.

Исследование эффективности разработанных алгоритмов к программ проводилось с помощью имитационного моделирования.

Begin

—-—-----"I

Генерируется К мутаций параметров С;

L

Строится вектор невязок V и выполняется оценка Юс !

количества уменьшившихся элементов вектора I); '

¡Строится список 2к гелсп, мутации которых "целесообразны"j

в порядке уменьшения Нк;

1 Производится попарное скрещивание мутированных генов из ! списка Pit

Строится список F'k "целесообразных" гибридов в порядке уменьшения Nk;

Список Р' пуст

___/

Принимается приращение параметра БС, соответствующее 1 первому элементу списка Р'; |

| Для переменных С и градиента ОС выполняется Ь шагов

I модифицированного градиентного поиска

I

Изменение целевой функции

меньше критического у

I

End

Рас. 5. Алгоритм параметрической идентификации динамической модели

Для исследования эффективности автоматизации диагностики были получены

оценки снижения времени обработки результатов. Полученные в результате эксперимента данные об уменьшении количества отказов автоматической генерации ре-тений по сравнению с существующими системами позволяют сделать вывод о снижении трудоемкости процесса диагностики и уменьшении непроизводительных затрат времени более чем в десять раз.

В данной главе также рассматривается применение динамической модели в области научных исследований. Рассмотрены физиологические процессы акупунктуры с точки зрения передачи и обработки информации. Ряд исследователей сводят акупунетуру только к нервно-рефлекторным механизмам. Но нервно-рефлекторный механизм не объясняет ряд особенностей передачи информации в акупунктуре, такие, как: скорость передачи акупунктурных воздействий; время остаточных явлений акупушегурного воздействия; регулирование функционирования внутренних органов; использование постоянного тока силой десятков или сотен микроампер. Ряд исследователей основным механизмом называют гормональную или химическую регуляцию. Но химический механизм передачи информации также не объясняет ряд особенностей акупунктуры. Так, не объясняется четко направленный вектор передачи воздействия. В данной работе проверялись численные показатели распространения акупунктурных воздействий для гипотезы о комплексном механизме передачи акупунктурных воздействий, включающих нервно-рефлекторное, химическое и непосредственную передач}' возбуждения через "щелевые контакты" клеток. 11ричем, последний механизм янляется доминирующим и положен в основу динамической модели. Численное моделирование показало, что непосредственная передача возбуждения клетками организма не противоречит экспериментальным данным.

Основные результаты и выводы

1) Разработана информационная технология на основе формализации экспертных знаний с использованием непрерывнозначной динамически модели.

2) На основе обобщенных экспертных понятий построена модель для отображения информационных потоков биотехнической системы, характеризующих динамику функционирования системы высокого порядка.

3) Предложена структура представления экспертной модели знаний в виде кластерной функциональной сети, являющейся развитием нейронных сетей. Для формализации обобщенных экспертных понятий определены свойства и структура кластеров функциональной сета модели.

4) Разработана структурная схема типового элемента динамической модели, отображающего экспертные знания об информационных потоках в биотехнической системе, защищенная авторскими свидетельствами.

5) Предложен алгоритм интерактивной параметрической идентификации динамической модели, сочетающий функциональные свойства классических оптимизационных методов и методов генетического программирования.

6) Предложенная информационная технология обеспечивает повышение уровня автоматизации обработки данных в медицинской диагностике и позволяет произвести верификацию модели знаний и тем самым повысить адекватность результатов диагностики.

Основное содержание диссертации отражено в 22 публикациях, наиболее важные из них:

1. А.с. 1439632. МКИ3 G06g/7f Устройство для моделирования нервного пучка/' Мсжецкая Т.А., Колесников А.А., Савельев А.В.. - 4234209 Заявлено 22.08.88; Опубл. 22.11.88, Бюл. 43.

2. А.с. 1497626, МКИ3 G06g/7f. Устройство для моделирования нейрона Пуркинье/ Т.А. Межецкая, А.А. Колесников, А.В. Савельев, Н.А. Савельева. -Л» 4270849; Заявлено 01.04.89; Опубл. 30.07.89, Бюл. № 18.

3. А.с. 1645973, МКИ3 G06g/7f. Устройство для моделирования нейрона/ А.А. Колесников, А.В. Савельев, Н.А. Савельева. -№ 4676407; Заявлено 03.0151; Опубл. 30.04.91, Бюл. № 16.

4. А.с. 1645975. МКИ3 G06g/7f Логический нейроподобный элемент/ Б.Г. Ильясов, À.A. Колесников, А.В. Савельев. - 4684019 Заявлено 3.1.91; Опубл. 30.04.91, Бюл. 16.

5. Колесников А. А. Автоматизированная система акупунктурной диагностики // Информационные и кибернетические системы управления и их элементы. - Уфа: Изд. УГАТУ, 1995. - с. 163.

6. Колесников А.А., Савельев А.В. Задачи нейрокомпьютерных технологий в медицинской диагностике // Нейроинформатика и ее приложения: III Всероссийский семинар, Красноярск, 1995. -с. 156.

7. Колесников А.А., Савельев А.В. Philosophical principies of management by the spécial condtion of a brain // Proceedings on CAD-95. - vol. 1, - p.242-243. -Ialta-Gurzuff, 1995.

Основные результаты и выводы

1) Разработана информационная технология на основе формализации экспертных знаний с использованием непрерывнозначной динамическй модели.

2) На основе обобщенных экспертных понятий построена модель для отображения информационных потоков биотехнической системы, характеризующих динамику функционирования системы высокого порядка.

3) Предложена структура представления экспертной модели знаний в виде кластерной функциональной сети, являющейся развитием нейронных сетей. Для формализации обобщенных экспертных понятий определены свойства и структура кластеров функциональной сети модели.

4) Разработана структурная схема типового элемента динамической модели, отображающего экспертные знания об информационных потоках в биотехнической системе, защищенная авторскими свидетельствами.

5) Предложен алгоритм интерактивной параметрической идентификации динамической модели, сочетающий функциональные свойства классических оптимизационных методов и методов генетического программирования.

6) Предложенная информационная технология обеспечивает повышение уровня автоматизации обработки данных в медицинской диагностике и позволяет произвести верификацию модели знаний и тем самым повысить адекватность результатов диагностики.

78

1. A.c. 1645975, МКИ3 G06g/7f. Логический нейроподобный элемент/ Б.Г. Ильясов, A.A. Колесников, A.B. Савельев. -№ 4684019; Заявлено 03.01.91; Опубл. 30.04.91, Бюл. № 16.

2. A.c. 1585810, МКИ3 G06g/7f. Устройство для моделирования нейрона/ Б.Г. Ильясов, A.A. Колесников, A.B. Савельев. № 4684019; Заявлено 03.01.91; Опубл. 30.04.91, Бюл. № 16.

3. A.c. 1425731, МКИ3 G06g/7f. Устройство для моделирования нейрона/ A.A. Колесников, А.Г. Жуков, A.B. Савельев, H.A. Савельева. -№ 4233068; Заявлено 22.04.88; Опубл. 23.09.88, Бюл. № 35.

4. A.c. 1458879, МКИ3 G06g/7f. Устройство для моделирования нейрона/ A.A. Колесников, А.Г. Жуков, A.B. Савельев, H.A. Савельева. -№ 4186154; Заявлено 15.10.88; Опубл. 15.02.89, Бюл. № 6.

5. A.c. 1464181, МКИ3 G06g/7f. Устройство для моделирования нейрона не-окортекса/ A.A. Колесников, А.Г. Жуков, A.B. Савельев, H.A. Савельева. -№ 4180786; Заявлено 08.11.88; Опубл. 07.03.89, Бюл. № 9.

6. A.c. 1477140, МКИ3 G06g/7f. Устройство для моделирования нейрона/ A.A. Колесников, А.Г. Жуков, A.B. Савельев, H.A. Савельева. -№ 4233087; Заявлено 03.01.89.

7. A.c. 1501101, МКИ3 G06g/7f. Устройство для моделирования нейрона/ A.A. Колесников, А.Г. Жуков, A.B. Савельев, H.A. Савельева. -№ 4247902; Заявлено 15.04.89; Опубл. 15.08.89, Бюл. № 30.

8. A.c. 1585811, МКИ3 G06g/7f. Устройство для моделирования нейрона/ A.A. Колесников, А.Г. Жуков, A.B. Савельев, H.A. Савельева. -№ 4603731; Заявлено 15.04.90; Опубл. 15.08.90, Бюл. № 30.

9. A.c. 1642485, МКИ3 G06g/7f. Устройство для моделирования нейрона/ A.A. Колесников, А.Г. Жуков, A.B. Савельев, H.A. Савельева. -№ 4605563; Заявлено 15.10.90; Опубл. 15.04.91, Бюл. № 14.79

10. А. с. 1340421, МКИ3 G06g/7f. Устройство для моделирования нейрона/ Т.А. Межецкая, A.A. Колесников, A.B. Савельев, H.A. Савельева. Заявлено 8.04.87.

11. А. с. 1329449, МКИ G06g/7f. Устройство для моделирования нейрона/ Т.А. Межецкая, A.A. Колесников, A.B. Савельев, H.A. Савельева. -№ 39812118; Заявлено 08.04.87.1

12. A.c. 1439632. МКИ G06g/7f Устройство для моделирования нервного пучка/ Т.А. Межецкая, A.A. Колесников, A.B. Савельев. -№ 4234209; Заявлено 22.03.88; Опубл. 22.11.88, Бюл. № 43.

13. Бейкер Дж., Грейвс-Моррис П. Аппроксимации Паде. М.: Мир, 1986.329 с.

14. Б о э м Б. У. Инженерное проектирование программного обеспечения. — М.: Радио и связь, 1985. — 261 с.

15. Бусленко И.П. Моделирование сложных систем. — М.: Наука, 1978. — 114 с.

16. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием нечеткой логики: Учебное пособие. Уфа: Изд. УГАТУ, 1995. -80 с.

17. Васильев Н.А. Воображаемая логика // Избранные труды. М.: Наука, 1989. 163 с.

18. Венда В.Ф. Системы гибридного интеллекта: Эволюция, психология, информатика. — М.: Машиностроение, 1990. — 448 с.

19. Вендров P.M. CASE-технологии: современные методы и средства проектирования информационных систем. — М.: ФиС, 1998. — 146 с.

20. Вергань А.Ф., Сизиков B.C. Интегральные уравнения. Киев: Наукова думка, 1986.- 356 с.

21. Виттих В.А., Скобелев О.П., Скобелев П.О. Интеллектуальная обучающая система для подготовки инженеров: прагматический подход // Сборник научных трудов III конференции по искусственному интеллекту. Тверь, 1992.

22. Гейн К., Сарсон Т. Системный структурный анализ: средства и методы. — М.: Эйтекс, 1993. — 89 с.

23. Гейтинг А. Интуиционизм. М.: Наука, 1965. - 123 с.

24. Гермейер Ю.Б. Введение в теорию исследования операций. — М.: Наука, 1971. —383 с.

25. Г лотов В.А., Гречко В.М., Павельев В.В. Экспериментальное сравнение некоторых методов определения коэффициентов относительной важности// Многокритериальные задачи принятия решений. — М.: Машиностроение, 1978. С. 78-85.

26. Горбань А., Россиев Д. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. - 98 с.

27. Горский Ю.М. Системно-информационный анализ процессов управления. -Новосибирск: Наука, 1988. 234 с.81

28. Грант П.М. Адаптивные фильтры. М.: Мир, 1998. - 392 с.

29. Грэй П. Логика, алгебра и базы данных. М.: Машиностроение, 1989. - 136 с.

30. Гудман С., Хидетниеми С. Введение в разработку и анализ алгоритмов. — М.: Мир, 1981. — 366 с.

31. Джоунс У., Трон В. Непрерывные дроби. М.: Мир, 1985. - 164 с.

32. Искусственный интеллект: Справочник. М.: Радио и связь, 1990. -.

33. Т. 1: Системы общения и экспертные системы /Под ред. Э.В . Попова. — 464 с.

34. Т. 2: Модели и методы/ Под ред. Д.А. Поспелова. — 304 с.

35. Т. 3: Программные и аппаратные средства/ Под ред. В.Н. Захарова.368 с.

36. Калмыков С.А. Методы интегрального анализа. М.: Наука, 1986. - 235 с.

37. Калянов А.Н., Козлинский A.B., Лебедев В.Н. Сравнительный анализ структурных методологий// Открытые системы, СУБД. 1997. -№ 5-6.

38. Калянов Г.Н. CASE структурный системный анализ. — М.: Лори, 1996.— 242 с.

39. Каминскас В. Идентификация динамических систем по дискретным наблюдениям. Вильнюс, 1985. - 140 с.82

40. Кандаров Ф.Б. Новая комплексная диагностика и акупунктура. Уфа, 1993. - 320с.

41. Колесников A.A., Савельев A.B. Philosophical principles of management by the special condtion of a brain // Proceedings on CAD-95. vol. 1. - p.242-243. -Ialta-Gurzuff, 1995.

42. Колесников A.A., Савельев A.B. К вопросу концептуального моделирования принципов функционирования нейрокомпьютеров // Нейроинформати-ка и ее приложения: III Всероссийский семинар, Красноярск, 1995.

43. Колесников A.A., Савельев A.B. Задачи нейрокомпьютерныхтехнологий в медицинской диагностике // Нейроинформатика и ее приложения: III Всерос сийский семинар, Красноярск, 1995. с. 156.

44. Колесников A.A., СавельевА.В. Нейроподобные методы обработки информации в электрокардиологии // Нейроинформатика и ее приложения: III Всероссийский семинар, Красноярск, 1995. с. 95.

45. Колесников A.A. Автоматизированная система акупунктурной диагностики // Информационные и кибернетические системы управления и их элементы. -Уфа: Изд. УГАТУ, 1995. с. 163.

46. Корн Г., Корн Т. Справочник по математике. — М.: Наука, 1977. — 774 с.

47. Корнюхин А. И. Метод "РОФЭС-диагностики". Екатеринбург: Уральское научно-производственное предприятие "Альтаим", srg@self.e-burg.ru, 1997. -5с.

48. Коровкин С.Д., Левенец И.А., Ратманова И.Д., Старых В.А., Щавелев JI.B. Решение проблемы комплексного оперативного анализа информации хранилищ данных// Открытые системы, СУБД. 1997. - № 5-6.

49. Костевич JI.C., Лапко A.A. Теория игр. Исследование операций. Минск: Вышэйшая школа, 1982. - 230 с.83

50. Куликов Г.Г., Брейкин Т.В., Арьков В.Ю. Интеллектуальные информационные системы: Учебное пособие. Уфа: Изд. УГАТУ, 1999. - 129 с.

51. Куликов Г.Г., Набатов А.Н., Речкалов A.B. Автоматизированное проектирование информационно-управляющих систем: системное моделирование предметной области: Учебное пособие. Уфа: Изд. УГАТУ, 1998. — 104 с.

52. Левин В.И. Бесконечнозначная логика в задачах кибернетики. М.: Радио и связь, 1982. 76 с.

53. Левин В.И. Структурно-логические методы исследования сложных систем с применением ЭВМ. М.: Наука, 1987. - 130 с.

54. Литвак Б.Г. Экспертная информация: методы получения и анализа. — М.: Радио и связь, 1982. — 184 с.

55. Лувсан Г. Традиционные и современные аспекты восточной рефлексотерапии. М.: Наука, 1986. - 250 с.

56. Любарский Ю.Я. Интеллектуальные информационные системы. — М.: Наука, 1990. —226 с.

57. Лю Бин Цуань. Выбор оптимального времени для иглоукалывания. Ман-дун, 1988.- 54 с.

58. Макаров К.А., Дубровин Д.А. Введение в информационно-энергетическую медицину. СПб., 1992. 98 с.

59. Мамиконов А.Г., Ашимов A.A., Кульба В.В., Косячен-ко С. А., Сиротюк В.О. Оптимизация структур данных в АСУ. — М.: Наука, 1988. —252 с.

60. Мамиконов А.Г., Кульба В.В., Косяченко С.А., Ужас т о в В. А. Оптимизация структур распределённых баз данных в АСУ. — М.: Наука, 1990.—240 с.

61. Марк Д., МакГоуэн К. Методология структурного анализа и проектирования. М.: МетаТехнология, 1993. — 168 с.

62. Марков A.A. Элементы математической логики. М.: Изд. МГУ, 1984. 30 с.84

63. Марков Ю.В. Рефлексотерапия в современной медицине. СПб.: Наука, 1992. 89 с.

64. Международные стандарты, поддерживающие жизненный цикл программных средств. М.: МП "Экономика", 1996. — 34 с.

65. Месарович М., Такахара Я. Общая теория систем. — М.:Мир, 1978. —312 с.

66. Мир Управления Проектами/Под ред. Х.Решке, Х.Шелле/ Пер. с англ. — М.: Алане, 1993. —56 с.

67. Моисеев H.H., Иванилов Ю.П., Столярова Е.M. Методы оптимизации. — М.: Наука, 1978. — 352 с.

68. Насыров Р.В. Автоматизированная система принятия решений на основе причинных моделей в проблемных ситуациях: Дис. канд. техн. наук. — Уфа, 1994. —187 с.

69. Нечепуренко М.И.и др. Алгоритмы и программы решения задач на графах и сетях. — М.: Наука, 1990. — 515 с.

70. Нечеткие множества в моделях управления и искусственного интеллекта/ Под ред. Д.А. Поспелова. М.: Наука, 1986. - 312 с.

71. Новоженов Ю.В. Объектно-ориентированные технологии разработки сложных программных систем. М., 1996. — 126 с.790 р е Г. Теория графов. — М.: Наука, 1980. — 336 с.

72. Орлов В. Е., Колесников A.A., Савельев A.B. Гляциопунктура результат применения новых информационных технологий в медицине // Информационные и кибернетические системы управления и их элементы. -Уфа, изд. УГАТУ, 1995. - с. 141

73. Парфёнов И.И. Проблема принятия решений в автоматизированном проектировании сверхбыстрой обработки информации// Доклады Академии Наук. М., 1995. - т. 342. - №6. - с.750-752.

74. Питерсон Дж. Теория сетей Петри и моделирование систем. М.: Мир, 1984. 67 с.85

75. Поспелов Д. А. Моделирование рассуждений. — М.: Радио и связь, 1989. — 184 с.

76. Потемкин В.Г. Система MATLAB: Справочное пособие. М.: Диалог МИФИ, 1997. - 350 с.

77. Преснов Е.В., Исаева В.В. Перестройки топологии при морфогенезе. М.: Наука, 1985. 67 с.

78. Пригожин И. От существующего к возникающему. М.: Наука, 1985. 340 с.

79. Прикладные нечеткие системы: Пер. с япон./ К. Асаи, Д. Ватада, С. Иваи и др./Под ред. Т. Тэрано, К. Асаи, М. Сугэно. М.: Мир, 1993.-386 с.

80. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. М.: Мир, 1965. - 120с.

81. Сапрыкина Т.А., Колесников A.A., Савельев A.B. Где заканчивается головной мозг или о функции дендритных деревьев // Проблемы нейрокибер-нетики: XI Межд. конференция. Ростов-на-Дону, 1995. - с. 210-211.

82. Статические и динамические экспертные системы: Учебное пособие / Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. М.: Финансы и статистика, 1996. - 320 с.

83. Табеева Д.Н. Руководство по иглорефлексотерапии. М.: Медицина, 1982. 98 с.

84. Тиори Т., Фрай Дж. Проектирование структур баз данных. —М.: Мир, 1985.-2 т.86

85. Тихонов В.И., Миронов М.А. Марковские процессы. М.: Советское радио, 1977.-488 с.

86. Трахтенгерц Э.А. Компьютерная поддержка принятия решений: Научно-практическое издание. М.: СИНТЕГ, 1998. - 376 с.

87. Философский энциклопедический словарь. М.: Советская энциклопедия, 1983.340 с.

88. Форестор Ж. Основы кибернетики предприятия. М.: Прогресс, 1971. - 340с

89. Халмурад Упур. Секреты китайской медицины. М., 1992. - 145 с.

90. Хоанг Бао Тяу, Jla Куанг Ниеп. Иглоукалывание. М.: Медицина, 1988. - 420с.

91. Ходжкин. Нервный импульс. М.: Мир, 1975. - 45с.

92. Цаленко М.Ш. Моделирование семантики в базах данных. — М.: Наука, 1989, — 286 с.

93. Цыпкин Я. 3. Основы теории автоматических систем. — М.: Наука, 1977. —560 с.

94. Чжунг Го Йи Яо Хуэй Хай. Жунг Го Шу Диэн. Пекин, 1985. - 35 с.

95. Шеннон Р. Имитационное моделирование систем искусство и наука. -М.: Мир, 1978.-230с.

96. Шлеер С., Меллор С. Объектно-ориентированный анализ: моделирование мира в состояниях. Киев: Диалектика, 1993. — 142 с.

97. Щедровицкий Г.П. Исходные представления и категориальные средства теории деятельности// Избранные труды. М.: Культ. Полит., 1995. 210 с.

98. Щедровицкий Г.П. О различии исходных понятий формальной и содержательной логик// Избранные труды. М.: Шк. Культ. Полит., 1995. - 56 с.

99. Юсупов И.Ю. Автоматизированные системы принятия решений. — М.: Наука, 1983. —88 с.

100. Юсупов И.Ю., Парфёнов И.И., Горшечников A.B. Автоматизированное управление ситуациями в агропромышленном комплексе. — Уфа.: Башк. Кн. Изд-во, 1988. — 208 с.

101. Юсупов И.Ю., Муллагалиев М.М, Зонов В.М. Адаптивное управление в иерархических системах. — Уфа, 1991. — 59 с.

102. Ярцев P.A. Разработка моделей иерархических процессов: Дис. канд. техн. наук. — Уфа, 1992. — 183 с.

103. Barker R. CASE*Method — Entity Relationship Modeling. — Oracle Corporation, 1990. — 243 p.

104. Cottrell G.W., Munro P., Zipser D. Image compression by back propagation: An example of extensional programming. Proc. 9th Annual Confer, Cognitive Soc. 1987.-200 p.

105. DesignflDEF. Version 3.0. User's manual. Meta Software Corp., 1994. -600 p. 11 .Design/IDEF. Version 3.0. Interface languages manual. Meta Software Corp., 1994.-200 p. 12.Fuzzy Logic Toolbox User's Guide. The Math Works, Inc., 1995. -203 p.

106. Hecht-Nielsen R. Replicator neural networks for universal optimal source coding. Science, v. 269, 1995.

107. Hecht-Nielsen R. The nature of real-world data. Workshop on SelfOrganizing maps. Helsinki, June 1997. 203 p.

108. Parallel Distributed Processing: Explorations in the microstructure of cognition. Rumelhart D.E., McClelland J.L. (eds.), v.I, II, MIT Press, 1986. 1231. P

109. Базовые методы аппаратных измерений в системах акупунк-турной диагностики.

110. Рассмотрим методы корпоральной (информация снимается с акупунк-турных точек, расположенных на теле) электропунктурной диагностики, предложенные И. Накатани, Р. Фолем, А. И. Нечушкиным и Ю. В. Марковым в соавторстве с В. Г. Козловым.

111. Сущность методики И. Накатани заключается в измерении электропроводности так называемых репрезентативных точек каналов, среднее значение которой соответствует среднему значению электропроводности всего канала.

112. Все используемые точки это "точки 5 первоэлементов" и большинство из них - так называемые "точки-пособники", или ю-пункты. Только на канале толстой кишки использована не "точка-пособник" хэ-гу, а точка рубрики "Огонь" - ян-си.

113. Методика румынских исследователей Дж. Брату и соавторов в отличие от описанных выше заключается в измерении электропроводности в 24 так называемых точках тревоги (мо-пункты).