автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Нечеткие нейросетевые модели с динамической структурой в интеллектуальных системах анализа данных на многомерных шкалах

На правах рукописи

Красковский Антон Борисович

НЕЧЕТКИЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ С ДИНАМИЧЕСКОЙ СТРУКТУРОЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ АНАЛИЗА ДАННЫХ НА МНОГОМЕРНЫХ ШКАЛАХ

Специальность 05.13.01 - Системный анализ, управление и обработка информации

Автореферат диссертации на соискание ученой степени кандидата технических наук

2 4 МАР 2011

КУРСК 2011

4841519

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

Научный руководитель: доктор технических наук, старший

научный сотрудник Ключиков Игорь Алексеевич

Официальные оппоненты: доктор технических наук, старший

научный сотрудник Николаев Виктор Николаевич,

Защита диссертации состоится 07 апреля 2011 года в 14 часов в аудитории Г-603 на заседании совета по защите докторских и кандидатских диссертаций Д 212.105.03 при ГОУ ВПО «Юго-Западный государственный университет» по адресу: 305040, г. Курск, ул. 50 лет Октября, 94.

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

Автореферат разослан^ марта 2011 г.

кандидат технических наук, доцент Руденко Вероника Викторовна

Ведущая организация: ГОУ ВПО «Пензенская государственная

технологическая академия»

Ученый секретарь диссертационного совет 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 прогнозирования состояния сложных систем. Во многих случаях решения классификационных задач делается попытка анализа крайне большого числа признаков, что, по мнению исследователей, должно способствовать повышению информативности представлений выборки. Однако выбор полезной информации, т.е. 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.

Во многие технические и социо-технические системы входят множества, числовое описание объектов которых не представляется возможным. Такие системы называются эмпирическими. Задачи их анализа породили ряд методов: факторный анализ, многомерное шкалирование, дискриминантный и кластерный анализ. В последнее время для решения сложных задач управления, информационного мониторинга, диагностики, распознавания образов, и т.д. используют технологии нейронных сетей, эволюционного моделирования и генетических алгоритмов, нечеткой логики, а также различные гибридные технологии или технологии мягких вычислений - Soft computing (нейро-нечетких, нейро-генетических и т.п.). Сфера практического применения перечисленных технологий постоянно расширяется. Однако гибридные технологии обработки данных (использующие парадигмы нечеткой логики и нейросетевого моделирования) не всегда приводят к повышению качества работы интеллектуальной системы (в рамках нечеткой логики под качеством принятия решений понимается степень уверенности в принимаемых решениях, а в интеллектуальных системах медицинского назначения качество традиционно оценивается диагностической чувствительностью, специфичностью, эффективностью и прогностической значимостью), что объясняется динамической структурой анализируемых данных, полученных на субъективных шкалах. Поэтому структура нечетких нейросетевых моделей должна зависеть от структуры обрабатываемых данных, то есть тоже быть динамичной. Несмотря на активные исследования в этой области остаются не решенными многие проблемы, связанные с разработкой методов и алгоритмов синтеза гибридных моделей с динамической структурой.

Таким образом, решаемые в диссертационной работе задачи создания моделей нечетких нейронных систем с динамической структурой, повышающих качество прогнозирования и классификации состояния социо-технических систем являются важными и актуальными.

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) по проблеме «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» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Эмпирические множества, полученные на многомерных и субъективных шкалах.

Предмет исследования. Структурно-функциональная организация нечетких нейросетевых моделей обработки данных для интеллектуальных систем прогнозирования и классификации состояния сложных систем.

Содержание диссертации соответствует п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации» и п.5 «Разработка специального математического и программного обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации» специальности 05.13.01 - Системный анализ, управление и обработка информации Паспорта номенклатуры специальностей научных работников (технические науки).

Цель работы. Разработка нечетких нейросетевых моделей для интеллектуальных систем анализа данных на субъективных шкалах, обеспечивающих повышение качества прогнозирования сердечно-сосудистых осложнений, связанных с психосоматическим риском.

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 и алгоритмы формирования многомерных шкал по субъективным данным;

- разработать метод формирования нечетких нейросетевых решающих модулей с динамической структурой для анализа данных на субъективных шкалах;

- разработать структурную схему интеллектуальной системы анализа данных на многомерных шкалах и ее программное обеспечение;

- исследовать на практике эффективность применения созданных методов, моделей и алгоритмов для решения практических задач (на примере интеллектуальной системы прогнозирования психосоматических заболеваний).

Методы исследований. В работе использовались методы системного анализа, математической статистики, теории нечетких нейронных сетей и

распознавания образов, экспертного оценивания и принятия решений. При разработке модуля нечеткого вывода в качестве инструментария использовался Matlab 7.1 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- метод синтеза многомерного фуззификатора, заключающийся в представлении его структурно-функциональной модели в виде двух последовательно соединенных блоков, первый из которых реализует регрессионную модель многомерной шкалы, а второй - нелинейное преобразование, параметры которого определяются эмпирически на основе модели нелинейной многомерной регрессии, позволяющий трансформировать многомерную шкалу в одномерную и определять функцию принадлежности по заданному блоку информативных признаков;

- метод управления структурой нечеткого решающего модуля, заключающийся в формировании динамической структуры агрегатора посредством двухуровневой схемы агрегирования, на первом уровне которой агрегируются только те выходы фуззификаторов, парные коэффициенты корреляции которых превосходят априорно заданное значение, а на втором уровне агрегируются выходы агрегаторов первого уровня и некоррелированные выходы фуззификаторов, позволяющий повысить качество классификации за счет увеличения числа анализируемых многомерных субъективных шкал;

- алгоритм настройки нечеткого нейросетевого модуля с динамической структурой, отличающийся итерационным процессом изменения структуры агрегатора в интерактивном режиме путем варьирования пороговым значением коэффициентов парной корреляции выходов нейросетевого фуззификатора и фиксированными нечеткими операциями в агрегаторах первого уровня, и генетическим алгоритмом настройки агрегатора второго уровня, позволяющий получить параметры модели нечеткого решающего модуля с динамической структурой;

- структура интеллектуальной системы анализа многомерных данных на субъективных шкалах, отличающаяся интеграцией нечетких решающих модулей, личностных опросников и унифицированностью интерфейса пользователя, позволившая мониторировать риск психосоматических заболеваний.

Практическая значимость н результаты внедрения. Практическое значение работы определяется возможностью применения результатов исследования при прогнозировании психосоматических заболеваний.

Разработанные методы, модели и алгоритмы составили основу построения интеллектуальной системы для прогнозирования сердечнососудистых осложнений. Программные средства ориентированы на практическое здравоохранение.

Результаты работ внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200402 «Инженер-

ное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных») и используются при мониторинге психосоматического риска в ООО «Санаторий Моква».

Автоматизированное рабочее место респондента вынесено на Интернет Сайт Test-SZ.net.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: на X, XI, XII и XIII Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2007, 2008, 2009, 2010); XXI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (Биомедсистемы-2008, Рязань 2008); на XVII Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2009), на Всероссийской конференции «Перспективы фундаментальной науки в сфере медицинского приборостроения» (Таганрог, 2009), на Международной конференции с элементами научной школы для молодежи «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 2009); на I Международной конференции «Инновационные технологии управления здоровьем и долголетием человека» (Санкт-Петербург, 2010); на Всероссийской научно-технической конференции с международным участием «Медицинские информационные системы» (Таганрог, 2010); на XXVI Международной научно-технической конференции «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, 2010); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2007, 2008, 2009,2010).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 16 печатных работ. В том числе 4 работы из списка ВАК и одно свидетельство на регистрацию программы.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] и [11] соискателем разработана общая структура интеллектуальной системы для анализа сложных объектов; в [2, 8] автором предложены математические модели для идентификации живых систем на субъективных шкалах; в [3] соискатель исследовал нечеткие нейросетевые модели с динамической структурой; в [4, 7] автор предложил способы формирования многомерных шкал по субъективным данным для идентификации сложных систем; в работах [9,13,15] соискателем разработаны методы, алгоритмы и программное обеспечение для реализации нечетких нейросетевых моделей, предназначенных для анализа данных на субъективных шкалах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 101 отечественных и 45 зарубежных наименований. Работа изложена на 122 страницах машинописного текста, содержит 43 рисунка и 32 таблицы.

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 представлен обзор и анализ современных проблем в области создания интеллектуальных информационных технологий, расширяющих возможности компьютерных систем при решении сложных прикладных задач. Отмечаются характерные особенности задач, решаемых интеллектуальными системами: неполнота и неточность исходных данных о решаемой задаче; наличие недетерминизма в процессе поиска решения; высокая вычислительная сложность получения результата. Перечисленные особенности не позволяют использовать для решения таких задач строгие алгоритмические методы и модели.

Преодоление этих ограничений требует либо применения неклассических логик, либо разработки новых подходов, имитирующих человеческие способности при поиске и выборе решений. К таким способностям относятся: возможность обработки неполной и противоречивой информации; обучение и адаптация к новой информации; интеграция всех имеющихся данных и знаний для поиска и выбора решений.

Для реализации этих подходов в системах искусственного интеллекта в диссертации предложено использовать нейросетевые и гибридные технологии, которые позволяют устранить отмеченные недостатки формальных логических систем.

Вторая глава посвящена разработке моделей и алгоритмов анализа данных на многомерных субъективных шкалах.

Для приведения признаков к единой шкале в нечетких сетях используется фуззификатор, преобразующий значения информативного признака, относящегося к любой группе шкал, во множество значений функций принадлежности (х,)}, соответствующих различным классам состояния исследуемого объекта, и измеряемых на числовой шкале. При этом числовые значения функций принадлежности непрерывно изменяются в интервале ноль -единица. Непосредственно такой переход осуществляется с помощью нелинейного преобразования вида

0)

где параметр А идентифицирует класс, которому соответствует данное преобразование /, Xj-элемент у из множества {X,}.

Вид преобразования /(х) неоднозначен и зависит от значений других информативных признаков, поэтому выражение (1) формируется, как правило, на основе экспертного оценивания. Такой подход к формированию (1) обоснован, если имеется множество наблюдений эволюций исследуемой системы с различными начальными условиями в зависимости от эволюции наблюдаемого признака.

При решении значительного числа задач классификации сложных объектов посредством интеллектуальных систем используются искусственные

признаки, полученные в результате системного анализа исследуемого объекта и его окружающей среды, которые не поддаются экспертному оцениванию в связи с отсутствием опыта работы с вновь полученными признаками или невозможностью проведения активного эксперимента. В связи с этим разработан метод синтеза многомерного фуззификатора, согласно которому вместо экспертного оценивания используется нейросетевое моделирование, в результате которого получаем нейросетевую модель фуззификатора для многомерной шкалы. В этом случае уравнение (1) примет вид

Иа (Щ)/а(хц. х,2,... Хц... хш). (2)

Структурная схема фуззификатора, реализующего уравнение (2), представлена на рис. 1. В нее входят два блока: аппроксиматор 1 и нелинейный преобразователь 2.

Согласно предлагаемому методу для настройки фуззификатора (блоков 1 и 2 рис. 1) используем локальное обучение. При этом каждый его блок настраивается отдельно, а все блоки модели настраиваются на один класс. В процессе обучения на входах блока 1 присутствует обучающая выборка, состоящая из объектов, принадлежность которых к классу А характеризуется статистической или субъективными вероятностями: числами от 0 до 1. Эти числа записываются в таблицу экспериментальных данных в столбец «зависимые переменные» при реализации алгоритмов обучения блока 1.

Хе.А

У \ Мл(у) 1 ■ ЯЛХ)

Оц^-----

0 у

Рис. 1 - Структурная схема нейросетевой модели многомерного фуззификатора

Блок 1 реализует модель множественной регрессии ГД Л = ) + £(*,,), ,

Ее(ХА) = 0, ( '

где Ч/А(Х)=0 МХ е А - виртуальная классифицирующая функция (полагаем, что известна априори), соответствующая используемой обучающей выборке, у(Хл) - регрессионная модель, полученная на основе классифицирующей функции Ч'л(Х), Ее(ХА)- математическое ожидание «регрессионных остатков» е(ХА).

Блок 2 осуществляет нелинейное преобразование

= »',(/-£(*,)), (4)

где

И™* - максимальная величина модуля абсолютных погрешностей модели (3) на множестве ХА, - вес признакового пространства {!'} в идентификации класса А, устанавливаемый на основе экспертных оценок.

Величина (/-?(!' ,)) определяет близость текущего объекта к классу А в признаковом пространстве X, поэтому рассматриваем ее как значение функции принадлежности элементов множества X к элементам нечеткого множества Л по новому носителю у.

В этом новом признаковом пространстве функцию принадлежности аппроксимируем функцией Гаусса:

где/? и у- параметры, вычисляемые путем аппроксимации данных, полученных на основании (3) и (4), то есть в первом блоке на обучающей выборке класса А, гауссовской функцией (6).

При структурировании признакового пространства возникает необходимость агрегировать функции принадлежности по соответствующим подпространствам. При этом модель нечеткой нейронной сети для класса А включает столько фуззификаторов (моделей, аналогичных представленной на рис. 1), на сколько признаковых подпространств структурировано исходное признаковое пространство.

В большинстве интеллектуальных систем анализируется множество многомерных шкал. По каждой шкале принимается частное решение. Эти решения объединяются в общее решение на основе решающих правил, известных априори. Решающие правила получают либо на основе экспертной оценки, либо в процессе обучения нечеткой нейронной сети. При работе с многомерными шкалами экспертная оценка является весьма трудной задачей, поэтому используем обучение функционального узла, выполняющего функции агрегирования частных решений.

Факторы, используемые для образования многомерной шкалы, являются плохо изученными, поэтому их релевантность неизвестна. Кроме того, они могут быть линейно зависимыми, что приводит к некорректным вычислениям параметров модели. Поэтому многомерные шкалы формируются в модифициррованном пространстве, структура которого настраивается на класс решаемой задачи. Следовательно, структура решающего модуля должна меняться в зависимости от того, какие признаки используются и какие классы распознаются, то есть быть динамической.

Для реализации нечеткого решающего модуля с динамической структурой разработан метод управления структурой нечеткого решающего модуля, заключающийся в формировании динамической структуры агрегатора посредством двухуровневой схемы агрегирования. На первом уровне объе-

(6)

диняются только те фуззификаторы, выходы которых имеют высокую корреляцию. На втором уровне агрегируются все выходы агрегаторов второго уровня и неагрегированные на втором уровне выходы фуззификаторов. Так как структура решающего модуля зависит от обучающей выборки, то назовем модель такого решающего модуля моделью с динамической структурой. Структура модели формируется по следующему решающему правилу: Если квцу>К„ор, то В, и В) агрегируются на первом уровне, иначе на втором, (7)

где ктг парный коэффициент корреляции выходов фуззификатора В, и Вр К„ор- пороговое значения коэффициента корреляции.

На рис. 2 представлена возможная структурная схема решающего модуля, сформированная согласно условию (7).

XI

Нейронная сеть -Фуззификатор I

Х2

Нейронная сеть -Фуззификатор 2

хз

Нейронная сеть -Фуззификатор 3

Х4

Нейронная сеть - В 4 Фуззификатор 4

Х5

Нейронная сеть -Фуззификатор 5

Х6

Нейронная сеть - Вб Фуззификатор 6

Х7 Нейронная сеть -Фуззификатор 7

Х8 Нейронная сеть -Фуззификатор 8

I

Хт Нейронная сеть • Фуззификатор гп в.

Рис. 2 - Структура нечеткого нейросетевого решающего модуля с динамической структурой (п<т)

В соответствии с ней агрегаторы у являются агрегаторами первого уровня, и агрегатор N - агрегатором второго уровня. Учитывая, что пороговый коэффициент корреляции задается на основе экспертного оценивания, то модель рис.2 является моделью с перестраиваемой или динамической структурой.

Так как агрегаторы первого уровня объединяют две или более многомерных субъективных шкал, то решающие правила, которые они реализуют, задаются экспертом. Как правило, для агрегации на этом уровне используется нечеткая операция «ИЛИ».

На рис. 3 представлена схема алгоритма синтеза нечеткого нейросете-вого решающего модуля с динамической структурой, показанного на рис. 2, реализующая разработанный метод.

Начало

/ Ввод 1 обучающей выборки

Синтез фуззификаторов

(Структурная схема модели

---рис.1,

уравнения (3), (4), (5)

и (6)

Кор реляии ОННЫЙ анализ данных с

выходов фуззификаторов

' В вол порогового

коз ффи цие нта корреляции

С

--Е

Используется пакет Бгашиса

5

Ситсэ сгруктуры

ягрегаторов первого

уровня

) Настройка агрегатора второго уровня 1

Г" 7 -1-

Проверка

адекватности

модели

Реализуется в интерактивном режиме экспертом

Используется программное обеспечение для синтеза агрегаторов на основе генетических алгоритмов, разработанных в ЮЗГУ

Нет

изменение нечетких операций в агрегатор ах первого уровня

2- изменение порогового значения коэффициентов корреляции

3-выход

Рис. 3 - Схема алгоритма настойки нейросетевого решающего модуля с динамической структурой

Согласно этому алгоритму решающий модуль синтезируется следующим образом: из базы данных выбирается необходимая обучающая выборка (блок 1) после чего осуществляется синтез фуззификаторов согласно метода синтеза многомерного фуззификатора. По результатам, получаемым на выходах фуззификаторов, строится матрица объект-признак для настройки второго блока фуззификатора рис.1. При этом число признаков (столбцов полученной матрицы) будет соответствовать числу используемых многомерных шкал.

После этого производится корреляционный анализ получаемой матрицы и определяются коэффициенты частной корреляции между выходами фуззификаторов. Этот этап проводился в стандартном пакете статистической обработки данных 31а115Йса 6.

В результате анализа корреляционной матрицы выбирается пороговое значение коэффициента корреляции. После этого приступают к формированию агрегатора первого уровня, которое осуществляется в интерактивном режиме посредствам коммутации соответствующих выходов фуззификаторов и входов агрегаторов первого и второго уровня, при этом некоррелированные выходы фуззификаторов подключаются непосредственно к входам агрегатора второго уровня, а коррелированные - к соответствующим входам агрегаторов первого уровня. Этот процесс не занимает длительного времени, так как число используемых многомерных шкал незначительно.

После формирования агрегатора первого уровня настраивается агрега-тор второго уровня, для чего необходимо запустить процедуру синтеза агрегаторов, разработанную на основе генетического алгоритма (используем пакет программного обеспечения, разработанный на кафедре биомедицинской инженерии Юго-Западного государственного университета).

После выполнения программы модель считается построенной, и качество ее работы проверяется на контрольной выборке (блок 7 рис. 3).

Если ошибка классификации принимает допустимое значение, то настройка модели заканчивается, и параметры модели отправляются в базу моделей. В противном случае настройка модели продолжается путем снижения порогового значения коэффициента корреляции. Этот путь настройки ведет к увеличению входов агрегатора второго уровня. Если число входов станет недопустимо большим, то выбирается другой путь настройки - изменение нечетких операций в агрегаторах первого уровня вплоть до полного перебора. Если и это не привело к должному эффекту, то необходимо принять меры, выходящие за пределы настраиваемого модуля: изменить показатели качества классификации, изменить алгоритмы синтеза фуззификаторов.

Глава 3 посвящена вопросам проектирования интеллектуальной системы анализа данных на многомерных субъективных шкалах.

Структурная схема интеллектуальной системы анализа данных на многомерных субъективных шкалах представлена на рис.4. Она включает двухуровневую базу данных и два автономных рабочих места: для эксперта и для респондента. Кроме того, в системе предусмотрен модуль интерфейсных

окон, который осуществляет интерактивную связь между конечным пользователем и базами данных.

Первый уровень базы данных содержит текущие данные и алгоритмы их получения, которые предназначены для формирования многомерных субъективных шкал.

Второй уровень базы данных содержит модели нечетких решающих модулей, предназначенных для работы с субъективными многомерными шкалами, и инструментарий для получения этих моделей.

Первый уровень базы данных в основном обеспечивает АРМ респондента. В качестве респондента выступает любая сложная система, описываемая посредством многомерных субъективных шкал.

Второй уровень базы данных ориентирован на АРМ эксперта. АРМы эксперта, респондента и модуль интерфейсных окон создаются в процессе разработки программного обеспечения и предназначены для решения конкретной прикладной задачи.

Рис. 4 - Структурная схема интеллектуальной системы анализа данных на многомерных шкалах

Программное обеспечение управления базами данных (СУБД) первого и второго уровня имеет более универсальный характер.

СУБД управляет структурированной базой данных, которую можно разделить на базу данных многомерных субъективных шкал (МСШ) и базу данных нечетких нейросетевых решающих модулей (ННРМ).

База данных МСШ предназначена для хранения инструментария и технологий, позволяющих исследовать сложный объект на многомерных субъективных шкалах. Она ориентирована на исследование объектов посредством опросников или же исследование реакций объекта на предъявление соответствующего стимула. Как в первом, так и во втором случае получаем заполненную анкету, которая анализируется посредством так называв-

мых ключей. В общем случае, при получении многомерной шкалы, используется блок ключей, каждый компонент которого (ключ) соответствует определенной шкале. Для формирования многомерной шкалы используется база данных алгоритмов формирования многомерных шкал. Алгоритмы реализуют способы формирования многомерных шкал, предложенные экспертом на основе собственного опыта и экспериментальных исследований.

База данных ННРМ предназначена для хранения структурировано-функциональных решений нечетких нейросетевых решающих модулей. Она состоит из четырех баз данных. В первой БД хранятся общие выборки, которые предназначены для синтеза моделей нечетких нейросетевых структур. Эта база данных структурирована по классам объектов, например, по классам риска сердечно-сосудистых заболеваний, а так же по алгоритмам формирования многомерных шкал. База данных функций принадлежности - это база данных, в которой хранятся объективные или субъективные вероятности о том, что данное событие произойдет при условии, что информативный признак принял конкретное значение из допустимого множества значений.

Третья составляющая второго блока - это база нечетких нейросетевых моделей. Она хранит конкретные параметры конкретных моделей нечетких нейросетевых сетей заданной структуры. Эта база данных формируется посредством работы алгоритмов обучения нечетких нейронных сетей.

Четвертой составляющей второй БД является база решающих правил, в которых отображены экспертные данные о динамике изменений состояния объекта исследования на конкретной многомерной шкале. Данные, хранящиеся в ней, исследуются экспертом в процессе формирования нечеткой нейросетевой модели.

В АРМе эксперта содержатся модули, предназначенные для обработки данных, содержащихся в первом и втором блоках БД. Модуль формирования пространства информационных признаков предназначен для первичной обработки данных, полученных после обработки анкет респондентов посредством ключа (ключей). При этом могут использоваться методы корреляционного анализа, факторного анализа, разведочного анализа и т.п. В данной работе для реализации этого модуля использовался пакет в^йзйса 6.

Модуль формирования нечеткой нейросетевой модели использует программное обеспечение, разработанное на кафедре биомедицинской инженерии ЮЗГУ. Модуль функций принадлежностей основан на графическом анализе гистограммы данных. Модуль реализован с помощью пакета йса 6.

АРМ самотестирования предназначен для работы с конечным пользователем. Пользователь входит в меню АРМ самотестирования и выбирает тест на определение состояния объекта, в частности, функционального состояния своей сердечно-сосудистой системы (ССС). После выбора соответствующего пункта меню, из БД первого уровня выбираются соответствующие алгоритмы тестирования, в соответствии с которыми формируется последовательность личностных опросников. После заполнения конечным

пользователем анкет, предъявляемых согласно алгоритму, они обрабатываются соответствующими ключами. Затем выбирается модель нечеткого ней-росетевого решающего модуля, соответствующая выбранному пункту меню, с выхода которой снимаются показатели о функциональном состоянии исследуемого объекта.

Для управления информационными потоками между базами данных и АРМами интеллектуальной системы было разработано программное обеспечение СУБД.

После сравнения и оценки необходимых свойств и типов лицензии, которыми должно обладать требуемое программное обеспечение, было решено остановиться на SQLite.

В качестве протокола обмена используются вызовы функций (API) библиотеки SQLite. Такой подход позволяет запускаться программе без наличия сервера баз данных практически на любом компьютере под управлением Windows и не требует установки сторонних приложений. SQLite хранит всю базу данных (включая определения, таблицы, индексы и данные) в единственном стандартном файле на том компьютере, на котором исполняется программа.

Простота реализации достигается за счёт того, что перед началом исполнения транзакции весь файл, хранящий базу данных, блокируется; ACID-функции достигаются, в том числе за счёт создания файла журнала. Несколько процессов или потоков могут одновременно без каких-либо проблем читать данные из одной базы. Запись в базу можно осуществить только в том случае, если никаких других запросов в данный момент не обслуживается; в противном случае попытка записи оканчивается неудачей, и в программу возвращается код ошибки. Другим вариантом развития событий является автоматическое повторение попыток записи в течение заданного интервала времени.

Структура БД имеет вид, представленный на рис. 5.__

juialnj _

, . .

DAORESS

□ QUID

□NOART

□ ONAME

□ ROST

□ SEX

□SNAME

□ VES

DYEAR

□ DATET

□ DATETT

Рис. 5 - Структура БД

Система интерфейсных окон, предназначенная для работы в интеллектуальной системе тестирования психосоматического риска, позволяет поль-

за]

зователям взаимодействовать с данными, хранящимися в базе данных, а также формировать файлы с новыми данными и осуществлять перемещения данных как по горизонтальным, так и по вертикальным направления.

Разработанное программное обеспечение системы управления базы данных, выполненное на основе реляционной базы данных SQLite, позволяет формировать таблицы с анкетами, оконные интерфейсы, осуществлять связь пользователей с информацией, хранящейся в базе данных и с текущей информацией, координировать движение информации между уровнями и внутри уровней.

В четвертой главе проведена оценка эффективности предложенных моделей, способов и средств интеллектуальной поддержки на примере интеллектуальной системы оценки психосоматческого статуса при определении риска сердечно-сосудистых осложнений (ишемической болезни сердца).

В качестве исходных данных использовались как данные, находящиеся в лечебных учреждениях г. Курска и Курской области, так и данные, полученные в режиме Online посредством Интернет сайта Test-SZ.net.

Тестирование риска сердечно-сосудистых осложнений осуществлялось посредством решающих модулей, построенных на основе методов дискриминатного анализа и нечетких нейросетевых решающих модулей, реализованных на основе предложенных технических решений. В качестве независимого эксперта использовалась шкала SCORE.

Динамические многомерные шкалы получались следующими способами: тестирование только на психологических шкалах, тестирование только на физиологических шкалах, тестирование на всех шкалах, выбор только «значимых» признаков, преобразование пространства информативных признаков посредством факторного анализа. Методом экспертного оценивания выбиралась лучшая модификация шкал для конкретного решающего модуля.

На рис. 6 представлены диаграммы, характеризующие показатели качества прогнозирования риска сердечно-сосудистых осложнений, полученные посредством использования разработанных решающих модулей и результаты, полученные на тех же самых контрольных выборках, полученные при использовании решающих модулей, выполненных на основе методов дискриминантного анализа и при использовании шкалы SCORE. В качестве показателей качества использовались диагностическая эффективность (ДЭ), диагностическая чувствительность (ДЧ) и диагностическая специфичность (ДС).

Анализ результатов проведенных экспериментов (рис.6) показал, что нейросетевые решающие модули, разработанные на основе предложенных методов и алгоритмов, позволили повысить качество прогнозирования рисков ССО но отдельным показателям до 15%.

Рис. 6 - Показатели качества прогнозирования для решающих модулей, построенных на трех различных методах: шкала SCORE, нечеткое нейросе-тевое моделирование, дискриминантный анализ

Полученные сравнительные характеристики известных шкал определения риска ССО и предлагаемой модели интеллектуальной системы позволяют рекомендовать полученные технические и алгоритмические решения для практического использования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для интеллектуальных систем анализа многомерных данных, позволяющие проектировать интеллектуальные системы для прогнозирования и диагностики состояний сложных систем на основе анализа многомерных субъективных шкал.

В диссертационной работе получены следующие основные результаты.

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

2. Разработан метод синтеза многомерного фуззификатора, заключающийся в представлении его структурно-функциональной модели в виде двух последовательно соединенных блоков, первый из которых реализован посредством регрессионной модели многомерной шкалы, а второй - посредст-

вом нелинейного преобразования, параметры которого определяются эмпирически на основе модели нелинейной регрессии, который позволяет трансформировать многомерную шкалу в одномерную и определять функцию принадлежности по заданному блоку информативных признаков.

3. Разработан метод управления структурой нечеткого решающего модуля, заключающийся в формировании динамической структуры агрегатора посредством двухуровневой схемы агрегирования, на первом уровне которой агрегируются только те выходы фуззификаторов, парные коэффициенты корреляции которых превосходят априорно заданное значение, а на втором уровне агрегируются выходы агрегаторов первого уровня и некоррелированные выходы фуззификаторов, позволяющий повысить качество классификации за счет увеличения числа анализируемых многомерных субъективных шкал.

4. Предложен алгоритм настройки нечеткого нейросетевого модуля с динамической структурой, построенный на основе итерационного процесса изменения структуры агрегатора первого уровня и использовании генетического алгоритма настройки агрегатора второго уровня, позволяющий управлять структурой решающего модуля.

5. Разработана структурная схема интеллектуальной системы анализа данных на многомерных субъективных шкалах, работающая в режиме Оп-Line, которая реализована посредством специально подготовленного Интернет сайта Test-SZ.net, и ее программное обеспечение, выполненное на основе реляционной базы данных SQLite, позволяющая осуществлять контроль и управления состояниями сложных объектов.

6. На примере прогнозирования риска психосоматических заболеваний проведена сравнительная оценка показателей качества прогнозирования известными способами и шкалами - дискриминантный анализ и шкала SCORE - и предложенными классификационными моделями, которая показала, что диагностическая эффективность решающих модулей, полученных в результате проведенных исследований, превышает диагностическую эффективность решающих модулей, полученных на основе методов дискриминатного анализа, в среднем, на 15%, а шкалу SCORE, в среднем на 10%.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК РФ

1. Красковский, А.Б. Интеллектуальная система для анализа состояния сложных объектов на основе нечетких нейросетевых модулей с динамической структурой [Текст] / А.Б. Красковский, С.А. Филист // Вестник Воронежского государственного технического университета, 2010, том 6, №12. С.165-169.

2. Красковский, А.Б. Модели прогнозирования ишемической болезни сердца для респондентов женского пола на основе анализа психологических и поведенческих качеств личности [Текст] / А.Б. Красковский О.В. Шатало-

в а, Е.А. Шашкова// Биомедицинская радиоэлектроника. - М.: Радиотехника, 2010.- №2,- С. 64-69.

3. Красковский, А.Б. Гомеостатические модели влияния психоэмоциональной напряженности на риск психосоматических заболеваний [Текст] /А.Б. Красковский, A.B. Носов, О.В. Шаталова // Известия ЮФУ. Технические науки. Тематический выпуск «Медицинские информационные системы». - Таганрог: Изд-во ТТИ ЮФУ, 2010. - № 9 (110). -С. 17-21.

4. Красковский, А.Б. Комплексная методика оценки риска возникновения сердечно-сосудистых заболеваний [Текст] /А.Б. Красковский, О.В. Шаталова, С.А. Филист // Перспективы медицинского приборостроения: Известия ЮФУ. Технические науки. Тематический выпуск. - Таганрог: Изд-во ТТИ ЮФУ, 2009. - № 10 (99). -С. 53-58.

Статьи и материалы конференций

5. Красковский, А.Б. Использование нейронных сетей в исследованиях акцентуации личности [Текст] / А.Б. Красковский // Сборник материалов Юбилейной X Международной научно-технической конференции «Медико-экологические информационные технологии-2007» Курск, гос. техн. ун-т, Курск, 2007.-С. 116-118.

6. Красковский, А.Б. Разработка средств идентификации темперамента при сердечно-сосудистых заболеваниях [Текст] / А.Б. Красковский // Биотехнические, медицинские и экологические системы и комплексы. Биомед-системы - 2008: сборник материалов XXI Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов. - Рязань. 2008. -С. 249-253.

7. Красковский, А.Б. Прогнозирование ишемической болезни сердца на основе акцентуаций личности [Текст] /А.Б. Красковский, О.В. Шаталова, Е.А. Шашкова, // Медико-экологические информационные технологии-2009: сборник материалов XII Международной научно-технической конференции. - Курск: Курск, гос. техн. ун-т, 2009. - С. 87-91.

8. Красковский, А.Б. Регрессионные модели риска сердечнососудистых заболеваний на основе исследования акцентуаций личности [Текст] / А.Б. Красковский, О.В. Шаталова // Лазерно-информационные технологии в медицине, биологии и геоэкологии - 2009: труды XVII Международной научной конференции. - Новороссийск: Изд-во Новороссийского политехи. ин-та, 8-12 сентября 2009. - С. 92-93.

9. Красковский, А.Б. Алгоритмы оценки риска сердечно-сосудистых заболеваний на основе сочетания психологических тестов и инструментальных исследований [Текст] / А.Б. Красковский, О.В. Шаталова, С.А. Филист // Лазеры. Измерения. Информация - 2009: сборник докладов 19-й Международной конференции. - СПб.: Изд-во Политехи, ун-та, 2009. - С. 291-300.

10. Красковский, А.Б. Методика и программная реализация оценки риска сердечно-сосудистых заболеваний на основе психологического тестирования [Текст] / А.Б. Красковский // Биотехнические, медицинские и экологические системы и комплексы. Биомедсистемы - 2009: сборник материалов

Международной конференции с элементами научной школы для молодежи. - Рязань. 2009. - С. 275-278.

11. Красковский, А.Б. Автоматизированная система комплексной оценки риска возникновения сердечно-сосудистых заболеваний [Текст] / А.Б. Красковский, О.В. Шаталова, М.А. Ефремов// Инновационные технологии управления здоровьем и долголетием человека: сборник материалов I Международной научно-практической конференции. - СПб., 8-9 апреля, 2010.-С. 102-107.

12. Красковский, А.Б. Метод синтеза многомерного фуззификатора для нечетких нейросетевых моделей анализа данных на многомерных субъективных шкалах [Текст] /А.Б. Красковский //Интегративные процессы в науке - 2010. Материалы международной научно-практической конференции. Курск: МУ «Издательский центр «ЮМЭКС», 2010 - С. 61-64.

13. Красковский, А.Б. Алгоритм настройки моделей нечеткой нейронной сети, используемой для анализа данных на многомерных субъективных шкалах. [Текст] / А.Б. Красковский, О.В. Шаталова //Математические методы и информационные технологии в экономике, социологии и образовании: сборник статей XXVI Международной научно-технической конференции/ Пенза: Приволжский Дом знаний, 2010. - С.47-49.

14. Красковский, А.Б. Разработка интеллектуальной системы анализа многомерных данных на субъективных шкалах [Текст] / А.Б. Красковский // Научная перспектива. Научно-аналитический журнал, 2010, №12. - С.97.

15. Красковский, А.Б. Метод синтеза многомерного фуззификатора [Текст] / И.А. Ключиков, А.Б. Красковский // Научная перспектива. Научно-аналитический журнал, 2011, №3. - С.99.

Свидетельства о регистрации программ

16. Красковский, А.Б. Комплексный тест оценки риска сердечнососудистых заболеваний: Свидетельство о государственной регистрации программы для ЭВМ № 2010617219. Правообладатель: ГОУ ВПО «Юго-западный государственный университет». Зарегистрировано в Реестре программ для ЭВМ 29 октября 2010 г.

Красковскнн Антон Борисович

НЕЧЕТКИЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ С ДИНАМИЧЕСКОЙ СТРУКТУРОЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ АНАЛИЗА ДАННЫХ НА МНОГОМЕРНЫХ ШКАЛАХ

Автореферат

Юго-Западный государственный университет. Издательско-полиграфический центр Юго-Западного государствешюго университета. 305040, г. Курск, ул. 50 лег Октября, 94

Лицензия ИД № 06430 от 10.12.01 г.

Сдано в набор 04.03.2011 г. Подписано в печать 04.03.2011 г. Формат 60x84 1/16. Бумага Айсберг. Объем 1,0 усл. псч. л. Гарнитура Тайме. Тираж 100 экз. Заказ № 1089.

Отпечатано: ПБОЮЛ Киселева О.В. ОГРН 304463202600213

Список обозначений сокращении

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ МЕТОДОВ И СРЕДСТВ АНАЛИЗА IIA МНОГОМЕРНЫХ СУБЪЕКТИВНЫХ

ШКАЛАХ

1.1. Многомерное шкалирование

1.2. Модели прогнозирования, базирующиеся на шкалах, полученных на основе личностных опросников

1.3. Формирование многомерных субъективных шкал системой TACT

1.4. Системы искусственного интеллекта для классификации объектов н принятия решений

1.4.1. Общие подходы к проектированию интеллектуальных систем

1.4.2. Продукционная модель знаний и ее использование в интеллектуальных системах

1.4.3. Реализации интеллектуальных систем на базе логической модели знаний н нечетких непросетевых структур

1.5. Цели и задачи исследования

ГЛАВА 2. МОДЕЛИ И АЛГОРИТМЫ АНАЛИЗА ДАННЫХ НА МНОГОМЕРНЫХ СУБЪЕКТИВНЫХ

ШКАЛАХ

2.1. Нейросетевые модели многомерных шкал для интеллектуальных систем анализа данных

2.2. Нечеткие нейросетевые решающие модули для интеллектуальных систем обработки данных на многомерных шкалах

2.3. Формирование блока сокращения пространства признаков на примере много,мерных шкал, полученных на основе индпвндуально-типологнческого опросника

2.4. Выводы второй главы

ГЛАВА 3. ИНТЕЛЕКТУАЛЬНАЯ СИСТЕМА АНАЛИЗА ДАННЫХ ДЛЯ ПРИНЯТИЯ

УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ НА МНОГОМЕРНЫХ СУБЪЕКТИВНЫХ ШКАЛАХ

3.1. Разработка и исследование интеллектуальной системы анализа данных па многомерных и субъективных шкалах

3.2. Исследование и разработка СУБД для интеллектуальной системы анализа данных па многомерных шкалах

3.3. Основные элементы интерфейса АРМ пользователя

3.4. Выводы третьей главы

ГЛАВА 4. ЭКСПЕРЕМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ И СРАВНИТЕЛЬНАЯ ОЦЕНКА ПОКАЗАТЕЛЕЙ КАЧЕСТВА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ АНАЛИЗА МНОГОМЕРНЫХ

ДАННЫХ НА СУБЪЕКТИВНЫХ ШКАЛАХ

4.1. Методические подходы к формированию многомерных шкал на примере прогнозирования психосоматических заболеваний

4.2. Экспериментальные исследования решающих модулей, построенных на основе методов дискриминантного анализа (на примере прогнозирования ИБС)

4.3. Экспериментальные исследования решающих модулей на основе нечетких нейронных сетей

4.4. Выводы четвертой главы 119 ЗАКЛЮЧЕНИЕ 121 БИБЛИОГРАФИЧЕСКИЙ СПИСОК

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 прогнозирования состояния сложных систем. Во многих случаях решения классификационных задач делается попытка анализа крайне большого числа признаков, что, по мнению исследователей, должно способствовать повышению информативности представлений выборки. Однако выбор полезной информации, т.е. 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.

Во многие технические и социо-технические системы входят множества, числовое описание объектов которых не представляется возможным. Такие системы называются эмпирическими. Задачи их анализа породили ряд методов: факторный анализ, многомерное шкалирование, дискриминантный и кластерный анализ. В последнее время для решения сложных задач управления, информационного мониторинга, диагностики, распознавания образов, и т.д. используют технологии нейронных сетей, эволюционного моделирования и генетических алгоритмов, нечеткой логики, а также различные гибридные технологии или технологии мягких вычислений - Soft computing (нейро-нечетких, нейро-генетических и т.п.). Сфера практического применения перечисленных технологий постоянно расширяется. Однако гибридные технологии обработки данных (использующие парадигмы нечеткой логики и нейросетевого моделирования) не всегда приводят к повышению качества работы интеллектуальной системы (в рамках нечеткой логики под качеством принятия решений понимается степень уверенности в принимаемых решениях, а в интеллектуальных системах медицинского назначения качество традиционно оценивается диагностической чувствительностью, специфичностью, эффективностью и прогностической значимостью), что объясняется динамической структурой анализируемых данных, полученных на субъективных шкалах. Поэтому структура нечетких нейросетевых моделей должна зависеть от структуры обрабатываемых данных, то есть тоже быть динамичной. Несмотря на активные исследования в этой области остаются не решенными многие проблемы, связанные с разработкой методов и алгоритмов синтеза гибридных моделей с динамической структурой.

Таким образом, решаемые в диссертационной работе задачи создания моделей нечетких нейронных систем с динамической структурой, повышающих качество прогнозирования и классификации состояния социо-технических систем являются важными и актуальными.

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) по проблеме «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» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Объект исследования. Эмпирические множества, полученные на многомерных и субъективных шкалах.

Предмет исследования. Структурно-функциональная организация нечетких нейросетевых моделей обработки данных для интеллектуальных систем прогнозирования и классификации состояния сложных систем.

Содержание диссертации соответствует п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации» и п.5 «Разработка специального математического и программного обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации» специальности 05.13.01 - Системный анализ, управление и обработка информации Паспорта номенклатуры специальностей научных работников (технические науки).

Цель работы. Разработка нечетких нейросетевых моделей для интеллектуальных систем анализа данных на субъективных шкалах, обеспечивающих повышение качества прогнозирования сердечно-сосудистых осложнений, связанных с психосоматическим риском.

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 и алгоритмы формирования многомерных шкал по субъективным данным;

- разработать метод формирования нечетких нейросетевых решающих модулей с динамической структурой для анализа данных на субъективных шкалах;

- разработать структурную схему интеллектуальной системы анализа данных на многомерных шкалах и ее программное обеспечение;

- исследовать на практике эффективность применения созданных способов, моделей и алгоритмов для решения практических задач (на примере интеллектуальной системы прогнозирования психосоматических заболеваний).

Методы исследований. В работе использовались методы системного анализа, математической статистики, теории нечетких нейронных сетей и распознавания образов, экспертного оценивания и принятия решений. При разработке модуля нечеткого вывода в качестве инструментария использовался

Matlab 7.1 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной: метод синтеза многомерного фуззификатора, заключающийся в представлении его структурно-функциональной модели в виде двух последовательно соединенных блоков, первый из которых реализует регрессионную модель многомерной шкалы, а второй - нелинейное преобразование, параметры которого определяются эмпирически на основе модели нелинейной многомерной регрессии, позволяющий трансформировать многомерную шкалу в одномерную и определять функцию принадлежности по заданному блоку информативных признаков; метод управления структурой нечеткого решающего модуля, заключающийся в формировании динамической структуры агрегатора посредством двухуровневой схемы агрегирования, на первом уровне которой агрегируются только те выходы фуззификаторов, парные коэффициенты корреляции которых превосходят априорно заданное значение, а на втором уровне агрегируются выходы агрегаторов первого уровня и некоррелированные выходы фуззификаторов, позволяющий повысить качество классификации за счет увеличения числа анализируемых многомерных субъективных шкал; алгоритм настройки нечеткого нейросетевого модуля с динамической структурой, отличающийся итерационным процессом изменения структуры агрегатора в интерактивном режиме путем варьирования пороговым значением коэффициентов парной корреляции выходов нейросетевого фуззификатора и фиксированными нечеткими операциями в агрегаторах первого уровня, и генетическим алгоритмом настройки агрегатора второго уровня, позволяющий получить параметры модели нечеткого решающего модуля с динамической структурой; структура интеллектуальной системы анализа многомерных данных на субъективных шкалах, отличающаяся интеграцией нечетких решающих модулей, личностных опросников и унифицированностью интерфейса пользователя, позволившая мониторировать риск психосоматических заболеваний.

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

Разработанные методы, модели и алгоритмы составили основу построения интеллектуальной системы для прогнозирования сердечнососудистых осложнений. Программные средства ориентированы на практическое здравоохранение.

Результаты работ внедрены в учебном процессе Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Автоматизация обработки экспериментальных данных») и используются при мониторинге психосоматического риска в ООО «Санаторий Моква».

Автоматизированное рабочее место респондента вынесено на Интернет Сайт Test-SZ.net.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: на X, XI, XII и XIII Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2007, 2008, 2009, 2010); XXI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (Биомедсистемы-2008, Рязань 2008); на XVII Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2009), на Всероссийской конференции «Перспективы фундаментальной науки в сфере медицинского приборостроения» (Таганрог, 2009), на Международной конференции с элементами научной школы для молодежи «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 2009); на I Международной конференции «инновационные технологии управления здоровьем и долголетием человека» (Санкт-Петербург, 2010); на Всероссийской научно-технической конференции с международным участием «Медицинские информационные системы» (Таганрог, 2010); на XXVI Международной научно-технической конференции «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, 2010); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2007, 2008, 2009, 2010).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 16 печатных работ. В том числе 4 работы из списка ВАК и одно свидетельство на регистрацию программы.

Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] и [11] соискателем разработана общая структура интеллектуальной системы для анализа сложных объектов; в [2, 8] автором предложены математические модели для идентификации живых систем на субъективных шкалах; в [3] соискатель исследовал нечеткие нейросетевые модели с динамической структурой; в [4, 7] автор предложил способы формирования многомерных шкал по субъективным данным для идентификации сложных систем; в работах [9, 13, 15] соискателем разработаны методы, алгоритмы и программное обеспечение для реализации нечетких нейросетевых моделей, предназначенных для анализа данных на субъективных шкалах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, ^ включающего 101 отечественных и 45 зарубежных наименований. Работа изложена на 122 страницах машинописного текста, содержит 43 рисунка и 32 таблицы.

4.4. Выводы четвертой главы

1. Предложены методические подходы для формирования многомерных субъективных шкал для интеллектуальной системы прогнозирования риска психосоматических заболеваний.

2. Исследованы показатели эффективности классификации больных ишемической болезнью сердца на многомерных субъективных шкалах решающими модулями, реализованными на основе дискриминантного анализа. Проведены эксперименты по оценке влияния модификаций многомерных шкал на показатели качества классификации.

3. Исследованы показатели эффективности классификации больных ишемической болезнью сердца на многомерных и субъективных шкалах нечеткими нейросетевыми решающими модулями. Проведены эксперименты по оценке влияния модификаций многомерных шкал на показатели качества классификации.

4. Проведена сравнительная оценка показателей эффективности классификации нечетких нейросетевых решающих модулей с блоком сокращения мерности в фуззификаторе, выполненным на основе критерия «каменистой осыпи».

5. Экспериментальные исследования показали, что разработанные модели нечетких нейросетевых решающих модулей превосходят по диагностической эффективности модели, разработанные на основе алгоритмов дискриминантного анализа на 25.20% на всех модификациях многомерных шкал при их апробации в режиме диагностики психосоматических заболеваний и превосходят на 10. .15% известную шкалу SCORE при работе в режиме прогнозирования психосоматических заболеваний.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для интеллектуальных систем анализа многомерных данных, позволяющие проектировать интеллектуальные системы для прогнозирования и диагностики состояний сложных систем на основе анализа многомерных субъективных шкал.

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 синтеза многомерного фуззификатора, заключающийся в представлении его структурно-функциональной модели в виде двух последовательно соединенных блоков, первый из которых реализован посредством регрессионной модели многомерной шкалы, а второй -посредством нелинейного преобразования, параметры которого определяются эмпирически на основе модели нелинейной регрессии, который позволяет трансформировать многомерную шкалу в одномерную и определять функцию принадлежности по заданному блоку информативных признаков.

3. Разработан метод управления структурой нечеткого решающего модуля, заключающийся в формировании динамической структуры агрегатора посредством двухуровневой схемы агрегирования, на первом уровне которой агрегируются только те выходы фуззификаторов, парные коэффициенты корреляции которых превосходят априорно заданное значение, а на втором уровне агрегируются выходы агрегаторов первого уровня и некоррелированные выходы фуззификаторов, позволяющий повысить качество классификации за счет увеличения числа анализируемых многомерных субъективных шкал.

4. Предложен алгоритм настройки нечеткого нейросетевого модуля с динамической структурой, построенный на основе итерационного процесса изменения структуры агрегатора первого уровня и использовании генетического алгоритма настройки агрегатора второго уровня, позволяющий управлять структурой решающего модуля.

5. Разработана структурная схема интеллектуальной системы анализа данных на многомерных субъективных шкалах, работающая в режиме OnLine, которая реализована посредством специально подготовленного Интернет сайта Test-SZ.net, и ее программное обеспечение, выполненное на основе реляционной базы данных SQLite, позволяющая осуществлять контроль и управления состояниями сложных объектов.

6. На примере прогнозирования риска психосоматических заболеваний проведена сравнительная оценка показателей качества прогнозирования известными способами и шкалами - дискриминантный анализ и шкала SCORE - и предложенными классификационными моделями, которая показала, что диагностическая эффективность решающих модулей, полученных в результате проведенных исследований, превышает диагностическую эффективность решающих модулей, полученных на основе методов дискриминатного анализа, в среднем, на 15%, а шкалу SCORE, в среднем на 10%.

1. 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.

2. 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. М.: ЮНИТИ-ДАНА, 2001. 656 с.

3. Айвазян Т.А., Новиков И.Д. Психологические предикаторы эффективности психорелаксационной терапии при гипертонической болезни II Психологическая диагностика отношения к болезни при нервно-психической и соматической патологии. Л., 1990. С. 109-113.

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

5. Аронов, Д. М. Вторичная профилактика хронической ИБС Текст. / Д. М. Аронов, В. Я. Лупанов // Лечащий врач. 2004. № 7. С. 66-68.

6. Астафьева, Н.М. Вейвлет-анализ: основы теории и примеры применения Текст./ Н.М.Астафьева. УФН, тЛ66,11 1996. с. 1145-1170.

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

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

9. Баевский P.M. Оценка адаптационных возможностей организма и риск развития заболеваний / P.M. Баевский, А.П. Берсенева. М.: Медицина, 1997. 265 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.Барсегян, A.A. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP Текст. A.A. Барсегян. СПб.: БХВ-СанктПетербург, 2007. 384 с.

12. Бауманн У., Перре М. Клиническая психология / У.Бауманн, М.Перре. М.: Медицина. - 1998 г., 965 с.

13. 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.

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

15. Бутрова, С. А. Метаболический синдром: патогенез, клиника, диагностика, подходы к лечению Текст./ С. А.Бутрова// Русский медицинский журнал 2001; 2: 56 60.

16. Гаврилова Е.А. Роль поведенческого типа А и психического стресса в развитии ишемической болезни сердца, возможности психопрофилактики и психотерапии заболевания //Кардиология. 1999. - №9. - С.72 -78.

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. Горбань, А. II. Обучение нейронных сетей Текст./ А. Н. Горбань- М.: СП ПараГраф, 1990.

20. Горелик, A.JT. Методы распознавания Текст. / A.JI. Горелик, В.А. Скрипкин. М.: Высшая школа. 1989.

21. Грахов, A.A. Система поддержки принятия решений для врача-терапевта на основе нечетких сетевых моделей Текст./ A.A. Грахов, JI.A. Жилинкова, Е.В. Шевелева//Вестник новых медицинских технологий. Тула, 2006. Т.ХП1, №2. С.43-46.

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

23. 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.

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

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

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

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

28. Елисеев О.П. Практикум по психологии личности / О.П. Елисеев. СПб.: Питер, 2001. 560 с. (Практикум по психологии)

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

30. 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.

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

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

33. Зейгарник, Б.В. Патопсихология / Б.В.Зейгарник. М.: Медицина, 1986. - 346 с.

34. 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.

35. 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.

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

37. 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.

38. Клиническая психология : Учебник. 3 изд-е / Под ред.Б.Д.Карвасарского. - СПб.: Питер, 2007. - 960 с.

39. 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.

40. 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.

41. Корыстов Ю.Н. Эмоции, стресс, курение, потребление алкоголя и рак корреляционные и причинные связи // Журнал ВНД им. Павлова, 1997. - №4. - С.627-657.

42. 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.

43. Кулаков, С.А. Основы психосоматики / А.С.Кулаков. СПб.: Речь, 2007. - 288 с.

44. Кулаков, С.А. Практикум по клинической психологии и психотерапии подростков / А.С.Кулаков. СПб.: Речь, 2007. - 415 с.

45. 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.

46. Леонгард К. Акцентуированные личности. Киев, 1981.

47. Лямина Н.П. Состояние стресс-систем у больных с экстрасистолической аритмией, вызванной психоэмоциональным стрессом / Н.П.Лямина, Т.П.Липчанская // Российский кардиологический журнал. 2000. -№1.-С.20-2.

48. Мерлин B.C. Очерк интегрального исследования индивидуальности. -М.: Педагогика.1986.

49. Мисявигене, И.С. О взаимосвязи между курением и смертностью от ИБС среди 45-59-летнего мужского населения Каунаса Текст. / И.С. Мисявигене, Т.Н Станикас, И.С. Глазунов. // Cor et Vasa. 1980. Т. 22. С. 409-417.

50. Назаренко, Г.И. Оценка риска ИБС с помощью комбинации традиционных факторов риска и генетических маркеров Текст. / Г.И. Назаренко, Е.Б. Клейменова, С.А. Пающик // Кардиоваскулярная терапия и профилактика. 2008. №7, Прил. №1. С. 260.

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

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

53. Общая психодиагностика / Под ред. А. А. Бодалева, В. В. Столина. М.: Изд-во МГУ,1987.

54. 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.

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

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

57. Осовский, С. Нейронные сети для обработки информации Текст./ С. Осовский; пер. с польского И.Д. Рудинского.- М.: Финансы и статистика, 2002. 344 с.

58. Патогенетические основы метаболического синдрома как состояния высокого риска атеросклеротических заболеваний Текст. / Н.В. Перова, В.А. Метельская, Оганов // Международный медицинский журнал 2001;7(3):6 10.

59. Патофизиология заболеваний сердечно-сосудистой системы / Под ред. JI. Лилли; Пер. с англ. — М.: БИНОМ. Лаборатория знаний, 2003. — 598 с, ил.

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

61. Плотников В.В. и др. Курская модель подготовки врача с дополнительной квалификацией "медицинский психолог". Курск: КГМУ, 2000.

62. Плотников В.В. Классификация основных типов акцентуаций свойств темперамента. Труды Всероссийского симпозиума "Механизмы интеграции функций в норме и при психосоматических расстройствах". Курск: КГМУ, ЦЧНЦ РАМН, 2005; 162-8.

63. Плотников В.В., Кореневский A.A., Забродин Ю.М. Автоматизация методик психологического исследования. Орел: Институт психологии АН СССР, 1989.

64. Плотников В.В., Северьянова Л.А., Плотников Д.В., Бердников Д.В. Тест акцентуаций свойств темперамента (TACT). Методическое пособие. СПб.: ИМАТОН, 2006.

65. Плотников В.В., Северьянова Л.А., Плотников Д.В. Методика дискриминации свойств понятий (методическое пособие). В печати.

66. Плотников В.В., Северьянова Л.А., Плотников Д.В. Психофизиологический анализ поведенческого фактора риска (тип А) ишемической болезни сердца. Курск: КГМУ, 2004.

67. 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.

68. Плотников Д.В. Психофизиологические факторы риска ишемической болезни сердца. Дис. д-ра мед. наук. Курск: КГМУ, 2002.

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

70. 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.

71. 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.

72. Профилактика, диагностика и лечение артериальной гипертензии. Российские рекомендации (второй пересмотр). M.: ВНОК. 2004. 20 с.

73. Рогов Е.И. Настольная книга практического психолога / Е.И. Рогов. М.: Владос, 2004. 384 с.

74. Рубинштейн, С.Я. Экспериментальные методики патопсихологии и опыт применения их в клинике / С.Я.Рубинштейн. СПб.: Питер, 1998. - 287 с.

75. 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.

76. Соколов, Е. И. Эмоции и атеросклероз Текст. / Е. И. Соколов. М., 1987. 253 с.

77. Собчик, JI.H. Диагностика индивидуально-топологических свойств и межличностных отношенийТекст. /Л.Н. Собчик. М.:Изд-во «Речь». 2002. 120 с.

78. Тарасов, В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном интеллекте Текст./ В.Б. Тарасов // Новости искусственного интеллекта. 1995. №4. С. 24-30.

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

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

81. 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.

82. 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.

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

84. Цекин В.П. Типы отношения к болезни у больных с сердечно-сосудистыми заболеваниями. Поиск закономерностей развития / В.П. Цекин // Независимый психиатрический журнал. М., 2004. №2. С. 80-82.

85. Шальнова С.А., Деев А.Д., Оганов Р.Г. Факторы, влияющие на смертность от сердечнососудистых заболеваний в российской популяции. Кардиоваск тер и проф 2005; 1: 4—8.

86. 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.

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

88. Шкарин, В.В. Влияние грандаксина на уровни цейтнотности и стрессогенности у больных артериальной гипертензией (АГ) /В.В. Шкарин, И.В. Поморцева Вестник Ивановской медицинской академии. 1999. 3-4.-С. 29-31.

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

90. Athyros VG, Papageorgiou AA, Athyrou VV, Demitriadis DS, Kontopoulos AG. Atorvastatin and micronized fenofibrate alone and in combination in type 2 diabetes with combined hyperlipidemia. Diabetes Care 25, 1198-12202 (2002)

91. Austin MA, Breslow JL, Hennekens CH, Bunng JE, Willett WC, Krauss RM. Low-density lipoprotein subclass pattern and risk of myocardial infarction. JAMA. 1988:260:1917-1921.

92. Bernardes, R. Mapping the human blood-retinal barrier function / R. Bernardes, J. Dias, J. Cunha-Vaz // ШЕЕ Trans. Biomed. Eng. 2005. - Vol. 52 (1) - p. 106-116.

93. Beusterien K.M. Jr. Usefulness of the SF-36 Health Survey in measuring health outcomes in the depressed elderly/Beusterien K.M., Steinwald В., Ware J.E.// Journal ofOeriatric Psychiatry and Neurology 1996 Jan. -Vol.9 -№1. -PI 3-21.

94. Bruce R. Exercise testing of patients with coronary heart disease // Ann. Clin. Res. -1971. -V. 3. P. 323-332.

95. Czernichow S., Bertrais S., Oppert J. M. et al. Body composition and fat repartition in relation to structure and function of large arteries in middle-aged adults (the SU. VI. MAX study). Int. J. Obes. Relat. Metab. Disord. 2005: 29(7): 826—832.

96. 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.

97. Cohen L., Marshall G.D., Cheng L., Agarwal S.K., Wei Q. DNA repair capacity in medical students during exam stress // J. Behav. Med. 2000. V.23. N6. P.531-544.

98. Distante A., Povai D., Picano E. et al./ Noninvasive detection of transient ischemic changes in cardiac mechanics by M-mode and two-dimensional Echocardiography // Ather. Rev. 1983.-V. 10.-P. 41-50.

99. Doll R., Peto R. Mortality in relation to smoking: tventy years observation of male British doctors // BMJ. 1976. - V. 2. - P. 1525-1536.

100. Dunbar F.H. Emotions and bodily changes, N.Y., 1954.

101. Dunbar F.H. Psychosomatic diagnosis. N.Y.,London, 1948.

102. European Guidelines on cardiovascular disease prevention in clinical practice. 3rd Joint European Societies' Task Force on Cardiovascular Disease Prevention in Clinical Practice. Eur J Cardio Vase Prev & Rehabil 2003; 10: 1—78.

103. European Guidelines on cardiovascular disease prevention in clinical practice. 4th Joint European Societies' Task Force on Cardiovascular Disease Prevention in Clinical Practice. Eur J Cardio Vase Prev & Rehabil 2007; 4.

104. Executive summary of the Third Report of the National Cholesterol Education Program (NCEP) Expert Panel on Detection, Evaluation, and Treatment of High Blood Cholesterol in Adults (Adult Treatment Panel III). JAMA.2001 ,-285:2486-2497.

105. Heart Protection Study Collaborative Group. MRC/BHF Heart Protection Study of cholesterol lowering with simvastatin in 20,536 high-risk individuals: a randomised placebo-controlled trial. Lancet. 2002; 360 (9326): 7-22.

106. Hebert PR, Gaziano JM, Chan KS, Hennekens CH. Cholesterol lowering with statin drugs, risk of stroke and total mortality: an overview of randomized trials. JAMA. 1997:278:313321.

107. Hennekens CH. Clinical and research challenges in risk factors for cardiovascular diseases. Eur Heart J. 2000:21:1917-1921.

108. Hennekens CH. Current perspectives on lipid lowering with statins to decrease risk of cardiovascular disease. Clin Cardiol. 2001;24(suppl 7): II2-II5.

109. Hennekens CH. Increasing burden of cardiovascular disease: current knowledge and future directions for research on risk factors. Circulation. 1998:97:1095-1102.

110. Jamal Mahmud, M.D., Maju Mathews, M.D., Sunil Verma, M.D., and Biju Basil, M.D. Oxcarbazepine-Induced Thrombocytopenia // Drexel Univ. College of Medicine, Philadelphia, PA. 2005.

111. Lee, C.C. Fuzzy logic in control systems: fuzzy logic controller-part I, II // IEEE Trans, on Systems, Man and Cybernetics, Vol. 20,1990. -№2 -P. 404-435.

112. Lippmann R.P. An introduction to computing with neural nets // IEEE ASSP Magazin, April, 1987.-P. 4-20.

113. Mitchell G.F., Vasan R.S., Keyes M.J. ct al. Pulse Pressure and Risk of New-Onset Atrial Fibrillation. JAMA. Feb. 21, 2007;297:709-715.

114. Pandua, A.S. Pattern recognition with neural networks in C++. -Boca Raton: CRC Press: 1996.-410 p.

115. Puska P., Vartiainen E., Tuomilehto J. et al. Changes in premature deaths in Finland: successful, long-term prevention of cardiovascular diseases. Bull World Health Organ 1998; 76: 4: 419-^25.

116. Ridker P.M, Cushman M, Stamp fer MJ, Tracey RP, Hennekens CH. Inflammation, aspirin, and the risk of cardiovascular disease in apparently healthy men. N EnglJ Med. 1997:336:973979.

117. Ridker P.M., Buring J.E., Rifai N., Cook N.R. Development and Validation of Improved Algorithms for the Assessment of Global Cardiovascular Risk in Women. The Reynolds Risk Score. JAMA. February 14, 2007;297:611-619.

118. Rubins H.B, Robins S.J., Collins D, el al. Gemfibrozil for the secondary prevention of coronary heart disease in men with low levels of high-density lipoprotein cholesterol. N EnglJ Med. 1999;341:410-418.

119. Rumelhart, D.E. Learning integral representations by error propagation // Parallel Distributed Processing, Vol. 1, 1986,-№ 8 -P.318-362.

120. Srinivasan D. Forecasting daily load curves using a hybrid fuzzy-neural apporoach // IEE Proc Generat. Transmiss. Distrib., Vol. 141, 1994,- №6- P. 561 - 567.

121. Summary of the second report of the National Cholesterol Education Program (NCEP) Expert Panel on Detection, Evaluation, and Treatment of High Blood Cholesterol in Adults (Adult Treatment Pane. II). JAMA. 1993:269:3015-3023.

122. Williams C., House A. Reducing the cost of chronic somatisation // Irish Journal of Psychological Medicine. 1994. V. 11. N 2. P. 79-82.

123. Zadeh L.A. Fuzzy algorithms // Information and control. Vol. 12, 1968.- №2-P. 233-238.