автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы и алгоритмы принятия решений и управления сложными системами на основе анализа сигналов системных ритмов

005002667

Белобров Андрей Петрович

МЕТОДЫ И АЛГОРИТМЫ ПРИНЯТИЯ РЕШЕНИЙ И УПРАВЛЕНИЯ СЛОЖНЫМИ ОБЪЕКТАМИ НА ОСНОВЕ АНАЛИЗА МЕДЛЕННЫХ ВОЛН СИСТЕМНЫХ РИТМОВ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические и медицинские системы)

1 7 НОЯ 2011

Автореферат диссертации на соискание ученой степени кандидата технических наук

КУРСК 2011

005002667

Работа выполнена в ФГБОУ ВПО «Юго-Западный государственный университет» на кафедре биомедицинской инженерии.

Научный руководитель:

доктор технических наук, профессор Бурмака Александр Александрович

Официальные оппоненты:

доктор технических наук, старший научный сотрудник, Николаев Виктор Николаевич

кандидат технических наук, доцент Руденко Вероника Викторовна

Ведущая организация:

ФГБОУ ВПО. «Государственный университет — учебно-научно-производственный комплекс», г. Орел

Защита диссертации состоится 09 декабря 2011 года в 14-00 часов в конференц-зале на заседании совета по защите докторских и кандидатских диссертаций Д 212.105.03 при ФГБОУ ВПО «Юго-Западный государственный университет» по адресу: 305040, г. Курск, ул. 50 лет Октября, 94.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «Юго-Западный государственный университет».

Автореферат разослан 07 ноября 2011

г.

Ученый секретарь совета по защите докторских и кандидатских диссертаций Д 212.105.03, к.ф-м.н., профессор

Старков Ф.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В настоящее время интеллектуальные системы охватывают все более широкие сферы человеческой деятельности. Наиболее актуальные задачи, которые должны решать интеллектуальные системы -это задачи классификации и управления состоянием объектов. Во многих случаях при решении таких задач делается попытка анализа крайне большого числа признаков, что, по мнению исследователей, должно способствовать повышению информативности представлений выборки. Однако выбор полезной информации, то есть осуществление отбора признаков, является операцией совершенно необходимой, поскольку для решения любой классификационной задачи должны быть отобраны сведения, несущие не «шум» и не иррелевантную (не относящуюся к цели исследования), а полезную для данной задачи информацию. В случае, если это не осуществлено по каким-то причинам, исследователь может получить неадекватные модели или недостоверные решения.

Возможность оперирования большими объемами данных и использования компьютерных средств для их обработки позволяет выявить и анализировать скрытые, или так называемые ненаблюдаемые процессы, которые не могли быть обнаружены на коротких апертурах и которые для большинства классов задач обладают наиболее значительной информационной ценностью. Большинство этих процессов относится к циклическим, огромная роль которых в живой и неживой природе была доказана в фундаментальных работах A.JI Чижевского и Н.Д. Кондратьева. Собственные колебания системы являются наиболее устойчивыми признаками, поэтому наиболее адекватна модель динамической системы в виде ее частотной характеристики. Однако живые и неживые системы, как правило, нелинейные, а колебания, генерируемые на высших уровнях управления, проявляются на нижеследующих уровнях в виде нестационарного спектра. В результате наложения всех колебаний сигналы, несущие информацию о состоянии системы, приобретают сложную форму, характеризующую совокупность циклических составляющих различных уровней, отличающихся по амплитуде, фазе, частоте.

Доступные в настоящее время массивы информации позволяют на более высоком уровне ставить задачу оценки совместного влияния на исследуемый объект очень многих периодических процессов, различающихся как природой, так и временными диапазонами с одновременным оцениванием иерархической структуры взаимодействия исследуемых факторов. Анализ многочисленных отечественных и зарубежных исследований, проведенных особенно на протяжении последних 10 лет, показал, что значительной информационной ценностью обладают скрытые составляющие электрофизиологических процессов, которые в современном биотехнических и медицинских системах практически не выделяются и не обрабатываются, что значительно снижает потенциальные возможности перспективных диагностических систем (Н.Д. Девятов, С.П. Ситько, A.A. Яшин и др.).

Современные сложные объекты предъявляют высокие требования к аналитическому аппарату обработки данных, поэтому необходимо создание качественно новых моделей и алгоритмов, основанных на повышении полноты отображения и получении качественно новых признаков сложных объектов.

Научно-технической задачей исследования является повышение качества принятия диагностических и управленческих решений для сложных объектов в интеллектуальных системах медицинского назначения.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы (государственный контракт № П705 от 12 августа 2009 г., номер госрегистрации 01200962672) и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Живые объекты со сложным взаимодействием системных ритмов.

Предмет исследования. Интеллектуальные системы анализа состояний и управления сложными объектами.

Содержание диссертации соответствует п. 10 «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах» и п.12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации» паспорта специальности 05.13.01 - Системный анализ, управление и обработка информации (технические науки).

Цель исследования - разработка методов и алгоритмов принятия решений и управления сложными объектами на основе анализа медленных волн системных ритмов.

Для достижения поставленной цели необходимо решить следующие задачи:

- проанализировать существующие методы интеллектуальной поддержки принятия решений, предназначенные для решения практических задач, выявить их достоинства и недостатки;

- разработать метод принятия решений по классификации состояний сложных объектов на основе гибридного подхода к обработке данных о системных ритмах объекта;

- разработать метод классификации сложных систем на основе структурного анализа медленных волн системных ритмов;

- разработать алгоритмы анализа, классификации и управления состоянием сложных объектов, предназначенные для реализации разрабатываемых методов;

- исследовать на практике эффективность применения созданных методов, моделей и алгоритмов для решения практических задач (на примере интеллектуальных систем диагностики и управления физиотерапией сердечно-сосудистых заболеваний).

Методы исследований. Для решения поставленных задач использовались методы системного анализа, многомерного спектрального анализа, математической статистики, теории нечетких нейронных сетей, распознавания образов, экспертного оценивания и принятия решений. При разработке модулей принятия решений и нечеткого вывода в качестве инструментария использовался Matlab 6.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox. При реализации методов спектрального и структурного анализа использовался Mathcad 14.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

- метод принятия решений по классификации состояний сложных объектов, отличающийся тем, что в исследуемом сигнале вначале определяются доступные медленные волны, а затем по отсчетам входного сигнала формируются релевантные строки вейвлет-плоскости, дислоцирующие в сегментах медленных волн, определяется их оконное преобразование Фурье, компоненты которого являются входной информацией для нейронной сети, принимающей решение по отнесению текущего состояния объекта к тестируемому состоянию;

- метод классификации состояния сложных систем на основе анализа структурных функций медленных волн, заключающийся в априорном выборе континуума медленных волн, определение структурных функций медленных волн, входящих в этот континуум, и использовании отсчетов этих структурных функций в качестве информативных признаков для блока принятия решений, построенного по нейросетевой технологии, позволяющий осуществлять как управление динамикой сложных объектов, так и их классификацию;

- алгоритм классификации и управления сложными объектами, включающий процедуру формирования признакового пространства посредством сравнение отсчетов заданного континуума медленных волн с отсчетами такого же континуума в эталонном объекте и вычисления расстояния текущего состояния объекта до контрольного объекта, отличающийся тем, что для управления траекторией движения объекта в пространстве информативных признаков используется управляемое воздействие на объект, эффективность которого оценивается посредством определения изменения расстояния между заданным и текущим состояниями объекта до и после воздействия, в зависимости от чего осуществляется корректировка управляющего воздействия, позволяющий осуществлять классификацию объектов на два и более классов и контролировать динамику состояния одного и того же объекта;

- в результате исследования выявлено существенное влияние нестабильности частоты дискретизации медленных волн на качество структурного анализа, причем это влияние на конкретную структурную

функцию медленной волны тем существеннее, чем ниже соотношение сигнал/помеха для медленной волны, для которой определяется структурная функция.

Практическая значимость и результаты внедрения. Практическое значение работы определяется возможностью применения результатов исследования при прогнозировании, диагностике и управлении физиотерапией психосоматических заболеваний.

Разработанные методы, модели и алгоритмы составили основу построения интеллектуальной системы для диагностики и физиотерапии сердечно - сосудистых заболеваний. Основные теоретические и практические результаты работ внедрены в учебный процесс Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных»), использованы при выполнении НИР 1.187.09 «Прогнозирование функционального состояния сердечнососудистой системы человека на основе многомерного спектрального анализа данных мониторинга акустических и электрофизиологических процессов жизнедеятельности, осуществляемого посредством микроминиатюрных датчиков и мобильных средств связи», выполняемой по заказу Минобрнауки России, и в ходе формирования индивидуальных программ по профилактике и лечению сердечно-сосудистых заболеваний в МУЗ «Беловская ЦРБ» Курской области, что подтверждено соответствующими актами.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на XII, XIII и XIV Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2009, 2010, 2011); V Всероссийских научно-технических конференциях «Информационные и управленческие технологии в медицине и экологии» (Пенза, 2011); на XVII Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2010), на Всероссийской научно-технической конференции «Медицинские информационные системы МИС-2010» (Таганрог, 2010), на Международной конференции с элементами научной школы для молодежи «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 2009,2010), на I Международной конференции «Инновационные технологии управления здоровьем и долголетием человека» (Санкт-Петербург, 2010); IX Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии (Владимир-Суздаль, 2010); на III Международной конференции «Молодежь и XXI век» (Курск, 2011); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2009,2010,2011).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 14 печатных работ, из них четыре статьи в рецензируемых журналах, входящих в перечень рекомендованных изданий ВАК Минобрнауки России. . .

Личный вклад автора. Все выносимые на защиту результаты получены автором лично. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] автором исследовано значение анализа медленных волн в классификации состояния сложных объектов, в [2] соискателем предложены способы анализа изображений спектральных и вейвлет-плоскостей медленных волн биомедицинских сигналов, в [3], [4] и [5] автором разработаны модели анализа медленных волн системных ритмов живых систем, в [7], [9] и [10] автор предложил способы синтеза пространств информативных признаков на основе анализа медленных волн различных подсистем живых объектов, в [12] и [13] автором разработаны нейросетевые модули принятия решений, предназначенные для реализации методов анализа состояния сложных систем по их системным ритмам.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 100 отечественных и 11 зарубежных наименований. Работа изложена на 124 страницах машинописного текста, содержит 51 рисунок и 9 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы, определяются цели и задачи исследования, научная новизна и практическая значимость работы. Кратко излагается содержание глав диссертации.

В первой главе выполнен анализ состояния предметной области. Проанализированы существующие методы разработки и применения интеллектуальных информационных технологий для решения практических задач диагностики и прогнозирования состояния сложных систем. Показано, что использование априорной информации о системных ритмах позволяет повысить качество принятия диагностических и управленческих решений для сложных объектов, а эффективность такого подхода при классификации состояний сложных объектов в биомедицинских приложениях не исследована.

В заключение первой главы формируются цель и задачи исследования.

Вторая глава посвящена разработке метода принятия решений по классификации состояний сложных объектов на основе гибридного анализа медленных системных ритмов.

Проведенные экспериментальные исследования над тестовыми и реальными сигналами, характеризующими состояния сложных систем показали, что как частотный, так и частотно-временной анализ не являются эффективным инструментом для выделения медленных волн из квазипериодического сигнала.

Для выделения из квазипериодического сигнала информативных признаков, характеризующих параметры медленных волн, предложена гибридная технология, которая позволяет, используя определенные подходы к анализу квазипериодического сигнала, получить такую технологию обработки данных, благодаря которой достоинства используемых методов накаплива-

ются от этапа к этапу обработки, а недостатки предшествующих методов компенсируются благодаря достоинств последующего метода.

Структурная схема интеллектуальной системы, которая реализует предложенный метод, представлена на рис. 1.

Исходный сигнал Х(0, определяющий состояние сложного объекта, поступает на два обрабатывающих блока: селектор медленных волн и синтезатор вейвлет-плоскости.

медленных волн

Селектор медленных волн нестационарных сигналов определяет оконное преобразование Фурье (ОПФ) входного сигнала, выделяет из полученно-

го ОПФ спектральные цуги, определяет вейвлет - преобразование выделенного спектрального цуга и проводит морфологический анализ реперных строк вейвлет - плоскости спектрального цуга. В результате этой процедуры определяются медленные волны, доступные для анализа в текущем сигнале.

На рис. 2 приведен пример структурного анализа вейвлет - преобразования цугов ОПФ медленных волн электрокардиосигнала.

',»Т,; Фрагмент I

1 А п. А ^

(1-1)/. •• У

А А А А А'-.-А А

«-«•/-»у

в)

Рис. 2. Фрагменты развертки вейвлет - плоскости спектрального цуга ОПФ ЭКС по строкам (а) и три наименее коррелированных строки вейвлет -плоскости (б): Ь - длина строки вейвлет - плоскости, / - номер строки вейвлет - плоскости, / - номер столбца вейвлет - плоскости, (/-1 - номер отсчета ШТ

В базу состояний живых объектов вводится некоторое состояние или класс состояний, принадлежность к которому , необходимо установить у исследуемого объекта на основании анализа вектора состояний объекта Х(0 (в базе данных на рис.1 хранятся М возможных состояний). В соответствии с прошивкой каждый селектор номеров строк вейвлет - плоскости медленной волны передает на вход блока вычисления ОПФ только ограниченное количество строк из сегмента медленной волны вейвлет - плоскости, поступающей с выхода синтезатора вейвлет - плоскости. В данной реализации системы максимальное число анализируемых строк N ограничено двадцатью. При этом в зависимости от кода состояния А на входе базы состояний живых объектов это число может сократиться вплоть до единицы. Кроме того, селектор медленных волн может обнаружить не все медленные волны, прошитые в базе данных для тестового состояния объекта (класса А). В этом случае имеем дело с динамической структурой пространства информативных признаков на входе классификатора, в качестве которого в данной системе используется нейронная сеть прямого распространения. В связи с тем, что пространство информативных признаков динамическое, в систему классификации введена база моделей нейронной сети, которая изменяет структуру нейронной сети в зависимости от того, какие медленные волны обнаружены селектором медленных волн. База моделей нейронной сети управляется бинарными выходами селектора медленных волн.

Над каждой выбранной строкой вейвлет - плоскости осуществляется ОПФ. На рис. 1 изображено ЫхМ блоков ОПФ. Если число значимых строк

медленной волны меньше N, то соответствующие блоки ОПФ не используются, что осуществляется посредством коммутатора информативных признаков, который отключает выходы соответствующих блоков ОПФ от входов нейронной сети. Точно так же не используются блоки информативных признаков медленной волны, если она не входит в континуум медленных волн, определяемых тестируемое состояние. Если не обнаружена соответствующая медленная волна, то от входов нейронной сети отключаются все выходы ее блоков ОПФ. Эту операцию реализует база моделей нейронной сети. База моделей нейронной сети получена в среде Matlab.

Проиллюстрируем технологию формирования признакового пространства, предназначенного для идентификации сложной системы, на примере анализа медленных волн, представленных в спектре электрокардиосигнала ОПФ электрокардиосигналов представляет собой последовательность волновых цугов, координаты которых на частотной оси соответствуют частотам, кратным основной гармоники электрокардиосигнала.

На рис. 3 показана вейвлет-плоскость электрокардиосигнала, которая поступает на вход селекторов строк вейвлет-плоскости медленных волн, полученная по 11000 отсчетам сигнала, дискретизированного с частотой 100 Гц. Плоскость содержит 800 строк и имеет граничные частоты 40 Гц и 0 125 Гц.

И

■■■и "Ш

/, Гц

щш

Hl ни

¡Ш

ilii

Ж.. '¿•ж

1вж

ШШШшШШшШишш

■

Рис. 3. Вейвлет - плоскость электрокардиосигнала с сектором медленной волны второго порядка А2 (А1- область волн первого порядка)

Для каждого состояния живого объекта выбирается совокупность медленных волн, релевантных для этого состояния, а селектор медленных волн выбирает доступные медленные волны.

Для каждой выделенной медленной волны формируется блок информативных признаков, который поступает на соответствующие входы нейронной сети прямого распространения. Нейронная сеть работает как бинарный классификатор для каждого текущего вектора состояния системы и заданного сосотояния на входе базы состояния объектов.

В главе 3 для классификации сложных систем предложено использовать структурные функции медленных волн нестационарных сигналов, описывающих состояние системы.

Метод классификации, основанный на этом подходе, состоит из последовательности процедур, предполагающих априорный выбор континуума медленных волн, определение их структурных функций и использование отсчетов этих структурных функций в качестве информативных признаков для блока принятия решений, построенного по нейросетевой технологии.

Полагаем, что нестационарные процессы, нестационарность которых обусловлена тем, что часть медленных волн не попадает в окно наблюдения, являются случайными процессами со стационарными приращениями и относятся к классу случайных процессов, нестационарных по математическому ожиданию. Основной характеристикой случайного процесса со стационарными приращениями является структурная функция, отсчет с номером г которой для сигнала ЛСД:

где А-номер исследуемой медленной волны, Ик -число отсчетов на апертуре структурной функции исследуемой медленной волны.

Число г принимает столько значений, сколько необходимо получить отсчетов структурной функции (1) на апертуре сигнала Х(к,0.

Структурные функции медленных волн должны иметь одинаковое число отсчетов. Обозначив это число М, можем утверждать, что каждый сигнал Х(к,() характеризуется множеством отсчетов структурной функции

При исследовании моделей структурных функций медленных волн, проведенных в пакете МаШсаё, были обнаружены следующие закономерности. Чем выше уровень полезного сигнала (медленной волны), тем меньше влияние шага дискретизации Дк к-й волны на качество модели структурного анализа. Качество модели структурного анализа к-й волны оценивается долей первой гармоники к-й волны в спектре структурной функции к-й волны. Шаг дискретизации медленных волн целесообразно увеличивать по сравнению с найквистовским и его величина существенно влияет на качество модели структурного анализа.

Для анализа данных, представленных множествами (2), используем многослойные сети прямого распространения с М нейронами на входе и с числом нейронов на выходе, определяемых числом выделяемых классов сигнала Х(1). Такой классифицирующей системе присуще все недостатки классификатора с обучением, основным из которых является отсутствие возможности учитывать априорные данные о системе.

При классификаторе, построенном на основе анализа медленных волн, к априорным данным относятся данные о релевантности медленных волн. Исходя из критерия релевантности, в качестве анализируемых данных используются блоки данных - сегменты, несущие информацию о конкретной медленной волне. В этом случае ширина окна Т выбирается исходя из условия

(1)

(2)

7*4« , (3)

где - наибольший квазипериод анализируемых волн.

На рис.4 представлена структурная схема принятия решения на основе структурной функции и нейронных сетей прямого распространения.

Модель формирования

Рис. 4. Структурная схема принятия решений на основе структурной функции и нейронных сетей прямого распространения

В этой схеме каждой медленной волне соответствует индивидуальный блок принятия решений, включающий модуль формирования структурной функции и нейронную сеть прямого распространения. Отличие этого блока от известных, включающих модуль формирования признакового пространства (модуль выделения информативных признаков) и нейронную сеть, состоит в том, что информативные признаки из исследуемого сигнала выделяются не по одной реализации, а по совокупности выборок сигнала ЛСД, полученных в «окне» шириной Т. При этом структурные функции формируются по одному и тому же множеству выборок. Разница состоит лишь в том, что при вычислении структурной функции согласно (1) используются различные значения Т, которые вычисляются как

тк =ИД1/Л)-у,7 = 1,Л/ (4)

Структура системы поддержки принятия решений, представленная на рис. 4, работает как бинарный классификатор. При наличии множества классов необходим выбор другой структуры. Для реализации блока принятия решений для этой структуры введем понятие кластера медленных волн - это совокупность таблиц и правил взаимодействия между ними, построенных на основе статического анализа структурных функций соответствующих классов. Ядром кластера медленных волн являются две таблицы, строками которых - отчеты структурной функции медленной волны. Таким образом, в таблице имеется столько строк, сколько медленных волн извлекают из сигнала Х(1), то есть К. Число столбцов в таблицах равно числу отсчетов структурной функции, то есть М.

Ячейки первой таблицы заполняются отсчетами структурных функций медленных волн текущего исследуемого процесса Х(г). Ячейки второй таблицы заполняются математическими ожиданиями отсчетов структурных функций медленных волн для 1-го класса. Следовательно, число кластеров медленных волн равно числу различаемых классов, то есть ¿.

После заполнения двух таблиц - ядра кластера, формируется вектор-столбец, элементами которого являются евклидовы нормы разности элементов соответствующих строк матриц ядра. Структурная схема кластера изображена на рис. 5.

Элементы вектора - столбца получаются посредством двух операций. Первая операция - вычитание осуществляет построчное вычитание элементов двух матриц. В результате две матрицы размерностью М*К трансформируются в М векторов-строк размерностью К, каждый элемент которого ау определяется как

Затем определяется норма (евклидова)

1м

<6)

для каждого вектора-строки.

Евклидовы нормы векторов-строк складываются и их к-я сумма (Ьк) показывает, насколько близок исследуемый объект к классу, на который настроен соответствующий кластер.

Если осуществляется настройка кластера путем подбора весовых коэффициентов №1, \У2,..., \ук, то при подаче на вход кластера, настраиваемого на класс а)е выборки из класса сог , выход соответствующего класса должен быть минимизирован, то есть

(7)

*=1

В качестве математического аппарата для минимизации (7) для класса т( используется инстар Гроссберга.

^Отсчеты №«01НМ 1 м

1

2

К

П

\Отсчеты X 1 м

1

2

К

Вычитатель 1 Вычитатель 2

М/ и;-

♦ ♦

4," и 1 ..... м 1 и У-1

1

Вычитатель К $7 = Щ

ь.-

«2

Рис. 5. Структурная схема кластера медленной волны

Алгоритм вычисления структурных функций медленных волн нестационарного сигнала осуществляет вычисление отсчетов структурной функции посредством итерационного процесса, реализованного во внутреннем цикле, причем число итераций не зависит от номера медленной волны, по которой строится структурная функция. На выходе алгоритма получаем прямоугольную матрицу с отсчетами структурных функций выбранного континуума медленных волн исследуемой системы.

Алгоритм вычисления информативных признаков по классу I сначала осуществляет сравнение отсчетов заданного континуума медленных волн с отсчетами такого же континуума в эталонном объекте ¿-го класса, а затем вычисляет расстояние текущего состояния объекта до контрольного объекта и позволяет осуществлять классификацию объектов на два и более классов, а также контролировать динамику состояния одного и того же объекта.

Алгоритм классификации и управления сложными объектами, представленный на рис.6, для управления траекторией изменения состояния объекта в пространстве информативных признаков использует акцию (блоки 4 и 9), эффективность которой оценивается посредством определения реакции -изменения расстояния между заданной целью и текущим состоянием объек-

та до и после акции (блоки 6 и 11), в зависимости от чего вносят корректировки в направление управляющего воздействия (блоки 7 и 12). Алгоритм позволяет осуществить устойчивое управление траекторией движения сложного объекта в пространстве состояний медленных волн.

С

л:

/ Целевой 1 показатель / ^ у продления }

Определяем расстояние текущего состояния объекта до цели

1-1 Текущее состояние

объекта J

ла 12

Состояние объекта приблизилось к заданному?

Состояние объекта приблизилось к заданному?

Рис. 6. Схема алгоритма управления сложным объектом

В среде МаЛсаё 14 разработано программное обеспечение для исследования структурных функций сложных объектов, в котором структурные функции различных медленных волн вычисляются на апертурах наблюдения с одинаковым числом отсчетов. Оно позволяет формировать пространство информативных признаков для блока принятия решений на основе кластера медленных волн, моделировать нестационарные сигналы с различным соотношением сигнал/помеха и исследовать влияние параметров оцифровки нестационарного сигнала на качество структурного анализа системы.

В результате исследования структурных функций медленных волн было выявлено существенное влияние нестабильности частоты дискретизации

медленных волн на качество структурного анализа, причем это влияние на конкретную структурную функцию медленной волны тем существеннее, чем ниже соотношение сигнал/помеха для медленной волны, для которой определяется структурная функция.

Четвертая глава посвящена экспериментальным исследованиям разработанным методам и техническим решениям. Оценка эффективности предложенных методов, алгоритмов и средств интеллектуальной поддержки принятия решения была осуществлена на примере интеллектуальной системы диагностики психосоматических заболеваний. В качестве психосоматического заболевания выбрана ишемическая болезнь сердца (ИБС).

В результате проведенных исследований были сформированы обучающие и контрольные выборки для проверки адекватности методов и алгоритмов принятия решений, основанных на анализа медленных волн системных ритмов живых систем, а также проведена апробация предложенных методов и средств на репрезентативных контрольных выборках на примере диагностики ишемической болезни сердца.

Разработана специализированная многоуровневая база тестовых ЭКГ-сигналов с возможностью комбинации чистых сигналов с сигналами помех различного вида и с репрезентативным набором всех классов формы кардио-импульсов. Структура данной тестовой базы позволяет сочетать различные варианты и уровни тестирования. При этом появляется возможность как параллельного, так и последовательного сочетания тестовых сигналов, что обеспечивает универсальность разработанной базы тестовых ЭКС.

Разработано методическое обеспечение всех этапов формирования обучающих и контрольных выборок для проверки адекватности моделей принятия решений.

На рис.7 показана диаграмма, иллюстрирующая сравнительные характеристика показателей качества предложенных методов принятия решений и миннесотового кодирования. Анализ показателей качества классификации моделей принятия решений, основанных на предлагаемых методах показал, что показатели качества моделей, построенных на основе структурного анализа выше на 3% показателей качества моделей, построенных на основе гибридных методах, и уступают всего на два процента показателям качества экспертов.

Полученные сравнительные характеристики экспертных оценок риска сердечно - сосудистых осложнений и предлагаемых моделей интеллектуальных систем позволяют рекомендовать полученные технические и алгоритмические решения для практического использования в системах диагностики функционального состояния сердечно - сосудистой системы.

На основе разработанного метода анализа медленных волн сложных системных ритмов и схемы алгоритма рис.6 предложена структура системы управления функциональным состоянием сердечно - сосудистой системы с использованием терапевтического электромагнитного излучения и контроле динамики состояния системы от датчиков фотоплетизмограммы. Она реали-

зует принцип регулирования по отклонению. В качестве регулятора в ней используется модуль нечеткого управления, который выдает управляющий сигнал на блок генератора электромагнитного излучения.__

Модель структурного анализа

Гибридная модель №ннесотовы правила

Рис. 7 - Сравнительная характеристика показателей качества диагностики ИБС предложенными методами принятия решений и миннесотовым кодированием

С выхода модуля нечеткого управления поступает три управляющих сигнала: один из них поступает на управляющий вход усилителя индуктора и определяет интенсивность электромагнитного излучения, два других управляющих сигнала представлены для управления спектральной плотностью электромагнитного излучения.

На вход модуля нечеткого управления поступают информативные признаки XI, Х2 и ХЗ, полученные в результате анализа трех медленных волн, согласно структурной схемы, представленной на рис.4.

Комплекс решающих правил составляет основу блока нечеткого вывода. Он имеет иерархическую структуру, которая построена на основе анализа чувствительности медленных волн системных ритмов к электромагнитному воздействию.

Алгоритм работы модуля нечеткого управления синтезирует адекватное управляющее воздействие на генератор электромагнитного излучения. Процесс его работы начинается с загрузки информативных признаков в блок фуззификации. Кроме информативных признаков в блок фуззификации поступает текущее значение интенсивности терапевтического воздействия.

После перехода от числовых значений информативных признаков к нечетким множествам задействуется база нечетких решающих правил, которая делится на три блока по числу рассматриваемых иерархических уровней. Сначала идет просмотр базы данных верхнего иерархического уровня, затем, по мере перехода к нижним иерархическим уровням, снижаются требования к чувствительности контроля результатов терапии. Если активных правил

нет вообще, то осуществляется выход в интерактивный режим. При наличии активных решающих правил определяется степень их активности и реализуется процесс дефуззификации, в результате которого формируется конкретное число, определяющее степень изменения терапевтического электромагнитного излучения. При отсутствии потери управления процесс терапии заканчивается только по истечении заданного времени.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для интеллектуальных систем анализа многомерных данных, позволяющие проектировать интеллектуальные системы для анализа состояния и динамики сложных систем на основе анализа медленных волн системных ритмов.

В диссертационной работе получены следующие основные результаты:

1. Проанализированы существующие методы формирования интеллектуальных информационных технологий для решения практических задач диагностики и прогнозирования состояния сложных систем. Выявлены их достоинства и недостатки.

2. Разработан метод принятия решений по классификации состояний сложных объектов, включающий процедуры определения доступных медленных волн, формирования релевантных строк вейвлег-плоскости, дислоцирующих в сегментах медленных волн, определение их оконного преобразования Фурье, компоненты которого являются входной информацией для нейронной сети, принимающей решение по отнесению текущего состояния объекта к тестируемому состоянию;

3 Разработан метод классификации состояния сложных систем на основе анализа структурных функций медленных волн, заключающийся в априорном выборе континуума медленных волн, определение структурных функций медленных волн, входящих в этот континуум, и использовании отсчетов этих структурных функций в качестве информативных признаков для блока принятия решений, построенного по нейросетевой технологии, позволяющий осуществлять как управление динамикой сложных объектов^ так и их классификацию.

4. Разработан алгоритм классификации и управления состоянием сложных объектов, включающий процедуру формирования признакового пространства посредством сравнения отсчетов заданного континуума медленных волн с отсчетами такого же континуума в эталонном объекте и вычисления расстояния текущего состояния объекта до контрольного объекта, позволяющий осуществлять классификацию объектов на два и более классов и контролировать динамику состояния одного и того же объекта;

5. На основе разработанного метода классификации состояния сложных объектов по анализу медленных волн системных ритмов предложены алгоритмы управления состоянием сложных объектов, позволяющие синте-

зировать адекватное управляющее воздействие на генератор электромагнитного излучения в процессе управления функциональным состоянием сердечно-сосудистой системы.

6. На примере диагностики ишемической болезни сердца получены сравнительные характеристики качества полученных моделей анализа сложных систем по сравнению с результатами экспертных оценок, построенных на основе миннесотовых кодов. Анализ показателей качества моделей принятия решений, основанных на предлагаемых методах показал, что показатели качества моделей, построенных на основе структурного анализа, выше на 3% показателей качества моделей, построенных на основе гибридных методах, и уступают всего на два процента показателям качества экспертов.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК РФ

1. Белобров, А.П. Многомерная частотная селекция в задачах анализа медленных волн [Текст] / А.П. Белобров, A.A. Кузьмин, С.А. Филист // Биомедицинская радиоэлектроника. 2010. - №2. - С.4-10.

2. Белобров, А.П. Нейросетевые модели морфологических операторов для сегментации изображений биомедицинских сигналов. [Текст] / А.П. Белобров, С.А. Борисовский, P.A. Томакова // Известия ЮФУ. Технические науки. Тематический выпуск. «Медицинские информационные системы». -Таганрог: Изд-во ТТИ ЮФУ. 2010. - №8(109). - С.28-31.

3. Белобров, А.П. Гомеостатическое моделирование сердечнососудистых заболеваний на основе взаимного спектрального анализа системных ритмов [Текст] / А.П. Белобров, A.A. Кузьмин, В.А. Аль-Муаалемии и [др.]// Научные ведомости Белгородского государственного университета, №13(84). Выпуск 15/1. Белгород . 2010. - С. 99-106.

4. Белобров, А.П. Классификация квазипериодических сигналов в медицинских диагностических системах на основе авторегрессионного моделирования [Текст] / A.A. Кузьмин, А.П. Белобров, К.Д. Али Кассим и др. // Биотехносфера, 2010. - №3(9). - С. 19-26.

Статьи и материалы конференций

5. Белобров, А.П. Выделение информативных параметров из фотопле-тизмосигнала в амплитудно-частотном пространстве [Текст] / А.П. Белобров, С.А. Филист//Медикоэкологическе информационные технологии-2009. Сборник материалов XII Междунар. научн.-техн.конф. - Курск: КГТУ, 2009. - С.5 8-61.

6. Белобров, А.П. Способ сегментации биомедицинских изображений в частотной области с использованием нейросетевых технологий [Текст] / А.П. Белобров // Биотехнические, медицинские и экологические системы и комплексы (Биомедсистемы -2009): Материалы конференции. - Рязань: РГРТУ, 2009. С. 140-144.

7. Белобров, А.П. Способ синтеза признакового пространства для диагностики онкологических и вирусных заболеваний методом многочастот-

\

НОИ импедансометрии [Текст] / А.П. Белобров, А.А. Бурмака, К.Д.А. Кассим // Инновационные технологи» управления здоровьем и долголетием человека: Материалы I Международной научно - практической конференции -

Санкт-Петербург, 2010. - С.З 8 - 44.

8. Белобров, А.П. Теоретико-множественный подход к параметризации сегментов изображения [Текст] / А.П. Белобров //Медико-экологические информационные технологии-2010. Сборник материалов XIII Междунар На-

учн.-техн. конф,-Курск: КГТУ, 2010. - С.116-119.

9. Белобров, А.П. Модели формирования данных для экспертных систем медицинской диагностики на основе многомерного спектрального анализа системных ритмов различных иерархий [Текст] / А.П. Белобров С А Филист, ОБ. Шаталова// Лазерно-информационные технологии в медицине биологии и геоэкологии: Труды XVII Международной конференции г Новороссийск, 2010. - С.72-73. *

10. Белобров, А.П. Частотно - временной анализ вибрации сосудистых стенок [Текст] / А.П. Белобров, А.А.Б. Дафалла, В.В. Жилин // Физика и радиоэлектроника в медицине и экологии: Труды 9-й межд. научн.-техн. конф с элем, научн. молод, школы - Владимир, 2010. - С.75-78.

И. Белобров, А.П. Метод и алгоритмы анализа цугов спектральных волн в интеллектуальных системах кардиоскрининга [Текст] / А.П Белобров // Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (Биомедсистемы -2010): Материалы конференции Часть 2 - Рязань: РГРТУ, 2010. - С.377-382.

12. Белобров, А.П. Структура гибридных нейронных сетей для классификации временных рядов [Текст] / А.П. Белобров. Д.А. Кабус Кассим О В Шаталова//Информационные и управленческие технологии в медицине и экологии: сборник статей V Всероссийской научно-технической конференции -Пенза, 2011,- С.14-17.

13. Белобров, А.П. Нейронная сеть для анализа структурных функций медленных волн [Текст] / А.П. Белобров //Медико-экологические информационные технологии-2010: сборник материалов XIV Междунар. научн -техн

конф./Курск: ЮЗГУ, 2011.-С.З 1-42. ' ' '

14. Белобров, А.П. Алгоритм формирования признакового пространства на основе вейвлет - преобразования квазипериодических сигналов в спектральной области [Текст] / А.П. Белобров //Молодежь и XXI век: материалы Ш Международной молодежной научной конференции- в 3 ч 4 3 - Куоск-ЮЗГУ, 2011.-С.154-158. '

ИД №06430 от 10.12.01г.

Подписано в печать_2011. Формат 60x84 1/16

Печатных листов 1,0. Тираж 100 экз. Заказ 3/ Юго-Западный государственный университет' Издательско-полиграфический центр ЮЗГУ. 305040, г. Курск, ул. 50 лет Октября, 94

СПИСОК ОБОЗНАЧЕНИИ И СОКРАЩЕНИИ.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ МЕТОДОВ КОМПЬЮТЕРНОЙ ДИАГНОСТИКИ И УПРАВЛЕНИЯ СЛОЖНЫМИ СИСТЕМАМИ.

1.1. Системы искусственного интеллекта для классификации объектов и принятия решений.

1.2. Нейронные сети.

1.3. Нечеткие модели в системах принятия решений и управления.

1.4. Анализ методов и средств поддержки принятия решений в медицинских системах.

1.5. Цели и задачи исследования.

ГЛАВА 2. ГИБРИДНЫЕ ТЕХНОЛОГИИ ВЫДЕЛЕНИЯ МЕДЛЕННЫХ ВОЛН ИЗ КВАЗИПЕРИОДИЧЕСКИХ СИГНАЛОВ.

2.1. Модели нестационарных систем на основе оконного преобразования Фурье и вейвлет-преобразовании.

2.2. Модель селектора медленных волн нестационарных сигналов.

2.3. Модель нестационарной системы, основанная на использовании вейвлет-преобразования с последующим оконным преобразованием Фурье реперных строк вейвлет-плоскости.

2.4. Метод и алгоритм классификации состояний сложных объектов на основе гибридного анализа медленных волн системных ритмов.

2.5. Выводы второй главы.

ГЛАВА 3. МЕТОД КЛАССИФИКАЦИИ СЛОЖНЫХ ОБЪЕКТОВ НА ОСНОВЕ АНАЛИЗА СТРУКТУРНЫХ ФУНКЦИЙ МЕДЛЕННЫХ ВОЛН.

3.1. Структурная функция как характеристика нестационарных процессов.

3.2. Система поддержки принятия решений на основе анализа структурных функций медленных волн различных порядков.

3.3. Алгоритмы вычисления структурных функций медленных волн и принятия решений.

3.4. Выводы третьей главы.

ГЛАВА 4. ИССЛЕДОВАНИЯ ЭФФЕКТИВНОСТИ РАЗРАБОТАННЫХ МЕТОДОВ В ЗАДАЧАХ КЛАССИФИКАЦИИ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ЖИВЫХ ОБЪЕКТОВ.

4.1 Формирование обучающих и контрольных выборок для проверки эффективностей разработанных методов классификации.

4.2 Апробация предложенных методов и средств на репрезентативных контрольных выборках.

4.3. Синтез системы управления функциональным состоянием сердечно-сосудистой системы на основе мониторинга параметров медленных волн и нечеткой модели управления терапевтической процедурой.

4.4. Выводы четвертой главы.

Актуальность работы. Современный этап развития информационных технологий характеризуется широким использованием теоретического и прикладного аппарата системного анализа, в том числе при создании систем поддержки принятия диагностических решений для сложных объектов, к которым принадлежат динамические системы с большим числом параметров и внутренних процессов. В них содержатся многочисленные управляющие, регулирующие, обеспечивающие, страхующие системы, удерживающие параметры в строго определенных пределах. Функционирование указанных систем по поддержанию жизнедеятельности сложного объекта сопровождается взаимосвязанными процессами, обеспечивающими многоуровневый механизм управления.

В таких системах особенно актуально исследование процессов, в которых в результате наложения множества системных ритмов, сигналы, несущие информацию о состоянии систем объекта, приобретают сложную форму, характеризующую совокупность циклических составляющих различных уровней, отличающихся по амплитуде, фазе, частоте.

Доступные в настоящее время массивы информации позволяют на более высоком уровне ставить задачу оценки совместного влияния на исследуемый объект многих периодических процессов, различающихся как природой, так и временными диапазонами с одновременным оцениванием иерархической структуры взаимодействия исследуемых факторов. Анализ многочисленных отечественных и зарубежных исследований в области изучения сложных систем, проведенных особенно на протяжении последних 10 лет, показал, что значительной информационной ценностью обладают скрытые составляющие системных процессов - системные ритмы, которые в современных диагностических системах практически не выделяются и не обрабатываются, что значительно снижает потенциальные возможности перспективных диагностических систем (Н.Д. Девятов, С.П. Ситько, A.A.

Яшин и др.). Поэтому необходимо создание качественно новых методов и алгоритмов, позволяющих выделять и анализировать сигналы в объектах, характеризующихся сложными системными ритмами.

Научно-технической задачей исследования является повышение качества принятия диагностических и управленческих решений для объектов, характеризующихся сложными системными ритмами.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 20092013 годы (государственный контракт № П705 от 12 августа 2009 г., номер госрегистрации 01200962672) и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Живые системы со сложным взаимодействием системных ритмов.

Предмет исследования. Методы и алгоритмы анализа состояний и управления сложными системами.

Содержание диссертации соответствует п.10 «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах» и п.12 «Визуализация, трансформация и анализ » информации на основе компьютерных методов обработки информации» паспорта специальности 05.13.01 - Системный анализ, управление и обработка информации (технические науки).

Цель исследования - разработка методов и алгоритмов принятия решений и управления на основе анализа сигналов системных ритмов, повышающих качество классификации и управления функциональным состоянием систем, характеризующихся сложными системными ритмами.

Для достижения поставленной цели необходимо решить следующие задачи: проанализировать существующие методы интеллектуальной поддержки принятия решений, предназначенные для решения практических задач в медицинских системах, выявить их достоинства и недостатки;

- разработать метод принятия решений по классификации состояний сложных систем на основе гибридного подхода к обработке данных о системных ритмах;

- разработать метод классификации сложных систем на основе структурного анализа сигналов системных ритмов;

- построить алгоритмы анализа, классификации и управления состоянием сложными системами, предназначенные для реализации разрабатываемых методов;

- исследовать на практике эффективность применения созданных методов, моделей и алгоритмов для решения практических задач (на примере интеллектуальных систем диагностики и управления физиотерапией сердечно-сосудистых заболеваний).

Методы исследований. Для решения поставленных задач использовались методы системного анализа, многомерного спектрального анализа, математической статистики, теории нечетких нейронных сетей, распознавания образов, экспертного оценивания и принятия решений. При разработке модулей принятия решений и нечеткого вывода в качестве инструментария использовался Matlab 6.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox. При реализации методов спектрального и структурного анализа использовался Mathcad 14.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

- метод принятия решений по классификации состояний сложных систем, отличающийся тем, что в исследуемом сигнале вначале определяются доступные системные ритмы, а затем по отсчетам входного сигнала формируются релевантные строки вейвлет-плоскости, модулированные соответствующими системными ритмами, определяется их оконное преобразование Фурье, компоненты которого являются входной информацией для нейронной сети, принимающей решение по отнесению текущего состояния системы к тестируемому состоянию; метод классификации состояния сложных систем на основе структурного анализа модулированных сигналов системных ритмов, заключающийся в априорном выборе совокупности системных ритмов, определении структурных функций модулированных сигналов системных ритмов, входящих в эту совокупность, и использовании отсчетов структурных функций в качестве информативных признаков для блока принятия решений, построенного по нейросетевой технологии, позволяющий осуществлять как управление динамикой сложных объектов, так и их классификацию; алгоритм классификации и управления сложными системами (включающий процедуру формирования признакового пространства) посредством сравнения отсчетов заданной совокупности модулированных" сигналов системных ритмов с отсчетами такой же совокупности в эталонном объекте и вычисления расстояния текущего состояния объекта до контрольного объекта, отличающийся тем, что для управления состоянием объекта в пространстве информативных признаков используется управляемое воздействие на объект, эффективность которого оценивается изменением расстояния между заданным и текущим состояниями объекта в результате воздействия, в зависимости от чего осуществляется корректировка управляющего воздействия, позволяющий выполнить классификацию объектов на два и более классов и контролировать динамику состояния одного и того же объекта;

Практическая значимость и результаты внедрения. Практическое значение работы определяется возможностью применения результатов исследования при прогнозировании, диагностике и управлении физиотерапией психосоматических заболеваний.

Разработанные методы, модели и алгоритмы составили основу построения интеллектуальной системы для диагностики и физиотерапии сердечно — сосудистых заболеваний. Основные теоретические и практические результаты работ внедрены в учебный процесс Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных»), использованы при выполнении НИР 1.187.09 «Прогнозирование функционального состояния сердечно-сосудистой системы человека на основе многомерного спектрального анализа данных мониторинга акустических и электрофизиологических процессов жизнедеятельности, осуществляемого посредством микроминиатюрных датчиков и мобильных средств связи», выполняемой по заказу Минобрнауки России, и в ходе формирования индивидуальных программ по профилактике и лечению сердечнососудистых заболеваний в терапевтическом и хирургическом отделениях

МУЗ «Беловская ЦРБ» Курской области, что подтверждено соответствующими актами.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на XII, XIII и XIV Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2009, 2010, 2011); V Всероссийских научно-технических конференциях «Информационные и управленческие технологии в медицине и экологии» (Пенза, 2011); на XVII Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2010), на Всероссийской научно-технической конференции «Медицинские информационные системы МИС-2010» (Таганрог, 2010), на Международной конференции с элементами научной школы для молодежи «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 2009, 2010), на I Международной конференции «Инновационные технологии управления здоровьем и долголетием человека» (Санкт

Петербург, 2010); IX Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии (Владимир-Суздаль,

2010); на III Международной конференции «Молодежь и XXI век» (Курск,

2011); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2009,2010, 2011).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 14 печатных работ, из них четыре статьи в рецензируемых научных журналах.

Личный вклад автора. Все выносимые на защиту результаты получены автором лично. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] автором исследовано значение анализа модулированных сигналов системных ритмов в классификации состояния сложных объектов, в [2] соискателем предложены способы анализа изображений спектральных и вейвлет - плоскостей модулированных системных ритмов биомедицинских сигналов, в [3], [4] и [5] автором г разработаны модели анализа модулированных сигналов системных ритмов живых систем, в [7], [9] и [10] автор предложил способы синтеза пространств информативных признаков на основе анализа сигналов системных ритмов* различных подсистем живых объектов, в [12] и [13] автором разработаны нейросетевые модули принятия решений, предназначенные для реализации методов анализа состояния сложных систем по их системным ритмам.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 100 отечественных и 11 зарубежных наименований. Работа изложена на 124 страницах машинописного текста, содержит 51 рисунок и 9 таблиц.

4.4. Выводы четвертой главы

В результате проведенных исследований были сформированы обучающие и контрольные выборки для проверки адекватности методов и алгоритмов принятия решений, основанных на анализа медленных волн системных ритмов живых систем, а также проведена апробация предложенных методов и средств на репрезентативных контрольных выборках на примере диагностики ишемической болезни сердца.

Разработана специализированная многоуровневая база тестовых ЭКГ-сигналов с возможностью комбинации чистых сигналов с сигналами помех различного вида и с репрезентативным набором всех классов формы кардиоимпульсов. Структура данной тестовой базы позволяет сочетать различные варианты и уровни тестирования. При этом появляется возможность как параллельного, так и последовательного сочетания тестовых сигналов, что обеспечивает универсальность разработанной базы тестовых ЭКС.

Разработано методическое обеспечение всех этапов формирования обучающих и контрольных выборок для проверки адекватности моделей принятия решений.

Анализ показателей качества классификации моделей принятия решений, основанных на предлагаемых методах показал, что показатели качества моделей, построенных на основе структурного анализа выше на 3% показателей качества моделей, построенных на основе гибридных методах, и уступают всего на два процента показателям качества экспертов.

Полученные сравнительные характеристики экспертных оценок риска сердечно — сосудистых осложнений и предлагаемых моделей интеллектуальных систем позволяют рекомендовать полученные технические и алгоритмические решения для практического использования в системах диагностики функционального состояния сердечно - сосудистой системы.

На основе разработанного метода анализа медленных волн сложных системных ритмов предложена структура системы управления функциональным состоянием сердечно - сосудистой системы, отличающая использованием модуля нечеткого управления в качестве регулирующего элемента.

Разработан комплекс решающих правил, составляющих основу блока нечеткого вывода системы управления функциональным состоянием, отличающийся иерархической структурой, которая построена на основе анализа чувствительности медленных волн системных ритмов к электромагнитному воздействию.

Предложен алгоритм работы модуля нечеткого управления, позволяющий синтезировать адекватное управляющее воздействие на генератор электромагнитного излучения.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований предложены новые научно-технические решения, позволяющие проектировать интеллектуальные системы для анализа состояния и динамики сложных объектов на основе анализа медленных волн системных ритмов.

В диссертационной работе получены следующие основные результаты:

1. Проанализированы существующие методы формирования интеллектуальных информационных технологий для решения практических задач диагностики и прогнозирования состояния объектов со сложными взаимодействиями системных ритмов. Выявлены их достоинства и недостатки.

2. Разработан метод принятия решений по классификации состояний сложных систем на основе анализа доступных системных ритмов в исходном сигнале и формирования релевантных строк вейвлет - плоскости этого сигнала, модулированных соответствующими системными ритмами, позволяющий сформировать входную информацию для нейронной сети, принимающей решение по отнесению текущего состояния объекта к тестируемому состоянию;

3 Разработан метод классификации сложных систем на основе анализа структурных функций априорно выбранной совокупности системных ритмов, и использовании отсчетов этих структурных функций в качестве информативных признаков для блока принятия решений, построенного по нейросетевой технологии, позволяющий сформировать управляющие воздействия для управления динамикой сложных объектов в пространстве информативных признаков.

4. Построены алгоритмы анализа, классификации и управления состоянием сложных систем, предназначенные для реализации разработанных методов, включающие процедуру формирования признакового пространства посредством сравнения отсчетов низкочастотных модулирующих сигналов с отсчетами такого множества сигналов в контрольном объекте и вычисления расстояния текущего состояния объекта до контрольного объекта, позволяющие осуществлять классификацию объектов на два и более классов и контролировать динамику состояния одного и того же объекта.

5. На основе разработанного метода классификации состояния сложных систем по анализу низкочастотных модулирующих сигналов системных ритмов предложены алгоритмы управления состоянием сложными системами, позволяющие сформировать адекватное управляющее воздействие на генератор электромагнитного излучения в процессе управления функциональным состоянием сердечно - сосудистой системы.

6. На примере диагностики ишемической болезни сердца получены сравнительные характеристики качества классификации для разработанных моделей по сравнению с результатами экспертных оценок, построенных на основе миннесотовых кодов. Анализ показателей качества моделей принятия решений, основанных на предлагаемых методах, показал, что показатели качества классификации моделей, построенных на основе структурного анализа, выше на 3% показателей качества классификации моделей, построенных на основе гибридных методов, и уступают всего на два процента показателям качества экспертных оценок.

1. Айвазян, С.А. Классификация многомерных наблюдений Текст./ С.А. Айвазян, З.И. Бежаева, О.В. Староверов. М., "Статистика", 1975.

2. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов: В 2 т. Т. 2. Основы эконометрики. Текст. / С.А. Айвазян. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 432 с.

3. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник для вузов. В 2 т. Т. 1. Теория вероятностей и прикладная статистика Текст./ С.А. Айвазян, B.C. Мхитрян. 2-е изд., испр. M.: ЮНИТИ-ДАНА, 2001.656 с.

4. Александер Ф. Психосоматическая медицина. — М.: ЮНИТИ, 2007. -435 с.

5. Аль-Муаалеми, В.А. Гибридный способ классификации биосигналов на основе технологий нечеткой логики принятия решений и нейронных сетей Текст. / В.А. Аль-Муаалеми, В.В. Жилин, С.А. Филист // Биомедицинская радиоэлектроника, 2009, №5. С.77-82.

6. Астафьева, Н.М. Вейвлет-анализ: основы теории и примеры применения Текст./ Н.М.Астафьева. УФН. Т. 166, №11. 1996. С. 1145-1170.

7. Афифи, А., Эйзен, С. Статистический анализ Текст./ А. Афифи, С. Эйзен. М. "Мир", 1972.

8. Баевский P.M. Оценка адаптационных возможностей организма к риск развития заболеваний / P.M. Баевский, А.П. Берсенева. М.: Медицина, 1997. 265 с.

9. Барсегян, A.A. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP Текст./ A.A. Барсегян. СПб.: БХВ-СанктПетербург, 2007. 384 с.

10. Батыршин, И.З. Общий взгляд на основные черты и направления развития нечеткой логики Текст./ И.З. Батыршин. Новости искусственного интеллекта. 2001. 44-45. 25-27.

11. П.Батюшин, М.М. Прогнозирование сердечно сосудистых заболеваний. Текст. / М.М. Батюшин //Монография. - Ростов -н/Д.: Издательство МАРТ. 2006. 144с.

12. Борисов, А.Н. Принятие решений на основе нечетких моделей: Примеры использования Текст. А.Н. Борисов, О.А Крумберг, И.П. Федоров Рига: Зинатне, 1990. 180 с. Н.Брудно, В.А. Базы данных с неполной информацией [Текст] В.А. Брудно, Д.П. Скворцов 5-45.

13. Боровиков, В. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов Текст. / В. Боровиков. 2-е изд. (+CD). СПб.: Питер, 2003. 688 с.

14. Бохуа, H.A. Экспертные системы: опыт проектирования Текст. / H.A. Бохуа, В .А. Геловани, О.В. Ковригин. -М., 1990. 218 с.

15. Воробьев, В.И. Теория и практика вейвлет-преобразования Текст. / В.И. Воробьев, В.Г. Грибунин. СПб.: ВУС, 1999. 204 с.

16. Галушкин, А.И. Синтез многослойных систем распознавания образов Текст. / А.И. Галушкин. М.: Энергия, 1974. 386 с.

17. Генкин, A.A. Новая информационная технология обработки данных (программный комплекс ОМИС) Текст. / A.A. Генкин. СПб.: Политехника, 1999. 191 с.

18. Гимаров, В.А. Нейро-нечеткий метод классификации объектов с разнотипными признаками Текст. / В.А. Гимаров, М.И. Дли, С.Я. Битюцкий // Системы управления и информационные технологии. 2004. №4 (16). С. 13-18.

19. Глас, Леон. От часов к хаосу: Ритмы жизни Текст. / Леон Глас, Майкл Мэки. Пер. с англ. Р.И. Сельковой; Под ред. Е.Е. Селькова. М.: Мир, 1991.-248 с.

20. Горбань, А. Н. Обучение нейронных сетей Текст./ А. Н. Горбань-М.: СП Параграф, 1990.

21. Горелик, А.Л. Методы распознавания Текст. / А.Л. Горелик,

22. B.А. Скрипкин. М.: Высшая школа. 2004. 261 с.

23. Грахов, A.A. Имитационное моделирование систем нечеткого вывода для медицинских приложений Текст. / A.A. Грахов, В.В. Жилин,

24. C.А. Филист// Медико-экологические информационные технологии 2008: сб. материалов XI Международной научно-технической конференции / Курск, гос. техн. ун-т. Курск, 2008. С.102-105.

25. Грахов, A.A. Система поддержки принятия решений для врача-терапевта на основе нечетких сетевых моделей Текст./ A.A. Грахов, Л.А. Жилинкова, Е.В. Шевелева//Вестник новых медицинских технологий. Тула, 2006. T.XIII, №2. С.43-46.

26. Джарратано, Дж. Экспертные системы: принципы разработки и программирование. Текст./ Дж. Джаратано, Г. Райли. М.: Вильяме. 2007.1152 с.

27. Дмитриева, Н.В. Индивидуальное здоровье и полипараметрическая диагностика функциональных состояний организма (системно -информационный подход) Текст. / Н.В. Дмитриева, О.С. Глазачев. М., 2000. - 214 с.

28. Дубров, A.M. Многомерные статистические методы Текст.: учебник / A.M. Дубров, B.C. Мхитрян, Л.И. Трошин. М.: Финансы и статистика, 2000. 352 с.

29. Дуда, Р. Распознавание образов и анализ сцен Текст. / Р. Дуда, Р. Харт. М.: Мир, 1976.

30. Дьяконов, В.П. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики Текст. / В.П. Дьяконов, В.В. Круглов. Серия «Библиотека профессионала». М.: Солон-Пресс, 2006. 456 с.

31. Дюк, В. Обработка данных на ПК в примерах Текст. / В. Дюк. -СПб: Питер, 1997. 240 с.

32. Елисеева, И.И. Логика прикладного статистического анализа Текст. / И.И. Елисеева, В.О. Рукавишников. М.: Финансы и статистика, 1982. 192 с.

33. Заде, А. Основы нового подхода к анализу сложных систем и процессов принятия решений Текст. / А. Заде // Математика сегодня. М., 1974.

34. Заенцев, И.В. Нейронные сети: основные модели: учебное пособие по курсу «Нейронные сети» для студентов 5 курса магистратуры физического ф-та Воронежского государственного университета Текст. / И.В. Заенцев. Воронеж, 1999. 76 с.

35. Затейщикова A.A., Затейщиков Д.А. Эндотелиальная регуляция сосудистого тонуса: методы исследования и клиническое значение // Кардиология. 1998. - № 9. - С. 68-80.

36. Захаров, В.Н. Современная информационная технология в системах управления Текст. / В.Н. Захаров // Изв. АН. Теория и системы управления, 2000. -№1. С. 70-78.

37. Иглин, С.П. Математические расчеты на базе Matlab Текст. / С.П. Иглин. BHV-Санкт-Петербург, 2005. 640 с.

38. Изучение генетических и лабораторных маркеров у пациентов с ишемической болезнью сердца и сахарным диабетом 2 типа / Назаренко Г.И., Клейменова Е.Б., Пающик С.А. // Российские Медицинские Вести. 2009.-том XIV, №2. С.28-36.

39. Изучение генетических маркеров и традиционных факторов риска у пациентов с ишемической болезнью сердца Текст./ Назаренко Г.И., Клейменова Е.Б., Гущина H.H., Пающик С.А. // Российские Медицинские Вести. 2009.- том XIV, №1. С. 41-48.

40. Ильинский, Б.В. Ишемическая болезнь сердца и наследственность. Текст. / Б.В. Ильинский, С.К. Клюева // JL: Медицина, 1985. 176 с.

41. Калинина, A.M. Влияние многофакторной профилактики ИБС на прогноз жизни Текст. / A.M. Калинина, Л.Ж. Чазова, Л.И. Павлова //Кардиология. 1996. — № 3. С. 22 — 27.

42. Коломоец, Н.М. Гипертоническая болезнь и ишемическая болезнь сердца: Руководство для врачей, обучающих пациентов в школе больных гипертонической болезнью и ишемической болезнью сердца Текст./ Н.М. Коломоец, В.И. Бакшеев. М.: Медицина, 2003. 336 с.

43. Кореневский, H.A. Автоматизированные медико-технологические системы Текст./ монография. В 3 ч. / H.A. Кореневский, А.Г. Устинов, В.А. Ситарчук; под ред. А.Г. Устинова. Курск, гос. техн. ун-т. Курск, 1995. 390 с.

44. Кореневский, H.A. Проектирование нечетких решающих сетей настраиваемых по структуре данных для задач медицинской диагностики

45. Текст. / H.A. Кореневский // Системный анализ и управление в медицинских системах. 2005. Т.4. №1. С.15-38.

46. Круглов, В.В. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода Текст. // В.В. Круглов, М.И. Дли. М.: Физматлит, 2002. 322 с.

47. Круглов, В.В. Искусственные нейронные сети. Теория и практика. Текст. / В.В. Круглов, В.В. Борисов М.: Горячая линия - Телеком, 2001. 382с.

48. Круглов, В.В. Нечеткая логика и искусственные нейронные сети Текст. / В.В. Круглов, М.И. Дли, Р.Ю. Голунов. Физматлит, 2001. 224 с.

49. Лабораторные и генетические маркеры в стратификации риска ишемической болезни сердца / Назаренко Г.И., Клейменова Е.Б., Гущина H.H. // Кардиоваскулярная терапия и профилактика. 2009. том 8, №1 - С. 35-42.

50. Макаров, Е. Инженерные расчеты в Mathcad 14 Текст./Е. Макаров СПб.: Питер, 2007. - 592 с.

51. Макаров, Л.М. Особенности вариабельности циркадного ритма сердца в условиях свободной активности. Физиология человека т. 24 N 2 1998. С.56-62.

52. Математические методы обработки многомерных данных и временных рядов: учебное пособие /В.В. Жилин, A.A. Кузьмин, С.А. Филист и др.: Изд-во Курск, гос. с.-х. ак., 2009. 229 с.

53. Медведев, B.C. Нейронные сети. Matlab 6 Текст. / B.C. Медведев, В.Г. Потемкин. -М.:Диалог-МИФИ, 2000. 496 с.

54. Минаев, Ю.Н. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе Текст. / Ю.Н. Минаев, О.Ю. Филимонова, Л. Бенамеур.- М.: Горячая линия -Телеком, 2003. 205 с.

55. Назаренко, Г.И. Оценка риска ИБС с помощью комбинации традиционных факторов риска и генетических маркеров Текст. / Г.И.

56. Назаренко, Е.Б. Клейменова, С.А. Пающик // Кардиоваскулярная терапия и профилактика. 2008. №7, Прил. №1. С. 260.

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

58. Нечеткие модели для экспертных систем в САПР Текст. / Н.Г. Малыше, П.С. Берштейн, A.B. Боненюк. М.: Энергоатомиздат, 1991. 136 с.

59. Общепринятые алгоритмы для оценки факторов риска ишемической болезни сердца и генетические полиморфизмы Текст./ Назаренко Г.И., Клейменова Е.Б., Пающик С.А.// Сердце. 2009 - том 8, №2. С. 104-108.

60. Оганов, Р.Г. Профилактика сердечно-сосудистых заболеваний: возможности практического здравоохранения Текст. / Р.Г. Оганов //Кардиоваскулярная терапия и профилактика. 2002. —№ 1. С. 50—9.

61. Окороков, А.Н. Диагностика болезней внутренних органов. Диагностика болезней сердца и сосудов Текст. / А.Н. Окороков, под редакцией Н.Е. Федорова. М.: Мед. литр. 2006. 464с.

62. Орлов, А.И. Экспертные оценки: учебное пособие Текст./ а.И. Орлов. М.: 2002.

63. Основы проектирования автоматизированных систем анализа медико-биологических сигналов Текст. / В.В. Губанов, JI.B. Ракитская, С.А. Филист / ГУИПП «Курск». Курск, 1997. 134 с.

64. Осовский, С. Нейронные сети для обработки информации Текст./ С. Осовский; пер. с польского И.Д. Рудинского.- М.: Финансы и статистика, 2002.344 с.

65. Пат. 2128363 Российская Федерация. Рефлекторная нейросеть Текст. БИ №9,1999.

66. Пат. 2006067 Российская Федерация. Способ обработки информации в нейронной сети Текст. БИ №14, 1991.

67. Петри, А. Наглядная статистика в медицине Текст. / А. Петри, К. Сэбин. Пер. с англ. Леонова В.П. М.: ГЭОТАР-МЕД, 2003. 144с.

68. Плотников Д.В., Белозеров А.Е., Мешковский Д.В. Методы и средства оценки параметров ФС с различными типами обратных связей. Вестн. нов. мед. технол. 2006; 8 (2): 28-31.

69. Поспелов, Г.С. Искусственный интеллект основа новой информационной технологии Текст. / Г.С. Поспелов - М.: Наука, 1988. -168 с.

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

71. Прикладной анализ случайных процессов Текст. / Под ред. Прохорова С.А./СНЦ РАН, 2007. 582 с.

72. Прогнозирование ишемической болезни сердца с использованием геномных и компьютерных технологий Текст. / Ю.И. Журавлев, Г.И. Назаренко, В.В. Рязанов, Е.Б. Клейменова // Кардиология, 2010. том 49, №1.

73. Прогностическая значимость различных методов оценки риска ишемической болезни сердца Текст. / Ю.И. Журавлев, Г.И. Назаренко, В.В. Рязанов, Е.Б. Клейменова // Клиническая геронтология: научно-практический журнал. 2009. №8.

74. Прохоров, С.А., Графкин, В.В. Структурно-спектральный анализ случайных процессов / С.А. Прохоров, В.В. Графкин; СНЦ РАН. 2010. 128 с.

75. Радиотехнические цепи и сигналы: Учеб. пособие для вузов Текст. / Д.В. Васильев, М.Р. Витоль, Ю.Н., Горшенков и д.р.; Под ред. К.А. Самойло // М.: Радио и связь, 1982. 528 с.

76. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы Текст. / Д. Рутковская, М. Пилиньский, JI. Рутковский; пер. с польск. И.Д. Рудинского. М.: Горячая линия Телеком, 2004. 452 с.

77. Семенов, А.Д. Идентификация объектов управления: Учебн. пособие Текст. / А.Д. Семенов, Д.В. Артамонов, A.B. Брюхачев. Пенза: Изд-во Пенз. гос. ун-та, 2003.-211 с.

78. Сергиенко, А. Цифровая обработка сигналов (второе издание) Текст. / А. Сергиенко.- СПб, Питер, 2006. 751 с.

79. Симоненко, В.Б. Функциональная диагностика: руководство для врачей общей практики Текст./ В.Б. Симоненко, A.B. Цоколов, А .Я. Фисун. М.: ОАО "Издательство "Медицина", 2005. 304с.

80. Суровцев, И.С. Нейронные сети Текст. / И.С. Суровцев, В.И. Клюкин, Р.П. Пивоварова. Воронеж ВГУ, 1994. 224 с.

81. Тарасов, В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном интеллекте Текст./

82. B.Б. Тарасов // Новости искусственного интеллекта. 1995. №4. С. 24-30.

83. Тэрано, Т Прикладные нечеткие системы: пер. с японского Текст. / Под ред. Т. Тэрано, К. Асаи, М. Сугено. М.: Мир, 1993.

84. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика: пер. с англ. Текст./ Ф. Уоссермен. М.: Мир, 1992. 240 с.

85. Усков, A.A. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика Текст. / А.А.Усков, А.В.Кузьмин.- М.: Горячая линия Телеком. 2004. 144с.

86. Филист, С.А. Гибридный способ классификации биосигналов на основе технологий нечеткой логики принятия решений и нейронных сетей Текст. / С.А. Филист, В.В. Жилин, Аль-Муалеми Ваил Абдулкарим // Биомедицинская радиоэлектроника. 2009. №5. С. 77-82.

87. Филист, С.А. Комплексная методика оценки риска возникновения сердечно-сосудистых заболеваний Текст. /А.Б. Красковский, О.В. Шаталова,

88. C.А. Филист // Перспективы медицинского приборостроения: Известия

89. ЮФУ. Технические науки. Тематический выпуск. Таганрог: Изд-во ТТИ ЮФУ, 2009. - № 10 (99). -С. 53-58.

90. Филист, С.А. Методика вейвлет-диагностики дисфонии по фонеме И Текст. / С.А. Филист, О.В. Шаталова, Н.В. Краснова Вестник новых медицинских технологий. - Тула, 2006. Т. XIII, №2. С. 21-22.

91. Филист, С.А. Многомерная частотная селекция в задачах анализа медленных волн Текст. / С.А. Филист, А.П. Белобров, A.A. Кузьмин // Биомедицинская радиоэлектроника. 2010. №2. С. 4-10.

92. Филист, С.А. Нейросетевой решающий модуль для исследования живых систем Текст./ С.А. Филист, С.Г. Емельянов, А.Ф. Рыбочкин// Известия Курского государственного технического университета №2 (23), 2008. С. 77-82.

93. Филист, С.А. Программный модуль для кодирования QRS-комплексов на основе морфологических признаков Текст. / С.А. Филист, Зо Зо Тун, С.А. Горбатенко// Биомедицинская радиоэлектроника. №2, 2010. С.24-29.

94. Фролов, В.Н. Управление в биологических и медицинских системах: Учеб. пособие Текст./ В.Н. Фролов- Воронеж.гос.техн.ун-т. Воронеж, 2001.327 с.

95. Хайкин, С. Нейронные сети: полный курс Текст. / С. Хайкин. М.: ООО «И.Д. Вильяме», 2006. 1104 с.

96. Хайтун, Д. Наукометрия. Состояние и перспективы Д. Хайтун. М. :Наука, 1983.-121с.

97. Четыркин, Е.М. Статистические методы прогнозирования Е.М. Четыркин. М.: Прогресс, 1970. 247 с.

98. Шаповалов, В.В. Двухуровневая система принятия решений в медицинской информационной системе Текст. / В.В. Шаповалов, А.Г. Коресталев, A.B. Тишков// Биомедицинская радиоэлектроника 2010. №9. С.79-88.

99. Швагер, Д. Технический анализ. Полный курс Д. Швагер. М: Альпина, 2007. 805 с.

100. Шван Х.П., Фостер К.Р. Воздействие высокочастотных полей на биологические системы: Электрические свойства и биофизические механизмы // ТИИЭР. 1980. Т. 68, № 1. С. 121-132.

101. Шестакова, М. В. Сердечно сосудистые факторы риска у пожилых больных сахарным диабетом 2 типа и методы их коррекции Текст. / М. В.Шестакова, JI. А. Чугунова, М. Ш. Шамхалова// Русский медицинский журнал 2002; 10; 11:480-485.

102. Anderson K.M., Odel P.M., Wilson P.W., Kannel W.B. Cardiovascular disease risk profiles. Am Heart J 1991; 121: 293—298.

103. Conroy RM, Pyorala K, Fitzgerald AP, et al. Estimation of ten-year risk of fatal cardiovascular disease in Europe: the SCORE project. Eur Heart J 2003;24:987-1003.

104. Executive summary of the Third Report of the National Cholesterol Education Program (NCEP) Expert Panel on Detection, Evaluation, and Treatment. ; С"of High Blood Cholesterol in Adults (Adult Treatment Panel ЯП). JAMA.2001 ,1. * {4 i ii ь1 f 4 li.

105. Ciasparov, M.S. High-frequency axial vibration in'a combined pump1. K', | * ^unit with gear stages Текст. / M.S.; Gasparov, A.N. Krachkov, L.V. Rodionov,l Л f *

106. E.V.Shakhmatov Bath, UK: Hadleys Ltd, 2007. - 117-127 pp. V« ■{>-> I

107. Grafkin,, V.V. The Specialized Data Type Which Are Exploitable Int h f : .

108. Tasks Are CriticaliTo Overflow Situations Existent In A Memory Part Used For Storing Variable's^ Value Текст. / УУ. Grafkin // Interactive Systems and1. Г 1 4 i|

109. Technologies: The' Problems of Human-Computer Interaction. Collection of" к ftscientific papers. -Ulyanovsk: UISTU; 2007. pp. 239-241.1. ЙГЛ t "

110. Grundy S.M.; Cleeman J.I.; Merz C. N.B.; Brewer H. B., Jr; Clark L.T.;5 I Vi

111. Hunninghake D.B.; * Pasternak R.C.; Smith S.C., Jr; Stone N.J., for the- 2 I* 2, J

112. Coordinating Committee of the National Cholesterol Education Program, Endorsedf ^by the National Heart, Lung, and Blood Institute, American College of Cardiology1. Vvi

113. Foundation, and American Heart Association. Implications of Recent ClinicalI1. Г > лw i J %

114. Trials for the National Cholesterol Education Program Adult Treatment Panel III

115. Guidelines. NCEP Report. Circulation 2004; 110: 227-239. ' ,f; *

116. Igolkin, fAIA. Calculation and design of exhaust'noise muf-flers fori » vjpower engineering equipment / A.A. 'Igolkin , A.N. Kruchkov, E.V. Shakhmatov //>1

117. Proceedings of the 8-th International'Symposium «Transport Noise and Vibration.- St Petersburg, 2006^ S. 14-16.j

118. National|'Cholesterol Education Program (NCEP) Expert Panel onf, I i * v

119. Detection, Evaluation, and Treatment of High Blood Cholesterol in Adults (Adultpfi !' |

120. Treatment Panel III). ,Third Report of the National Cholesterol Education Programf* y p* <f * * f I ** 1

121. NCEP) Expert Parieh on Detection; Evaluation, and Treatment of High Bloodfv p

122. Cholesterol in Adults*(Adult Treatment Panel III) final report. Circulation 2002; 106:3143-3421. (P !> f;

123. Zadeh LVA! Fuzzy algorithms // Information and control. Vol. 12,^ < ft. IM *1968.- №2-P. 233-238. ^h'uft " F jH