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

11-6 2210

/ ! Г

кописи

Белобров Андрей Петрович

МЕТОДЫ И АЛГОРИТМЫ ПРИНЯТИЯ РЕШЕНИЙ И УПРАВЛЕНИЯ СЛОЖНЫМИ СИСТЕМАМИ НА ОСНОВЕ АНАЛИЗА СИГНАЛОВ СИСТЕМНЫХ РИТМОВ

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

Автореферат диссертации на соискание ученой степени кандидата технических наук

КУРСК 2011

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 23 декабря 2011 года в 16 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 (конференц-зал).

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

Автореферат разослан 22 ноября 2011 г.

Ученый секретарь совета по защите докторских и кандидатских диссертаций Д 212.105.03

к.ф-м.н., профессор С-^г- Старков Ф.А.

РОССИЙСКАЯ ГОС/ДАРСТВЕННАЯ БИБЛИОТЕКА

2011 ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

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. Девятое, 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 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 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 объестов 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 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 терапевтическом и хирурги-

ческом 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 журналах, входящих в перечень рекомендованных изданий ВАК Минобр-науки 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 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 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.

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 систем на основе гибридного анализа скрытых 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 параметров модуляции из квазипериодического сигнала.

Для выделения из квазипериодического низкочастотного сигнала информативных признаков, характеризующих параметры его модуляции, предложена гибридная технология, которая позволяет, используя определенные подходы к анализу квазипериодического сигнала, получить такую технологию обработки данных, благодаря которой используемые методы совершенствуют приемы обработки от этапа к этапу, компенсируя недостатки предшествующих методов.

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

Исходный сигнал Х(1), определяющий состояние сложного объекта, поступает на два обрабатывающих блока: селектор системных ритмов и синтезатор вейвлет-плоскости.

Селектор системных ритмов нестационарных сигналов посредством оконного преобразования Фурье (ОПФ) входного сигнала выделяет спектральные цуги, определяет их вейвлет - преобразование и проводит морфологический анализ реперных строк полученной вейвлет - плоскости. В результате этой процедуры определяются скрытые системные ритмы, доступные для анализа.

На рис. 2 приведен пример структурного анализа вейвлет - преобразования цугов ОПФ системных ритмов электрокардиосигнала.

В базу состояний живых объектов вводится некоторое состояние или класс состояний, принадлежность к которому необходимо установить у ис-

следуемого объекта на основании анализа вектора состояний объекта Х(1) (в базе данных на рис.1 хранятся М возможных состояний).

Рис. 1. Структурная схема интеллектуальной системы для реализации метода классификации на основе гибридного анализа сигналов системных ритмов

В соответствии с прошивкой каждый селектор номеров строк вейвлет - плоскости, соответствующих низкочастотной модуляции выбранного системного ритма, передает на вход блока вычисления ОПФ только ограниченное количество строк из сегмента вейвлет - плоскости, соответствующего этому системному ритму. 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.

' М Фрагмент I

к к к к ^

XV У/У,

II <>—I) ■ /. + у т!"7!

|»Т,| Фрагмент 2 | ^ --■ \У

А . А Л А А А /,

/Гц

Тги

т.

Ги

а) 6)

Рис. 2. Фрагменты развертки вейвлет - плоскости спектрального цуга ОПФ ЭКС по строкам (а) и три наименее коррелированных строки вейвлет -плоскости (б): /, - длина строки вейвлет - плоскости, / - номер строки вейвлет - плоскости,./ - номер столбца вейвлет — плоскости, {i-\)L+j - номер отсчета ИТ

Кроме того, селектор системных ритмов может обнаружить не все системные ритмы, имеющиеся 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 ритмы обнаружены селектором системных ритмов. База моделей нейронной сети управляется бинарными выходами селектора.

Над каждой выбранной строкой вейвлет - плоскости осуществляется ОПФ. На рис. 1 изображено ИхМ блоков ОПФ. Если число значимых строк меньше Ы, 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, если соответствующий системный ритм не входит в совокупность, определяемую тестируемое состояние. Если не обнаружен соответствующий ритм, то от входов нейронной сети отключаются все выходы его блоков ОПФ. Эту операцию реализует база моделей нейронной сети. База моделей нейронной сети получена в среде МаНаЬ.

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

Рис. 3. Вейвлет - плоскость электрокардиосигнала с секторами (строками), модулированными системными ритмами (А1 и А2)

На рис. 3 показана вейвлет-плоскость электрокардиосигнала, которая поступает на вход селекторов строк вейвлет-плоскости, полученная по 11 ООО отсчетам сигнала, дискретизированного с частотой 100 Гц. Плоскость содержит 800 строк и имеет граничные частоты 40 Гц и 0,125 Гц.

Для каждого состояния живого объекта выбирается совокупность системных ритмов, релевантных для этого состояния, а селектор определяет доступные медленные ритмы.

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 состояния на входе базы состояния объектов.

В главе 3 для классификации сложных систем предложено использовать структурные функции модулированных нестационарных сигналов, соответствующих определенным системным ритмам.

Метод классификации, основанный на этом подходе, состоит из последовательности процедур, предполагающих априорный выбор совокупности системных ритмов, определение их структурных функций модулированного сигнала, соответствующего выбранному системному ритму, 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 системных ритмов 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 ] которой для сигнала .ОД.

S,k(r') = ^r£[ЛЧМО + rj) - , (1)

где ¿-номер исследуемого системного ритма, Л* -число отсчетов на апертуре структурной функции с номером к.

Число г' - j ■ Д, принимает столько значений, сколько необходимо

получить отсчетов структурной функции (1) для сигнала X(k,t).

Структурные функции сигналов, соответствующих различным системным ритмам, в нашем случае должны иметь одинаковое число отсчетов. Обозначив это число М, можем утверждать, что каждый сигнал Х(к, t) характеризуется множеством отсчетов структурной функции

{Sxk(j-\)}J = IM- (2)

При исследовании структурных функций, проведенных в пакете Mathcad, был» обнаружены следующие закономерности. Чем выше уровень полезного сигнала, связанного с к - м системным ритмом, тем меньше влияние шага дискретизации Дк к - й структурной функции на качество модели структурного анализа. Шаг дискретизации низкочастотной составляющей модулированного нестационарного сигнала целесообразно увеличивать по сравнению с найквистовским и его величина существенно влияет на качество структурного анализа.

Для анализа данных, представленных множествами (2), используем многослойные сети прямого распространения с М нейронами на входе и с числом нейронов на выходе, определяемым числом выделяемых классов сигнала А'(/). 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 системных ритмов, к априорным данным относятся данные о релевантности этих ритмов. Исходя из критерия релевантности, в качестве анализируемых данных используются блоки данных - сегменты сигнала, несущие информацию о конкретном квазипериодическом процессе - системном ритме. В этом случае ширина окна Т выбирается исходя из условия

Т*2Лтвх , (3)

где Лтах - наибольший квазипериод анализируемых низкочастотных составляющих модулированного квазипериодического сигнала.

На рис.4 представлена структурная схема принятия решения на основе структурной функции и нейронных сетей прямого распространения. В этой схеме каждому системному ритму 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 апостериорные значения информативных признаков из исследуемого сигнала выделяются не по одной pea-

лизации, а по совокупности выборок сигнала Х0), полученных в «окне» шириной Т. При этом значения структурных функций определяются 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

= (4)

Модель формирования структурной функции

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

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» -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 являются отчеты структурных функций, связанных с соответствующими системными ритмами. Таким образом, в таблице имеется столько

строк, сколько системных ритмов позволяет исследовать 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 текущего исследуемого процесса Х(1). Ячейки второй таблицы заполняются математическими ожиданиями отсчетов структурных функций нестационарного сигнала, соответствующих классу (.. Следовательно, число кластеров медленных волн равно числу различаемых классов, то есть I.

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 ак, определяется как

Затем определяется норма (евклидова)

Ьк = ,а1

(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 \у2, , то при подаче на вход кластера, настраиваемого на класс й}( выборки из класса й)е, выход соответствующего класса должен быть минимизирован, то есть

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

Для реализации предложенного метода классификации разработаны следующие алгоритмы.

Алгоритм вычисления структурных функций нестационарного сигнала осуществляет вычисление ее отсчетов посредством итерационного процесса, реализованного во внутреннем цикле, причем число итераций не зависит от исследуемого системного ритма, с которым связана структурная функция. На выходе алгоритма получаем прямоугольную матрицу с отсчетами структурных функций выбранной совокупности системных ритмов исследуемой системы.

Алгоритм вычисления информативных признаков по классу С сначала осуществляет сравнение отсчетов заданного множества системных ритмов с отсчетами тех же самых ритмов 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 системами, 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 объекта 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.

В среде Ма^сас! 14 разработано программное обеспечение для исследования структурных функций сложных объектов, в котором они вычисля-

к

ЕШ. | й>„ •

(7)

ются на апертурах наблюдения с одинаковым числом отсчетов. Оно позволяет формировать пространство информативных признаков для блока при-

С

начало

3

Целевой показатель управления ^ ]

р2

Текущее состояние

объекта $}

Определяем расстояние текущего состояния объекта до цели

) Управляющее | воздействие (+)

Управляющее воздействие (-)

-ю-

Задержка

-1 Текущее состояние

объекта

Состояние объекта приблизилось к заданному?

Рис. 6. Схема алгоритма управления сложной системой

нятия решений на основе «кластера медленных волн», моделировать нестационарные сигналы с различным соотношением сигнал/помеха и исследовать влияние параметров оцифровки нестационарного сигнала на качество его анализа.

Четвертая глава посвящена экспериментальным исследованиям разработанных методов и технических решений. 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 анализе системных ритмов живых систем, а также проведена апробация предложенных методов и средств на репрезентативных контрольных выборках на примере диагностики ишеми-ческой 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 характеристики показателей качества двух предложенных методов принятия решений и миннесотового кодирования.

Рис. 7 - Сравнительная характеристика показателей качества диагностики ИБС предложенными методами принятия решений и миннесотовым кодированием: ДЧ - диагностическая чувствительность, ДС - диагностическая специфичность, ДЭ - диагностическая эффективность

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

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 метода классификации сложных систем, использующего в качестве информативных признаков параметры структурной функции нестационарного сигнала, и схемы алгоритма рис.6 предложена структура системы управления функциональным состоянием сердечно - сосудистой системы с использованием терапевтического электромагнитного излучения и контроля динамики состояния системы посредством датчиков фотоплетизмограм-мы. Она реализует принцип регулирования по отклонению. В качестве регулятора в ней используется модуль нечеткого управления, который выдает управляющий сигнал на блок генератора электромагнитного излучения.

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 системных ритмов, 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, 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 ка-

чества 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.

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.58-61.

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 многочастотной импедансометрии [Текст] / А.П. Белобров, A.A. Бурмака, К.Д.А. Кассим // Инновационные технологии управления здоровьем и долголетием человека: Материалы I Международной научно - практической конференции. -Санкт-Петербург, 2010. - С.38 - 44.

8. Белобров, А.П. Теоретико-множественный подход к параметризации сегментов изображения [Текст] / А.П. Белобров //Медико-экологические ин-

? 4 7 2 4

18

формационные 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, О.В. 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, научи, молод, школы - Владимир, 2010. - С.75-78.

11. 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.31-42.

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 III Международной молодежной научной конференции: в 3 ч. Ч.З. - Курск: ЮЗГУ, 2011,-С.154-158.

2010293896

ИД№06430от I0.l2.01r.

Подписано в печать_2011. Формат 60x84 1/16

Печатных листов 1,0. Тираж 100 экз Заказ

Юго-Западный государственный университет. Иэдательско-полиграфический центр ЮЗГУ 305040, г. Курск, ул. 50 лет Октября, 94

2010293896