автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка донозологического мониторинга и комплексной оценки для управления адаптивным состоянием субъекта в условиях экстремальной ситуации

На правах рукописи

МУН Ярослав Олегович

РАЗРАБОТКА ДОНОЗОЛОГИЧЕСКОГО МОНИТОРИНГА И КОМПЛЕКСНОЙ ОЦЕНКИ ДЛЯ УПРАВЛЕНИЯ АДАПТИВНЫМ СОСТОЯНИЕМ СУБЪЕКТА В УСЛОВИЯХ ЭКСТРЕМАЛЬНОЙ

СИТУАЦИИ

003167157

Специальности 05 13 01 - Системный анализ, управление

и обработка информации 05 13 10 - Управление в социальных и экономических системах

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Воронеж - 2008

003167157

Работа выполнена в ГОУ ВПО «Воронежский государственный технический университет»

Научный руководитель

доктор технических наук, профессор Федянин Виталий Иванович

Официальные оппоненты

доктор технических наук, профессор Баркалов Сергей Алексеевич,

кандидат технических наук, доцент Усов Юрий Иванович

Ведущая организация

ГОУ ВПО «Курский государственный технический университет»

Защита состоится «22» февраля 2008 г в 1400 часов в конференц-зале на заседании диссертационного совета Д 212 037 02 ГОУ ВПО «Воронежский государственный технический университет» по адресу 394026, г Воронеж, Московский просп, 14

С диссертацией можно ознакомиться в научной библиотеке ГОУ ВПО «Воронежский государственный технический университет»

Автореферат разослан » января 2008 г

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы Министерство здравоохранения Российской Федерации, Российская Академия медицинских наук уделяют большое внимание вопросам разработки новых технологий донозологической диагностики отклонений с целью укрепления здоровья и профилактики заболеваний Однако, в силу ряда причин, среди которых недостаточный уровень методического и технического обеспечения, отсутствие квалифицированных кадров и системы их подготовки, модель оказания превентивной медицинской помощи (оздоровления) до настоящего времени не реализована Несмотря на кажущееся изобилие самых различных способов оценки функционального состояния человека и оздоровительных технологий, консенсуса ученых по унифицированным методикам донозологической диагностики и коррекции функциональных нарушений пока не достигнуто

Специфика деятельности сотрудников органов внутренних дел (ОВД), МЧС, особенно при выполнении ими служебно-боевых задач в особых условиях, определяет наличие факторов риска развития патологических состояний С целью обеспечения их высокой профессиональной надежности и профессионального долголетия, основой которых является уровень здоровья, выявляют донозологические (психические, соматические) состояния, осуществляя тем самым актуальные для отечественного здравоохранения превентивные функции по охране здоровья

Адаптационные возможности организма (способность к уравновешиванию с окружающей средой) являются одним из фундаментальных свойств живой системы Здоровье как определенный уровень адаптационных возможностей организма (адаптоспособность или адаптационный потенциал) включает в себя и понятие гомеостаза, который следует рассматривать в качестве конечного результата деятельности многочисленных функциональных систем, как целевую функцию многоуровневого иерархического управления в организме

В 2001-2002 годах разработан и принят стратегический «План развития здравоохранения Российской Федерации», в котором предусмотрен переход медицины от системы, ориентированной на лечение заболевания, к системе охраны здоровья граждан, основанной на приоритете здорового образа жизни и направленной на профилактику болезней Актуальность развития данного направления обусловлена тем, что в последнее десятилетие в структуре заболеваемости и смертности населения России прогрессируют социально зависимые и профессионально обусловленные дефекты здоровья (несчастные случаи, отравления и травмы, дезадаптивные синдромы, социально-экологическое утомление и переутомление, стрессогенные заболевания) С каждым годом в структуре заболеваемости увеличивается общая доля невротических и психических расстройств

Работа выполнена в соответствии с межвузовской комплексной научно-технической программой 12 11 «Перспективные информационные технологии в высшей школе» в рамках одного из основных направлений ГОУ ВПО «Воро-

нежский государственный технический университет» «Проблемно-ориентированные системы управления»

Цель работы Разработка методов и средств комплексной диагностики и управления адаптивным состоянием в условиях экстремальной ситуации, обеспечивающих повышение качества диагностики и упрощения процесса психологического исследования в целом при профессиональном отборе кандидатов на службу в структуры МЧС и других ведомств, чья деятельность связана с экстремальными факторами Для достижения поставленной цели необходимо решить следующие задачи

- разработать структуру автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях, отвечающей требованиям современных экспертных систем,

- выбрать комплекс признаков, описывающих состояние человека на психологическом уровне, обеспечивающих автоматизированную диагностику и управление его адаптивным состоянием,

- выбрать методы выявления скрытых закономерностей в статистических данных о результатах обследования субъектов, проходящих профотбор на службу, связанную с экстремальными факторами,

- разработать логическую модель процесса диагностики субъекта при оценке степени психической адаптации в условиях экстремальной ситуации,

- предложить метод использования полученных решающих правил диагностики функциональных состояний субъекта по комплексу показателей, характеризующих психологическую и физиологическую сферы его профессиональной деятельности,

- разработать программное обеспечение, соответствующее предлагаемой методики психологического исследования личности, основанное на реализации логической модели диагноза

Методы исследований Для решения поставленных задач использовались методы системного анализа, теории управления, моделирования, основные понятия теории систем, добычи данных, экспертного оценивания и принятия решений, методы теории искусственного интеллекта, систем автоматизированного моделирования, построения экспертных систем, а также методы оптимизации При разработке программно-информационных средств применялись методы объектно-ориентированного программирования, создания интеллектуальных информационных систем

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

структура автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях, адаптированная к решению задач психодиагностики, для эффективного наполнения базы знаний и формирования диагностических правил данная система ориентирована на использование ряда методов распознавания образов и добычи данных,

признаковое пространство, характеризующее психофизиологическое состояние субъекта, отличающееся возможностью использования нормализованных величин различных психодиагностических тестов,

математические модели оценки степени психической адаптации, ориентированные на диагностику психофизиологического состояния субъекта, отличающиеся использованием методов деревьев решений и нейронных сетей,

логические модели, ориентированные на оценку степени психологической адаптации субъекта в условиях экстремальной ситуации и позволяющие проводить автоматизированную процедуру диагностики,

решающее правило, предназначенное для оценки состояния субъекта в условиях противоречивой информации, полученной от группы диагностических алгоритмов, характеризующееся использованием информации об априорных вероятностях диагностических классов и условных вероятностях ошибок алгоритмов

Практическая значимость работы. Разработана система поддержки принятия решений, позволяющая на основании знаний, полученных от экспертов, определять уровень соответствия психофизиологического состояния субъекта определенной степени психической адаптации

Наличие встроенного в систему модуля поддержки принятия решений позволяет оценить степень психической адаптации субъекта в условиях экстремальной ситуации Результатом работы системы является выдача решения о психическом состоянии субъекта, а именно степени его психической адаптации, а также комплекс мероприятий, направленных на реабилитацию субъекта, если это необходимо

Реализация и внедрение результатов работы. Разработанная система оценки степени психической адаптации внедрена в практическую деятельность Центра психофизиологической диагностики МСЧ ГУВД Воронежской области, а также Главного управления МЧС России по Воронежской области и используется для психологической диагностики и экспертизы кандидатов на службу в органы внутренних дел, в ГУ МЧС России, а также в целях проведения плановых и целевых мониторингов личного состава подразделений ОВД и МЧС Экономический эффект составил 157 ООО руб Данная система поддержки принятия решений используется в учебном процессе ГОУ ВПО «Воронежский государственный технический университет» на кафедре «Технология и обеспечение гражданской обороны в чрезвычайных ситуациях» для студентов специальности «Защита в чрезвычайных ситуациях» Результаты внедрения подтверждены соответствующими актами

Апробация работы Основные положения диссертационной работы докладывались и обсуждались на спедующих конференциях, семинарах и совещаниях Всероссийской конференции «Интеллектуализация управления в социальных и экономических системах» (Воронеж 2005), Международных конференциях «Обеспечение экологической безопасности в чрезвычайных ситуациях» (Воронеж, 2006, 2007), ежегодных научных конференциях профессорско-

преподавательского состава ГОУ ВПО «Воронежский государственный технический университет»

Публикации По теме диссертационной работы опубликовано 15 научных работ, в том числе 2 - в изданиях, рекомендованных ВАК РФ

В работах, опубликованных в соавторстве, лично соискателю принадлежат [1] разработка математической модели оценки степени психической адаптации субъекта, [2] разработка подхода к селекции информативных признаков, минимизация признакового пространства, нормализация величин, характеризующих степень выраженности признаков, [3, 4] описание характера психо-травмирующих и стрессогенных факторов экстремальной ситуации, [5, 6, 8] подбор материалов о характере внутригруппового общения в условиях экстремальной ситуации на основе примеров, [9, 15] построение математической модели и соответствующего программно-информационного средства по диагностике психофизологического состояния субъекта, [7, 10] сравнительный анализ психодиагностических методик всестороннего обследования личности, представлен способ нормализации величин различных психологических тестов, [11,

13] предложен путь совершенствования психодиагностической процедуры, [12,

14] разработка моделей оценки степени психической адаптации субъекта на основе методов деревьев решений и нейронных сетей

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, приложений, изложена на 149 страницах, содержит 37 рисунков, 15 таблиц, список литературы включает 154 наименования

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, дана ее краткая характе--ристика, показываются основные пути решения сформированных проблем

В первой главе рассматриваются современные методы оценки психического состояния субъекта в условиях экстремальной ситуации, рассматривается модель процесса психологической адаптации при оценке ее уровня, соответствующей определенному состоянию субъекта, приведены особенности проведения стандартных психодиагностических обследований в процессе определения степени психической адаптации субъекта

В общем случае модель процесса психической адаптации при оценке ее степени с возможной реабилитацией представлена на рис. 1

Рассмотрены перспективы развития методов психодиагностики по определению психического состояния субъекта, среди которых можно выделить вопросы извлечения и представления различных типов знаний специалистов, интеллектуализации интерфейса и блока объяснения, гибридных и динамических систем

На основании проведенного анализа определяются цель и задачи исследования

Рис. 1. Обобщенная модель процесса психической адаптации при оценке ее уровня с возможной реабилитацией

Во второй главе рассмотрены особенности разработки структуры автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях на основе методов распознавания и добычи данных.

На рис. 2 представлена структурная схема автоматизированной системы оценки степени психической адаптации субъекта, которая отвечает требованиям, предъявляемым к экспертным системам.

Подсистема приобретения знаний необходима для извлечения знаний из доступного статистического материала известными методами с помощью инструментальных средств. За счет обучения системы на данном материале с целью выявления скрытых закономерностей, появляется возможность сформулировать диагностические правила.

Блок представления знаний о предметной области содержит модели знаний и признаки, характеризующие субъект с психофизиологической точки зрения. В целях сокращения процедуры «просмотра» блока моделей знаний вводятся метазнания, т.е. управляющие знания, служащие для объяснения того, как использовать информацию блока представления знаний для обеспечения выбора наилучшей стратегии поиска решения. Модуль постановки диагноза является средством воспроизведения логики специалиста при принятии решения.

Разработанная структура автоматизированной системы на основе методов распознавания и добычи данных ориентирована на проведение оценки психологического состояния субъекта и степени его психической адаптации в условиях чрезвычайной ситуации.

Дезадаптация

Частичная адаптация

Реабилитирующие психофизиологические воздействия

Первичное ^обследование.

Тесты, стандартные испытания

Оценка степени психической адаптации

Прекращение деятельности в экстремальных условиях

Адаптированное состояние (не требуется реабилитирующих

воздействий)

Пользоватетьский интерфейс

а

Блок взаимодействия с пользователем

Лингвистический процессор Подсистема объяснения логического решения

Блок метазнаний

Модуль постановки диагноза

Решатель

Блок обработки результатов

Блок поддержки принятия решения

1

Блок представления знаний

База База

__знаний___ ^данных

зе

Подсистема приобретения знаний

Статистика

Рис 2 Структура автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях

На основе полученных результатов производится формирование базы знаний интеллектуальной диагностической системы, предназначенной для определения психофизиологического состояния субъекта

Решается задача минимизации признакового пространства на основе экспертной оценки значимости базовых признаков

Первичные показатели психодиагностических тестов выражаются в самых различных статистически не сопоставимых единицах, а процедура стандартизации (перевод «сырых» показателей в некие относительные меры) позволяет оценить уровень развития качества у обследуемого относительно нормативной выборки и сравнивать данные, полученные по разным тестам

Для проведения процедуры нормализации необходимо рассчитать ряд статистических мер - среднее значение {Щ и стандартное отклонение (<т) лежат в основе нормирования первичных данных В настоящее время в психодиагностических тестах широко используются стандартные показатели, которые рассчитываются по следующим формулам

X - М х„

/-шкала / = —-- = —,

а а

X -М

Г-шкала 7 = 10х—=--(-50,

а

X -М

Шкала стандартного 10 10 = 15х—--+ 100

а

Шкала станаинов Станаин = 2х—"--1-5,

а

X -М

Шкала стенов Стен = 2х—--— + 5,5

а

Шкала процентилей Процентиль - это процентная доля индивидов из выборки стандартизации, первичный результат которых ниже данного первичного показателя Так, если 20% испытуемых правильно решают 16 заданий, то первичному показателю 16 соответствует 20-й процентиль (Р2о)

Как показали результаты предварительных исследований в качестве претендентов на информативные, целесообразно использовать признаки, характеризующие основные психологические свойства и процессы человека (психосоциальные, социальные факторы, развитие интеллектуальной сферы, эмоциональное состояние, личностные черты, мотивационная сфера, психофизиологические особенности) Для осуществления минимизации списка классификационных признаков и фильтрации исходной статистической информации в табл 1 представлено распределение величин экспертных баллов по диапазонам отклонения качества от среднего значения в популяции

Таблица 1

Распределение величин экспертных баллов по диапазонам отклонения качества __от среднего значения в популяции_

2-оценка Оценка в баллах Диапазон отклонения качества от среднего значения в популяции Вербальная характеристика уровня качества

г <-1,5 0 А<Х-1,5 т Очень низкий уровень, отсутствие признака

-],5< г <-],о 1 Х-1,5 т<А< Х-1,0 т Низкий уровень, неудовлетворительный, слабая выраженность признака

—1,0 < 2 < -0,5 -0,5 < 2 < 0,5 о,5<г<1,о 2 ¥-1,0 т<А<Х-0,5 т А'-0,5 т<А<Х + 0,5 т А"+ 0,5 т< 4< У+ 1,0 т Средний уровень, в пределах нормы средняя выраженность признака

1,о<г<1,5 3 А"+ 1,0 т< 4< Г + 1,5 т Высокий уровень, отличный, сильная выраженность признака

В табл 1 величина X - среднее значение измеряемого показателя в популяции, А - значение индивидуального показателя испытуемого, т - среднее квадратическое отклонение показателя в популяции

Первичное поле признаков подверглось экспертному оцениванию, неинформативные признаки отсеяны ввиду их слабого и редкого проявления или полного отсутствия Таким образом, на основе экспертной оценки решена задача минимизации признакового пространства и стандартизации величин, характеризующих степень проявления каждого признака

Выделив признаковое пространство, необходимо произвести выбор адекватных методов выявления скрытых закономерностей в статистических данных о психофизиологическом состоянии субъектов, поступающих на службу, связанную с экстремальными условиями

Из множества современных методов распознавания образов и добычи данных, допускающих их использование при разработке медицинских интеллектуальных систем, в данной работе будем рассматривать из перечисленных методов следующие деревья решений и нейронные сети

Алгоритм построения дерева решений основан на вычислении для каждого атрибутам,теоретико-информационной £-меры, основанной на энтропии £-мера вычисляется следующим образом Для данного узла пусть р- число положительных примеров, п- число отрицательных примеров, р - число положительных примеров со значением V атрибута а,, пц - число отрицательных примеров со значением у атрибута а1 Тогда

Р + п

= --КР,,,»„), (1)

О, если * = О,

где 1(х,у) = \ 0 если у = 0, (2)

х х у . у

log - log , иначе х + у х + у X + у х + у

Для построения дерева решений, ориентированного на определение степени психической адаптации субъекта по набору входных признаков, использовалась обучающая выборка Формирование выборки было проведено по данным исследования 92 субъектов, чья деятельность связана с экстремальными факторами В выборке содержатся базовые признаки, описывающие состояния субъектов с психофизиологической точки зрения и заранее известные результаты диагностики Далее использовалась программа Deductor После процедуры обучения получено дерево, представленное на рис 3

Каждый узел представленного дерева решений (рис 3) подразумевает выполнение (или, в противном случае, невыполнение) определенного условия наличия у конкретного базового признака той или иной степени выраженности Признаки (F18, F22, F45 и тд) указаны в соответствии с их порядковыми номерами (приложение Б) Параметр «Диаг» (следствие) принимает три значения «А», «Ч/а» и «Д'а», что соответствует трем диагностируемым состояниям субъекта «Адаптация», «Частичная адаптация» и «Дезадаптация» Через перечис-

ленные параметры интерпретируются решающие правила типа «если , то » -как отмечалось ранее, такую структуру удобно использовать для построения логических моделей и написания программного алгоритма

- - ЕСЛИ (По результату)

FM - О ТОГДА Диаг - Д'а - • F44 -1

- » , F16 - О

■»» F4 - 1 ТОГДА Лиаг - Л/а FWTOniA Диаг-Ч/о " " F4-3ТОГДАДиаг.Ч/а -?_ _ m -1 ТОГДА Диаг - Ч/а F16-2 ТОГДА Диаг . Д/а J F46 . 3 ТОГДА Диаг • Д'а _ í. F44 . г

- -■"'F18.1

F26 - 1 ТОГДА Диаг • Д/а

- F26-2

F3Q- О ТОГДА Диаг - Ч/а F30 - 1 ТОГДА Диаг ■ Д/а '* • F30 - 2 ТОГДА Диаг ■ Ч/а 1SEÜÜ F30 » 3 ТОГДА Диаг « Ша Р26-ЗТОГДА Диаг. Д/а

- - . F18-2

ргг-1ТОГДАДиаг-Ч/а

- — _ F22 » 2

■:.J F47 - О ТОГДА Диаг ■ Ч/а "—•] F47 - 1 ТОГДА Диаг • А J F<? - г ТОГДА Диаг ■ А Ч F4? - 3 ТОГДА Диаг - А F22 . 3 ТОГДА Диаг »Д/а ■—«- F18 - 3 ТОГДА Диаг - А —" F44 » 3 ТОГДА Диаг ■ А

Рис 3 Дерево решений по оценке степени психической адаптации

Построение моделей оценки степени психической адаптации на основе метода деревьев решений позволит установить в явном виде зависимости между набором признаков, характеризующих психофизиологические параметры субъекта, и его психическим состоянием

Апробация построенной модели была проведена на контрольной выборке, включающей статистику по 30 субъектам, не вошедшим в обучающую выборку, лишь 2 примера из этого множества были распознаны неверно (табл 2)

Табтица 2

Результаты апробации моделей знаний по оценке степени

психической адаптации

Метод добычи данных Контрольная выборка количество примеров Количество неверно Процент распознавания %

Тестовое множество Валидациопнос множество распознанных примеров

Деревья решений 30 - 2 93 3

Нейронные сети 23 7 1 96 7 1

Обучение нейронных сетей (НС) распознаванию образов реализуется в соответствии со следующим математическим приемом На вход НС поступают значения признаков д:,(ш), ,хп(со) объекта распознавания со из множества объектов-образов О Предполагается, что множество О разбито на непересекающиеся классы П,, ,П„, На выходе НС выдает значение функции у(а>) = р{х1 (со), ,х„ (&>)), сопоставляющей каждому объекту сие О номер к класса Од, к которому он относится

Рассматриваемые НС содержат три скрытых слоя, которые в совокупности реализуют полином от элементарных скалярных функций ф1{/) от любой из

переменных х,, лп Выходное значение НС формирует элемент, реализующий функцию выхода у =

Обучение НС сводится к задаче построения полинома от элементарных функций, для которого на некотором обучающем множестве входных значений переменных дг,, ,хп заданы промежутки, в которые попадают значения полинома

С помощью программы Оес1ис1ог была обучена нейронная сеть, которая в дальнейшем может использоваться для прогнозирования адаптивного состояния субъектов На данной выборке удалось добиться достаточно высокой точности-лишь 1 пример из 92 был неверно распознан алгоритмом (1,08 %)

После того, как нейронная сеть обучена, можно подавать на ее вход данные, которые не были использованы при обучении По входным факторам система будет определять выходной, т е прогнозировать состояние субъекта (степень психической адаптации) с достаточно высокой точностью

Апробация построенной модели была проведена на контрольной выборке, включающей статистику по 30 субъектам, не вошедшим в обучающую выборку, лишь один пример из этого множества был распознан неверно (табл 2)

Таким образом, полученные на основе методов деревьев решений и нейронных сетей математические модели оценки степени психической адаптации субъекта в условиях экстремальной ситуации могут быть представлены в виде распознающих правил и загружены в базу знаний интеллектуальной диагностической системы

В третьей главе рассмотрены методы построения диагностических правил оценки уровня психической адаптации Разработаны логические модели, ориентированные на оценку степени психологической адаптации субъекта в условиях экстремальной ситуации и позволяющие проводить автоматизированную процедуру диагностики На рис 4 приведен фрагмент логической модели процесса оценки степени психической адаптации

Использование знаний, полученных с помощью нейронных сетей, не подразумевает реализации четкой логической структуры, однако представляется возможным разработать модель процесса принятия решения по оценке степени психической адаптации субъекта в условиях экстремальной ситуации (рис 5)

Рис. 4. Фрагмент модели процесса определения степени психической адаптации

Рис. 5. Структура модели принятия решения по оценке степени психической

адаптации субъекта

Профессиональная успешность = О

Профессиональная успешность = 1

Взыскания = О

Взыскания = О

■^Способность к абстрагированию

Эмоциональная устойчивость = I

УстоГгчивость мотивации = 2

Пациент

Специалист-психолог

Балльные оценки

0 - отсутствие признака;

1 - слабая выраженность признака.

2 - средняя выраженность признака,

3 - сильная выраженность признака

Набор признаков

В данной модели для каждого случая один и тот же набор признаков по-

ступает на входы блоков оценки состояния субъекта с разными математическими аппаратами На выходе этих блоков формируется степень проявления оцениваемого состояния, это ничто иное, как вероятность наступления соответствующего состояния Таким образом, на основе знаний, добытых с помощью нейронных сетей, разработана структура модели принятия решения по оценке степени психической адаптации субъекта, позволяющая классифицировать его состояние с определенной достоверностью

Предложено решающее правило, предназначенное для оценки состояния субъекта в условиях противоречивой информации, полученной от группы диагностических алгоритмов, характеризующееся использованием информации об априорных вероятностях диагностических классов и условных вероятностях ошибок алгоритмов

Для минимизации средней вероятности ошибки коллективного решения D = D(ô,, S„) на множестве 0 возможных комбинаций частных решений будем для каждой фиксированной комбинации S е © принимать окончательное решение в пользу того из классов, который имеет наибольшую апостериорную вероятность

D(S) = arg шах P(Vm / S) (3)

l£tf!< V/

где

P{VJS)=r(VJP(SIVm) P(S)

По определению условная вероятность P(S]2/Vl) есть ни что иное, как вероятность того, что в ситуации, когда имеет место класс Vm, эксперты (алгоритмы), номера которых принадлежат множеству Iт, приняли правильные решения, а остальные ошиблись Поскольку мы предполагаем, что решения экспертов независимы, то по формуле произведения вероятностей

P(S/V„)= nMtVMn^V^) (4)

На основании условия (3) с учетом (4) заключаем, что в ситуации Se ©окончательное (коллективное) решение следует принимать согласно правилу

D(S) = arg шах P(ï„, ) Ц [l - Р(А, /.V,„ )J П P{A, Г,! '„, ) . «

1 <111<М (€/,„ ltlm * '

На основе предложенного подхода реализована система поддержки принятия коллективных решений, архитектура которой показана на рис 6 Такая структура системы, совмещающая коллективное решающее правило с возможностью его периодической коррекции, может быть рекомендована в различных областях приложения

Рис 6 Структура системы для формирования коллективного решения

В четвертой главе разработано программно-информационное обеспечение СППР «Эксперт-психолог», предназначенное для анализа психофизиологических данных с помощью различных статистических и интеллектуальных методов, таких как деревья решений, нейронные сети, формирования и выдачи обоснованных заключений при диагностике субъекта и оценке его состояния в условиях экстремальной ситуации (рис 7)

Рис 7 Структура программно-информационного средства «Эксперт-психолог»

13

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1 Разработана структура автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях, адаптированная к решению задач психодиагностики Для эффективного наполнения базы знаний и формирования диагностических правил данная система ориентирована на использование ряда методов распознавания образов и добычи данных

2 Сформировано признаковое пространство, характеризующее психофизиологическое состояние субъекта, отличающееся возможностью использования нормализованных величин различных психодиагностических тестов

3 Построены математические модели оценки степени психической адаптации, ориентированные на диагностику психофизиологического состояния субъекта, отличающиеся использованием методов деревьев решений и нейронных сетей

4 Разработаны логические модели, ориентированные на оценку степени психологической адаптации субъекта в условиях экстремальной ситуации и позволяющие проводить автоматизированную процедуру диагностики

5 Предложено решающее правило, предназначенное для оценки состояния субъекта в условиях противоречивой информации, полученной от группы диагностических алгоритмов, характеризующееся использованием информации об априорных вероятностях диагностических классов и условных вероятностях ошибок алгоритмов

6 Проведена проверка оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования»

7 Автоматизированная диагностика и выбор психопрофилактической реабилитационной работы возможны с использованием разработанного программно-аппаратного комплекса, позволяющего осуществлять диагностику на основе анализа значимости признаков и формирования моделей диагностики на основе методов деревьев решений и логических алгоритмов

8 Разработанная автоматизированная система поддержки принятия решения при определении степени психической адаптации врачом-психологом кандидатов на службу внедрена в практическую деятельность Центра психофизиологической диагностики и используется для психологической диагностики и экспертизы кандидатов на службу в органы внутренних дел, в ГУ МЧС России по Воронежской области, а также в целях проведения плановых и целевых мо-ниторингов личного состава подразделений ОВД и МЧС

9 Оценка эффективности универсального автоматизированного эксперт-но-диагностического комплекса средств профессиональной психодиагностики, основанная на анализе показателей заболеваемости психическими расстройствами, восстановлении психоэмоционального состояния и функциональных резервов, а также ранней увольняемости и по отрицательным мотивам, показала ее социальную целесообразность

Основные результаты диссертации опубликованы в следующих работах

Публикации в изданиях, рекомендованных ВАК РФ

1 Квашнина Г А , Мун Я О Система поддержки принятия решений врачом-психологом при оценке степени психологической адаптации лиц, работающих в экстремальной ситуации// Вестник Воронежского государственного технического университета 2005 Т 1 №7 С 82-85

2 Квашнина Г А , Мун Я О , Федянин В И Формирование обобщенного портрета лица, работающего в экстремальной ситуации, на основе интеграции диагностических шкап// Вестник Воронежского государственного технического университета.2007 ТЗ №2 С 36-41

Статьи и материалы конференций

3 Мун Я О , Склярова Т П Психологическая адаптация субъекта в экстремальной ситуации // Интеллектуализация управления в социальных и экономических системах труды Всерос конф Воронеж, 2005 - С 187-188

4 Квашнина Г А , Муковоз Т В , Мун Я О Прогнозирование успешности адаптации «Группы риска» на этапе профотбора // Системы жизнеобеспечения и управления в чрезвычайных ситуациях межвуз сб науч тр Воронеж ВГТУ,

2005 42 - С 21-23

5 Вялова Е П , Квашнина Г А , Мун Я О Межличностные отношения в конфликтных ситуациях // Обеспечение экологической безопасности в чрезвычайных ситуациях материалы 2-й Междунар науч -практ конф Воронеж,

2006 Ч 1 - С 79-83

6 Вялова Е П , Квашнина Г А , Мун Я О Психологические особенности процесса управления конфликтами // Обеспечение экологической безопасности в чрезвычайных ситуациях материалы 2-й Междунар науч -практ конф Воронеж, 2006 Ч 1 -С 106-115

7 Методы оценки функциональных резервов организма человека /ГА Квашнина, Я О Мун, В М Усков, В И Федянин // Системы жизнеобеспечения и управления в чрезвычайных ситуациях межвуз сб науч тр Воронеж ВГТУ, 2006 Ч 2 - С 4-8

8 Квашнина Г А, Мун Я О Психологические аспекты поведения пострадавших в очаге чрезвычайной ситуации// Системы жизнеобеспечения и управления в чрезвычайных ситуациях межвуз сб науч тр Воронеж ВГТУ, 2006 42 - С 34-37

9 Мун Я О , Склярова Т П , Струк Ю В Применение математических методов и компьютерных технологий для диагностики, прогнозирования состояний дезадаптации /7 Актуальные вопросы развития ведомственной медицины МВД России материалы научно-практической конференции, посвященной 75-летию Медицинской службы ГУВД Санкт-Петербурга и Ленинградской области СПб , 2006 С 23-28'

10 Квашнина Г А , Мун Я О , Федянин В И Особенности процесса обработки результатов различных типов тестовых показателей при проведении пси-

хологических обследований // Системы жизнеобеспечения и управления в чрезвычайных ситуациях межвуз сб науч тр Воронеж ВГТУ, 2007 Ч 1 - С 179-

11 Квашнина Г А , Мун Я О , Федянин В И Возможные пути совершенствования процесса оценки степени психической адаптации субъекта в экстремальной ситуации // Системы жизнеобеспечения и управления в чрезвычайных ситуациях межвуз сб науч тр Воронеж ВГТУ, 2007 - С 4-10

12 Квашнина Г А , Мун Я О , Федянин В И Использование методов добычи данных для обработки статистических данных о психофизиологическом состоянии субъектов, поступающих на службу связанную с экстремальными условиями // Системы жизнеобеспечения и управления в чрезвычайных ситуациях межвуз сб науч тр Воронеж ВГТУ, 2007 - С 232-236

13 Квашнина ГА , Мун Я О Особенности процесса психодиагностического обследования субъекта с целью определения степени психической адаптации // Обеспечение экологической безопасности в чрезвычайных ситуациях материалы 3-й Междунар науч-практ конф Воронеж, 2007 - С 119-125

14 Квашнина Г А , Мун Я О Процесс психической адаптации субъекта при оценке ее уровня с постоянным воздействием факторов окружающей среды // Обеспечение экологической безопасности в чрезвычайных ситуациях материалы 3-й Междунар науч-практ конф Воронеж, 2007 -С 136-141

15 Квашнина Г А , Мун Я О Использование автоматизированной системы поддержки принятия решений в процессе психофизиологической диагностики // Обеспечение экологической безопасности в чрезвычайных ситуациях материалы 3-й Междунар науч-практ конф Воронеж, 2007 -С 197-206

Подписано в печать 17 01 2008 Формат 60 х 84/16 Бумага для множительных аппаратов Уел печ л 1,0 Тираж 85 экз Заказ № ГОУ ВПО «Воронежский государственный технический университет» 394026 Воронеж, Московский просп , 14

183

/

ВВЕДЕНИЕ

1. АНАЛИЗ МЕТОДОВ ОЦЕНКИ ПСИХОЛОГИЧЕСКОГО СОСТОЯНИЯ И ПОВЕДЕНИЯ СУБЪЕКТА В ЭКСТРЕМАЛЬНОЙ СИТУАЦИИ, НАПРАВЛЕНИЯ ПО СОВЕРШЕНСТВОВАНИЮ СРЕДСТВ ОЦЕНКИ СТЕПЕНИ ПСИХИЧЕСКОЙ АДАПТАЦИИ

1.1 Современные методы оценки психического состояния субъекта в условиях экстремальной ситуации

1.2 Достоинства и недостатки существующих методов оценки степени психической адаптации субъекта в экстремальной ситуации

1.3 Пути совершенствования процесса оценки степени психической адаптации субъекта в экстремальной ситуации

1.4. Цель и задачи исследования

2. РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ОЦЕНКИ СТЕПЕНИ ПСИХИЧЕСКОЙ АДАПТАЦИИ СУБЪЕКТА В ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЯХ НА ОСНОВЕ ВЫЯВЛЕНИЯ СКРЫТЫХ ЗАКОНОМЕРНОСТЕЙ В СТАТИСТИЧЕСКИХ ДАННЫХ

2.1. Разработка структуры автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях

2.2 Определение информативных признаков, характеризующих субъект с психофизиологической точки зрения и ориентированных на описание адаптивного состояния индивида

2.3 Выявление скрытых закономерностей в статистических данных о психофизиологическом состоянии субъектов, поступающих на службу, связанную с экстремальными условиями, на основе методов деревьев решений и нейронных сетей

2.4. Выводы второй главы

3. РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ РЕШАЮЩИХ ДИАГНОСТИЧЕСКИХ ПРАВИЛ НА ОСНОВЕ РЕЗУЛЬТАТОВ СТАТИСТИЧЕСКОГО АНАЛИЗА

3.1 Автоматизация построения диагностических правил оценки уровня психической адаптации

3.2 Разработка логической модели автоматизированной системы оценки степени психической адаптации субъекта в экстремальной ситуации

3.3 Использование автоматизированной системы поддержки принятия решений в деятельности регионального центра психофизиологической диагностики

3.4. Выводы третьей главы

4. РАЗРАБОТКА И РЕАЛИЗАЦИЯ АМТОМАТИЗИРОВАННОЙ СИСТЕМЫ ПОДДЕРЖКИ ВРАЧА-ДИАГНОСТА ОСНОВЕ РЕАЛИЗАЦИИ ЛОГИЧЕСКИХ МОДЕЛЕЙ

4.1 Разработка программно-информационного обеспечения автоматизированной системы поддержки принятия решения врачом-психологом

4.2 Использование автоматизированной системы поддержки принятия решений в деятельности регионального центра психофизиологической диагностики

4.3. Оценка эффективности применения разработанной автоматизированной системы на практике профотбора

4.4. Выводы четвертой главы 131 ЗАКЛЮЧЕНИЕ 132 СПИСОК ЛИТЕРАТУРЫ 134 ПРИЛОЖЕНИЕ

Актуальность темы. Министерство здравоохранения Российской Федерации, Российская Академия медицинских наук уделяют большое внимание вопросам разработки новых технологий донозологической диагностики отклонений с целью укрепления здоровья и профилактики заболеваний. Однако, в силу ряда причин, среди которых недостаточный уровень методического и технического обеспечения, отсутствие квалифицированных кадров и системы их подготовки модель оказания превентивной медицинской помощи (оздоровления) до настоящего времени не реализована. Несмотря на кажущееся изобилие самых различных способов оценки функционального состояния человека и оздоровительных технологий, консенсуса ученых по унифицированным методикам донозологической диагностики и коррекции функциональных нарушений пока не достигнуто.

Очевидно, что методы донозологической диагностики должны отвечать определенным медицинским, социальным и экономическим требованиям -должны быть научно-обоснованными и апробированными, экспрессивными, неинвазивными, относительно дешевыми и рассчитанными на массовое применение.

Специфика деятельности сотрудников органов внутренних дел (ОВД), МЧС особенно при выполнении ими служебно-боевых задач в особых условиях, определяет наличие факторов риска развития патологических состояний.

С целью обеспечения их высокой профессиональной надежности и профессионального долголетия, основой которых является уровень здоровья, выявляют донозологические (психические, соматические) состояния, осуществляя тем самым актуальные для отечественного здравоохранения превентивные функции по охране здоровья.

Адаптационные возможности организма (способность к уравновешиванию с окружающей средой) являются одним из фундаментальных свойств живой системы. Здоровье как определенный уровень адаптационных возможностей организма (адаптоспособность или адаптационный потенциал) включает в себя и понятие шмеостаза, который следует рассматривать в качестве конечного результата деятельности многочисленных функциональных систем, как целевую функцию многоуровневого иерархического управления в организме.

В 2001-2002 годах разработан и принят стратегический «План развития здравоохранения Российской Федерации», в котором предусмотрен переход медицины от системы, ориентированной на лечение заболевания, к системе охраны здоровья граждан, основанной на приоритете здорового образа жизни и направленной на профилактику болезней.

Актуальность развития данного направления обусловлена тем, что в последнее десятилетие в структуре заболеваемости и смертности населения России прогрессируют социально зависимые и профессионально обусловленные дефекты здоровья (несчастные случаи, отравлениями травмы, дизадаптивные синдромы, социально - экологическое утомление и переутомление, стрессогенные заболевания). С каждым годом в; структуре заболеваемости увеличивается общая доля невротических и психических расстройств.

Работа выполняется в соответствии с межвузовской комплексной научно-технической программой 12.11 «Перспективные информационные технологии в высшей школе» в рамках одного из основных направлений ГОУ ВПО «Воронежский государственный технический университет» «Проблемно-ориентированные системы управления».

Цель работы. Разработка методов и средств комплексной диагностики и управления адаптивным состоянием в условиях экстремальной ситуации, обеспечивающих повышение качества диагностики и упрощения процесса психологического исследования в целом при профессиональном отборе кандидатов на службу в структуры МЧС и других ведомств, чья деятельность связана с экстремальными факторами.

Для достижения поставленной цели необходимо решить следующие задачи:

- разработать структуру автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях, отвечающей требованиям современных экспертных систем;

- выбрать комплекс признаков, описывающих состояние человека на психологическом уровне, обеспечивающих автоматизированную диагностику и управление его адаптивным состоянием;

- выбрать методы выявления скрытых закономерностей в статистических данных о результатах обследования субъектов, проходящих профотбор на службу связанную с экстремальными факторами;

- разработать структуру логической модели процесса диагностики субъекта при оценке степени психической адаптации в условиях экстремальной ситуации;

- предложить метод использования полученных решающих правил диагностики функциональных состояний субъекта по комплексу показателей, характеризующих психологическую и физиологическую сферы его профессиональной деятельности;

- разработать программное обеспечение, соответствующее предлагаемой методики психологического исследования личности, основанное на реализации логической модели диагноза.

Методы исследований. Для решения поставленных задач использовались методы системного анализа, теории управления, моделирования, основные понятия теории систем, добычи данных, экспертного оценивания и принятия решений, методы теории искусственного интеллекта, систем автоматизированного моделирования, построения экспертных систем, а так же методы оптимизации. При разработке программно-информационных средств применялись методы объектно-ориентированного программирования, создания интеллектуальных информационных систем.

Научная новизна. В диссертации получены следующие основные результаты, характеризующиеся научной новизной: структура автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях, адаптированная к решению задач психодиагностики; для эффективного наполнения базы знаний и формирования диагностических правил данная система ориентирована на использование ряда методов распознавания образов и добычи данных; признаковое пространство, характеризующее психофизиологическое состояние субъекта, отличающееся возможностью использования нормализованных величин различных психодиагностических тестов; математические модели оценки степени психической адаптации, ориентированные на диагностику психофизиологического состояния субъекта, отличающиеся использованием методов деревьев» решений и нейронных сетей; логические модели, ориентированные на оценку степени психологической адаптации субъекта в условиях экстремальной ситуации, и позволяющие проводить автоматизированную процедуру диагностики; решающее правило, предназначенное для оценки состояния субъекта в условиях противоречивой информации, полученной от группы диагностических алгоритмов, характеризующееся использованием информации об априорных вероятностях диагностических классов и условных вероятностях ошибок алгоритмов.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность работы, дается ее краткая характеристика, показываются основные пути решения сформированных проблем.

В первой главе рассматриваются современные методы оценки психического состояния субъекта в условиях экстремальной ситуации; рассматривается модель процесса психологической адаптации при оценке ее степени, соответствующей определенному состоянию субъекта; приведены особенности проведения стандартных психодиагностических обследований в процессе определения степени психической адаптации субъекта. Рассмотрены перспективы развития методов психодиагностики по определению психического состояния субъекта, среди которых можно выделить вопросы извлечения и представления различных типов знаний специалистов, интеллектуализации интерфейса и блока объяснения, гибридных и динамических систем. На основании проведенного анализа определяются цель и задачи исследования.

Во второй главе рассмотрены особенности разработки структуры автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях на основе методов распознавания и добычи данных. На основе полученных результатов производится формирование базы знаний интеллектуальной диагностической системы, предназначенной для определения состояния субъекта. Решается задача минимизации признакового пространства на основе экспертной оценки значимости базовых признаков. Приводится способ построения модели оценки степени психической адаптации субъекта в условиях экстремальной ситуации на основе методов деревьев решений и нейронных сетей.

В третьей главе рассмотрены методы построения диагностических правил оценки уровня психической адаптации. Разработана логическая модель функционирования автоматизированной системы определения степени психической адаптации субъекта. Проведена оценка качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования». На основе экспертного заключения проводится формирование множества альтернативных методов диагностики, определение набора показателей и критериев эффективности этих методов.

В четвертой главе разработано программно-информационное обеспечение СППР «Эксперт-психолог», предназначенное для анализа психофизиологических данных с помощью различных статистических и интеллектуальных методов, таких как деревья решений, нейронные сети, формирования и выдачи обоснованных заключений при диагностике субъекта и оценке его состояния в условиях экстремальной ситуации. Предложена методика построения решающих правил диагностики в интеллектуальной системе «Эксперт-психолог», сформирована база знаний системы поддержки принятия решений врача-психолога, ориентированной на диагностику состояния субъекта в условиях экстремальной ситуации.

В заключении рассмотрены основные результаты работы.

4.4 Выводы четвертой главы

1. Автоматизированная диагностика и выбор психопрофилактической реабилитационной работы возможны с использованием разработанного программно-аппаратного комплекса, позволяющего осуществлять, диагностику на основе анализа значимости признаков и формирования!' I моделей диагностики на основе методов деревьев решений и логических алгоритмов. 1 I

2. Разработанная автоматизированная система поддержки принятия решения при определении степени психической адаптации врачом-психологом кандидатов на службу внедрена в практическую деятельность Центра психофизиологической диагностики и используется для психологической диагностики и экспертизы кандидатов на службу в органы внутренних дел, Главного управления МЧС России по Воронежской области, а также в целях проведения плановых и целевых мониторингов i личного)' I состава подразделений ОВД и МЧС. Это помогает своевременному выявлению факторов, свидетельствующих о выраженной эмоциональной I напряженности, способствует не только правильному экспертному решению, но и своевременному проведению психокоррекционных и реабилитационных мероприятий с сотрудниками, со стажерами. Полученные результаты используются для разработки коррекционно-развивающих программ, направленных на оптимизацию адаптации сотрудников к служебной деятельности.

3. Оценка эффективности универсального автоматизированного' I экспертно-диагностического комплекса средств профессиональной психодиагностики, основанная на анализе показателей заболеваемости психическими расстройствами, восстановлении психоэмоционального состояния и функциональных резервов, а также ранней увольняемости и по отрицательным мотивам, показала ее социальную целесообразность.

132

ЗАКЛЮЧЕНИЕ

1. Разработана структура автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях, адаптированная I к решению задач психодиагностики. Для эффективного наполнения базы знаний и формирования диагностических правил данная система ориентирована на использование ряда методов распознавания образов и добычи данных.

2. Сформировано признаковое пространство, характеризующее психофизиологическое состояние субъекта, отличающееся возможностью использования нормализованных величин различных психодиагностических | тестов. ,

3.Построены математические модели оценки степени психической адаптации, ориентированные на диагностику психофизиологического1 состояния субъекта, отличающиеся использованием методов деревьев решений и нейронных сетей.

4. Разработаны логические модели, ориентированные на оценку степени психологической адаптации субъекта в условиях экстремальной ситуации, и позволяющие проводить автоматизированную процедуру диагностики. ,

5. Предложено решающее правило, предназначенное для оценки состояния субъекта в условиях противоречивой информации, полученной от группы диагностических алгоритмов, характеризующееся использованием1 информации об априорных вероятностях диагностических классов и условных вероятностях ошибок алгоритмов.

6. Проведена проверка оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования».

7.Автоматизированная диагностика и выбор психопрофилактической; реабилитационной работы возможны с использованием разработанного программно-аппаратного комплекса, позволяющего осуществлять диагностику на основе анализа значимости признаков и формирования моделей диагностики на основе методов деревьев решений и логических алгоритмов <

8.Разработанная автоматизированная система поддержки принятия1 ( решения при определении степени психической адаптации врачом- li психологом кандидатов на службу внедрена в практическую деятельность |

Центра психофизиологической диагностики и используется для, психологической диагностики и экспертизы кандидатов на службу в органы внутренних дел, Главного управления МЧС России по Воронежской области, а также в целях проведения плановых и целевых мониторингов личного состава подразделений ОВД и МЧС. Это помогает своевременному выявлению факторов, свидетельствующих о выраженной эмоциональной напряженности, способствует не только правильному экспертному решению, 1 но и своевременному проведению психокоррекционных и реабилитационных' 11 мероприятий с сотрудниками, со стажерами. Полученные результаты '

I I используются для разработки коррекционно-развивающих программ,, направленных на оптимизацию адаптации сотрудников к служебной деятельности.

9. Оценка эффективности универсального автоматизированного экспертно-диагностического комплекса средств профессиональной психодиагностики, основанная на анализе показателей заболеваемости психическими расстройствами, восстановлении психоэмоционального' Ч • состояния и функциональных резервов, а также ранней увольняемости и noi li отрицательным мотивам, показала ее социальную целесообразность. ,

134

1. Александровский Ю.А. Пограничные психические расстройства., Ростов- на-Дону, 1997.

2. Александровский Ю.А. Состояния психической дезадаптации и их компенсация. М., 1976. 272 с.

3. Асанов А.А., Ларичев О.И., Нарыжный Е.В., Страхов С.И. Экспертная система для диагностики лекарственных отравлений // Седьмая нац. конф. по искусств, интеллекту с междунар. уч. (КИИ'2000): Тр.конф. Т.2. М.: Изд-во Физ-мат. лит. 2000. С.708-716.

4. Баевский P.M., Берсенева А.П., Палеев Н.Р. Оценка1Iадаптационного потенциала системы кровообращения при массовых профилактических обследованиях населения // Усовершенствование организации медицинской помощи населению.- М., 1987, Вып. 10. С. 1-19.

5. Барабаш Ю.Л. Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. 224 с.

6. Бериков В.Б. Априорные оценки качества распознавания при ограниченном объеме обучающей выборки. ЖВМиМФ, 2003, том 43 ,№ 9, С. 1448 -1456.

7. Бериков В.Б. Об устойчивости алгоритмов распознавания вдискретной постановке // Искусственный интеллект. 2000. Т. 2. С. 5-8.

8. Березин Ф.Б. Психическая и психофизиологическая адаптация человека. Л., 1988. С. 5,251-252.

9. Браверман Э.М., Мучник И.Б. Структурные методы обработкиэмпирических данных. М.: Наука. 1983, С.

10. Бураковский В.И., Бокерия JI.A., Газизова Д.Ш., Лищук В.А. и др. Компьютерная технология интенсивного лечения: контроль, анализ, диагностика, лечение, обучение. М.: НЦ ССХ РАМН. 1995.

11. Бурлачук Л.Ф. Личность как созвездие 16 факторов. //! Психологическая газета, 2000, № 12. С. 12-13.

12. Валькман Ю.Р. Графическая метафора основа когнитивной графики // Нац. конф. с междунар. участием «Искусственный интеллект-94» (КИИ-94). T.I. Рыбинск. 1994. С. 195-199.

13. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. М.: Наука. 1974, С.

14. Варфоломеев В.И., Воробьев С.Н. Принятие управленческих решений: Учеб. пособие для вузов, М.: КУДИЦ-ОБРАЗ, 2001. 288 с.

15. Васильев В.И. Распознающие системы (справочник). К.: Наукова' думка. 1983. 422 с.

16. Вентцель Е.С. Теория вероятностей. М.: Наука, 1969. 576 с.

17. Викторов В.А. О развитии медико-технической науки // "Вестник РАМН" N5, 2001 г., С. 3-7.

18. Вялова Е.П., Квашнина Г.А., Мун Я.О. Межличностные отношения в конфликтных ситуациях // Обеспечение экологической безопасности в чрезвычайных ситуациях: материалы 2-й Междунар. науч.-практ. конф. Воронеж, 2006. 4.1. С. 79-83

19. Вялова Е.П., Квашнина Г.А., Мун Я.О., Психологические/ особенности процесса управления конфликтами. // Обеспечение экологической безопасности в чрезвычайных ситуациях: материалы 2-й Междунар. науч.-практ. конф. Воронеж, 2006. 4.1. С. 106-115.

20. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А, Очерки о совместной работе математиков и врачей. М.: Наука. 1989.

21. Глушков В.М. Введение в АСУ. Киев: Техника, 1974. 554 с.

22. Гречко ВО., Долгополов И.Н., Ковнеристов А.Г. и др. Представление знаний в системе массового медицинского диагностирования // VI Междунар. конф. «Знания-Диалог-Решение» (KDS-97): Сб. науч. тр. Т.2. Ялта. 1997. С.478-485. '

23. Дюк В.А. Компьютерная психодиагностика. СПб: «Братство», 1994.364 с.

24. Дюк В.А. Обработка данных на ПК в примерах. СПб: "Питер", 1997. 240 с.

25. Дюк В.А., Самойленко А.П. Data Mining: учебный курс СПб: «Питер», 2001. 368 с.

26. Журавлев Ю.И. Об алгебраическом подходе для решения задач распознавания или классификации. Проблемы кибернетики. М.: Наука, 1978.; Вып. 33. С. 5-68.

27. Ивашко В.Г., Финн В.К. Экспертные системы и некоторыепроблемы их интеллектуализации // Семантика и информатика. М.:; ВИНИТИ. 1986. №27.

28. Квашнина Г.А., Муковоз Т.В., Мун Я.О. Прогнозирование успешности адаптации «Группы риска» на этапе профотбора // Системы жизнеобеспечения и управления- в чрезвычайных ситуациях: межвуз. сб. науч. тр. Воронеж: ВГТУ, 2005. 4.2. С. 21-23.

29. Квашнина Г.А., Мун Я.О. Психологические аспекты поведения!1 пострадавших в очаге чрезвычайной ситуации // Системы жизнеобеспечения и управления в чрезвычайных ситуациях: межвуз. сб. науч. тр. Воронеж: ВГТУ, 2006. 4.2. С. 34-37.

30. Квашнина Г.А., Мун Я.О. Система поддержки принятия решений врачом-психологом при оценке степени психологической адаптации лиц, работающих в экстремальной ситуации / Вестник Воронежского государственного технического университета. 2005. Т.1. №7 С.82-85.

31. Квашнина Г.А., Мун Я.О., Федянин В.И. Формирование обобщенного портрета лица, работающего в экстремальной ситуации, наIоснове интеграции диагностических шкал / Вестник Воронежского государственного технического университета 2007. Т.З. №2. С. 36-41.

32. Клар Г. Тест Люшера. Психология цвета. Перевод с нем. М., 1975.

33. Кобринский Б.А. К вопросу о формальном отражении образного мышления и интуиции специалиста в слабо структурированной предметной области //Новости искусственного интеллекта. 1998. №3. С.64-76.

34. Кобринский Б.А. К проблеме машинного распознавания наследственных болезней // Специализированная помощь ' детям с наследственной патологией: Сб. тр. Моск. НИИ пед. и дет. хир. Вып.16. М.: 1981. С.147-153.

35. Кобринский Б.А. Нечеткая логика в анализе образных представлений в медицинских системах искусственного интеллекта // Междунар. конф. по мягким вычислениям и измерениям: Сб. докл. Т.1. СПб.: 1998. С.233-235.

36. Кобринский Б.А. Рассуждения и аргументация в диагностическом процессе // 3-я Междунар. конф. «Информационные ресурсы. Интеграция. Технологии»: Матер, конф.: Вторая часть. М.: 1997. С.4-6.

37. Кобринский Б.А. Рефлексия и нечеткие представления в медицинских системах искусственного интеллекта // Рефлексивное управление. Тез. междунар. симпоз. М.: Изд-во «Ин-т психологии РАН». 2000. С. 85-86.

38. Кобринский Б.А., Таперова JI.H., Фельдман А.Е., Веприцкая О.В. К вопросу о коммуникабельности медицинских экспертных систем /

39. Эволюционная информатика и моделирование: Сб. науч. тр. по матер, междунар. конф. М.: ГосИФТП. 1994. С.100-116.

40. Кобринский Б.А., Фельдман А.Е. Анализ и учет ассоциативных знаний в медицинских экспертных системах // Новости искусственного интеллекта. 1995. № 3. С.90-96.

41. Краткий отборочный тест: Методические рекомендации. М.: МЦ при ГУК МВД России, 1997. 32 с.

42. Кузнецов О.П. Образное мышление и быстрые процессы // Новости искусственного интеллекта. 1998. №2. С.117-130.

43. Ларичев О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных Странах: Учебник. М.: Логос. 2000.

44. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. Вербальный анализ решений. М.: Наука. 1996. 208 с. '

45. Лбов Г.С, Старцева Н.Г. Логические решающие функции и вопросы статистической устойчивости решений // Новосибирск: Изд-во Инта математики. 1999.

46. Левит В.Е., Переверзев-Орлов B.C. Структура и поле данных при распознавании образов. М.: Наука. 1984.

47. Лукашевич И.П., Мачинская Р.И., Фишман М.Н. Структурная организация медицинской информации «ЭЭГ-ЭКСПЕРТ» // Математические методы в технике и технологиях (ММТТ-2000): Сб. тр. 13-й Междунар. науч. конф. Т.4. Секции 5, 7. СПб.: 2000. С.154-157.

48. Лукашевич И.П., Сыркин А.Л. Проблема получения и передачи медицинских знаний // Компьютерная хроника. 1994. №8-9. С.39-43. '

49. Макаров И.М. Теория выбора и принятия решений. М.: Наука, 1987. 350 с.

50. Марьянник Б.В. Метод виртуальных статистик и его применение в, партнерских системах для компьютерной диагностики // Компьютерная хроника. 1996. №5. С.65-74.

51. Материалы Решения Коллегии Министерства здравоохранения Российской Федерации Протокол № 12 от 25.06.02

52. Методические указания «Факторы группы риска и профессиональная пригодность кандидатов, поступающих на службу в органы внутренних дел», М., 1999.28 с. ,

53. Методы оценки функциональных резервов организма человека / Г.А. Квашнина, Я.О. Мун, В.М. Усков, В.И. Федянин // Системы ( жизнеобеспечения и управления в чрезвычайных ситуациях: межвуз. сб: науч. тр. Воронеж: ВГТУ, 2006. 4.2. С. 4-8

54. Мирошник Е.В., Веселков А.Ф. Оценка уровня адаптации сотрудника в профессиональной среде // Кадровый вестник, №8, 2003., С. 5658.

55. Мулен Э. Кооперативное принятие решений: аксиомы и модели. М: Мир, 1991.464 с.

56. Мун Я.О., Склярова Т.П. Психологическая адаптация субъекта в экстремальной ситуации // Интеллектуализация управления в социальных и< экономических системах: труды Всерос. конф. Воронеж, 2005. С. 187-188. i

57. Мягких Н.И, Шутко Г.В. Основные методы профессионального психологического отбора в органах внутренних дел Российской Федерации, Пермь, 2003. 258 с.

58. Осипов Г.С., Назаренко Г., Малаховский Д., Комаров С. SIMER: система для исследования понятийной структуры предметной области / Сб. тр. первого междунар. семинара: Проблемы и применение искусственного интеллекта. София: Техника. 1987.

59. Осипов Г.С. Инструментарий для экспертных систем. Технология SIMER+MIR // Программные продукты и системы. 1990. №3. С. 23-32.

60. Осипов Г.С. Информационные технологии, основанные на знаниях //Новости искусственного интеллекта. 1993. №1. С. 1-41.

61. Осипов Г.С. Построение моделей предметных областей. 4.1. Неоднородные семантические сети // Известия АН СССР. Техн. кибернетика. 1990. №5. С. 32-45.

62. Отраслевой стандарт "Протоколы ведения больных. Общие положения" № 91500.09.0001-1999.I

63. Переверзев-Орлов B.C. Советчик специалиста. Опыт разработки партнерской системы. М.: Наука. 1990.

64. План развития здравоохранения Российской Федерации принят в марте 2001 года на заседании расширенной коллегии Минздрава России.

65. Поспелов Д.А. Метафора, образ и символ в познании мира // Новости искусственного интеллекта. 1998. №1.

66. Поспелов Д.А. Прикладная семиотика и искусственный интеллект // Программные продукты и системы. 1996. №3. С. 10-13.

67. Поспелов Д.А. Ситуационное управление: Теория и практика. М : Наука, 1988.288 с.

68. Поспелов Д.А., Литвинцева Л.В. Как совместить левое и правое? // Новости искусственного интеллекта. 1996. №2. С. 66-71.

69. Р. Дуда, П. Харт Распознавание образов и анализ сцен. М.: Мир. 1976,511 с.142 , ,111

70. Растригин JI.A., Эренштейн P.X. Коллектив алгоритмов для,| ,1.'обобщения алгоритмов решения задач. Известия АН СССР. Техническая 1 кибернетики, 1978, №2, С. 116-119. , f '

71. Ригельман Р. Как избежать врачебных ошибок. КнигаIпрактикующего врача. М.: Практика. 1994. '

72. Сборник научных и практических работ. Новые лечебно-диагностические технологии в медицине. Старый Оскол, 2002. 220 с.

73. Сборник научных трудов под ред. Кочеткова А.Г. Аспекты адаптации. Н.Новгород, 2001. 200 с.

74. Склярова Т.П. Роль профессионального психологического отбора в,| , !, профилактике дезадаптации среди личного состава ОВД. / Материалы '' j> I

75. Всеросс. науч.-практ. конф. «Состояние и актуальные проблемь1 1 ( профессионального психологического отбора в органах внутренних дел'I

76. Российской Федерации», М., 2003. С. 48-49.

77. Склярова Т.П., Струк Ю.В. Моделирование и алгоритмизация '' !iпроцессов диагностики и прогнозирования состоянии дезадаптации в 1 экспертной практике профотбора кандидатов на службу в системах МВД и' МЧС / Вестник ВГТУ, Т.2, №4, 2006. С. 20-23. • !

78. Собчик Л.Н. Стандартизированный многофакторный метод! , исследования личности СМИЛ / Л.Н. Собчик. СПб.: Речь, 2000. 219 с. 1 '' !

79. Тарасов В.Б. Моделирование психических образов: как совместить дискретное и непрерывное? // Новости искусственного интеллекта. 1998. №3. С. 86-100.

80. Уотерман Д. Построение экспертных систем. М.: Мир, 1987. 240 с.

81. Уотерман Д. Руководство по экспертным системам. М.: Мир, 1987.230 с.

82. Файнзильберг JI.C. Байесова схема принятия коллективных решений в условиях противоречий // Проблемы управления и информатики. 2002. №3. С. 112-122.

83. Финн В.К. Интеллектуальные системы: проблемы их развития и социальные последствия // Будущее искусственного интеллекта. М.: Наука. 1991. С. 157-177.

84. Финн В.К. Об интеллектуальных системах автоматизированной поддержки научных исследований // НТИ. Сер.2. 1996. №5-6. С. 1-2.

85. Финн В.К. Правдоподобные выводы и правдоподобные рассуждения // Итоги науки и техники. Теория вероятностей. Математическая статистика. Теоретическая кибернетика. М.: ВИНИТИ. 1988. Т.28. С. 3-84.

86. Фоминых И.Б. Интеграция логических и образных методов! отражения информации в системах // Новости искусственного интеллекта. 1998. №3. С. 76-85.

87. Фуремс Е.М., Гнеденко JI.C. STEPCLASS система извлечения экспертных знаний и проведения экспертизы для решения диагностических задач // НТИ. Сер. 2. 1996. № 9. С. 16-20.

88. Хай F.A. Как избежать потерь смысла на пути от содержательного; знания к автоматизированной экспертной системе // Вопросы применения' экспертных систем. Минск: 1988. С. 53-61.

89. Черняховская М.Ю. Представление знаний в экспертных системах!! медицинской диагностики. Владивосток: Институт автоматики и процессов управления ДВНЦ АН СССР. 1983.

90. Чирков А.В. Когнитивная графика. Истоки и развитие // Науч. сессия МИФИ-2000: Сб. науч. тр. Т.З. М.: 2000. С. 77-78.

91. Шаров С.А. О математических моделях когнитивных механизмов!! //В сб. «Обработка текста и когнитивные технологии» / Под ред. В.Д. Соловьева. Пущино. 1999. С. 222-232.

92. Энциклопедия кибернетики. Киев: Главная редакция УСЭ, 1974. Т.1. 640 с.

93. Юрьевиц А.Ж., Аверьянов B.C., Виноградов О.В. Адаптация к профессиональной деятельности. // Физиология трудовой деятельности. Под ред. В.И. Медведева. СПб., 1993. С. 209-283.

94. Янковская А.Е. Тестовые распознающие медицинские экспертные системы с элементами когнитивной графики // Компьютерная хроника. 1994.:! № 8-9. С. 61-83.

95. Янковская А.Е., Гедике А.И. Построение прикладных интеллектуальных систем на базе системы ЭКСАПРАС // Тез. докл. III конф. по ИИ. Т. 2. Тверь: НИИ "Центрпрограммсистем" 1992. С. 82-85.

96. Azar F.S. Multiattribute Decision-Making: Use of three scoring methods to compare the perfomance of imaging techniques for breast cancer ' detection. // Technical Report MS-BE-00-01, MS-CIS-00-10. Dept. of BioEngineering. U. of Penn. 2000. P. 1-24.i:

97. Bagui SC., Pal N.R. A multistage generalization of the rank nearest 1ineighbor classification rule// Pattern Recognition Letters, 1995. V. 16.- No. 6.- P. 601-614.

98. Berikov, V.B. A priori estimates of recognition quality for discrete features. Pattern Recognition and Image Analysis, Vol. 12, N 3, 235-242/2002.

99. Berikov, V.B. An approach to the evaluation of the performance of a. discrete classifier. Pattern Recognition Letters. Vol. 23 (1-3), 227-233. 2002.I

100. Bozinovski S., Jankovski L., Naumova M: MEXYS: an expert system!ffor psychiatric diagnosis based on the MMPI // Proc. MELECON'85. ;I

101. Mediterranen Electrotechn. Conf., Madrid, Oct.1985. Vol.1. Amsterdam. 1985. P.' ' 243-246.

102. Breiman; L., Friedman, J., Olshen, R. and Stone, С Classification and Regression Trees. Wadsworth International, California. 1984.

103. Bronzino J.D. The Biomedical Engineering Handbook. Second Edition, IEEE Press, 2000.

104. Chandrasekaran В., Mittal S., Smith J.W. MDX and related medicaljdecision-making systems // Proc. IJCAI-81. 1981. P. 1055.i

105. Chandrasekaran В., Mittal S., Smith J.W. RADEX towards a computer-based radiology consultant // Pattern Recognition in Practice / E.S.Gelsema and L.N.Kanal (eds.). North-Holland Publ. Co. 1980. P.463-477.

106. Chang L.Ch., Tou J.T. Medics a medical knowledge system // IEEE Trans. Syst., Man and Cybern. 1984. Vol.14. N.5. P. 746-750.

107. Chatfield C. Model Selection, Data Mining and Model Uncertainty. // Proceedings of the 18th International Workshop on Statistical Modelling. 2003, Leuven. Belgium. P. 79-84

108. Cho S.B.,Kim J.H. Multiple network fusion using fuzzy logic// IEEE Transactions on Neural Networks. 1995. V. 6. No. 2. P. 497-501.

109. Cohen P., Day D., Delisio J. et al. Management of uncertainty intVimedicine // 6 Annu. Int. Phoenix Conf. Comput. and Common, Scottsdale, Ariz., Conf. Proc. Washington. 1987. P. 501-506.

110. Davis R., Buchanan B.G., Shortliffe E.H. Production rules asirepresentation for a knowledge-based consultation program // Artif. Intell. 1977. V0I.8.N.I.P. 15-45.

111. Fieschi M., Joubert M., Fieschi D. et al. SPHINX: A production rules expert system for medical consultations // MEDINFO'83: Proc. 4th World Conf. Med. Inf. Pt.l. Amsterdam. 1983. P. 503-506.

112. Fries J.F. Time-oriented patient records and a computer databank // J. Amer. Med. Ass. 1972. Vol.222. P. 1536-1542.

113. Ganascia J.C. Explanation facilities for diagnosis systems // Cybernetics and Syst. Res. Amsterdam e.a. 1984. Vol.2. P. 805-810.

114. Gercone N., McCalla G. Artificial intelligence. Underlying assumptions!1and basic objectives // J. Amer. Soc. for Inform. Science. 1984. Vol.35. N.5. P. 280-290.

115. Hashem S., Schmeiser B. Improving model accuracy using optimal linear combinations of trained neural networks// IEEE Transactions on Neural Networks, 1995. V.6. No. 3. P. 792-794.

116. Heiser J.F., Brooks R.E., Ballard G.P. Progress report: A computerized psychopharmacology advisor // Proc. Eleventh Colloquium Intern. Neuro-Psychopharmacol. Vienna, Austria. 1978.

117. Hertzberg-Todd M., Tremblay G.F., Lam Ch.F. Computer-assisted localization of nervous system injuries // Comput. and Biomed. Res. 1987. Vol.20. N.5. P. 489-496.

118. Ho Т.К., Hull J.J., Srihari S.N. Decision combination in multiple classifier systems//IEEE Transactions on Pattern Analysis and Machine Intelligence, 1994.- V.16.- No. 1, 1994, P. 66-75.

119. Jackson A.M. Prognosis of Intravesical Baccilus Calmette -Guerrin Therapy for Superficial Bladder Cancer by Immunological Urinary Measurements:r

120. Statistically Weighted Syndromes Analysis // Journal of Urology. 1998. vl59, pp. 1054-1063.

121. Kimura F., Shridhar M Handwritten numerical recognition based on multiple algorithms// Pattern Recognition, 1991.- V. 24.- No. 10.- P. 969-983.

122. Kinney E.L. Expert system detection of drug interactions: Results in consecutive inpatients // Comput. and Biomed. Res. 1986. Vol. 19. N.5. P.462-467.

123. Lesmo L., Marzuoli M., Molino G., Torasso P. An expert system forithe evaluation of liver functional assessment // J. Med. Syst. 1984. Vol.8. N.l-2. P. 87-101.

124. Masarie F.E., Miller R.A., Myers J.D. INTERNIST-I properties: Representing common sense and good medical practice in a computerized medical knowledge base // Comput. and Biomed. Res. 1985. Vol.18. N.5. P. 458-479.

125. Miller P.L., Blumenfruchi S.J., Black H.R. An expert system which critiques patient workup: modelling conflicting expertise // Comput. and Biomed. Res. 1984 Vol.17. N.6. P. 554-569.

126. Mulsant В., Servan-Schreiber D. Knowledge engineering: A daily activity on a hospital ward // Comput. and Biomed. Res. 1984. Vol. 17. P. 71-91.

127. On combining classifiers / J. Kittler, M. Hatef, R.P.W. Duin, J. Matas// IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. № 20. P., 226-239.

128. Politakis P., Weiss S.M. Using empirical analysis to refine expert system knowledge bases // Artif. Intell. 1984. Vol.22. N.l. P. 23-48.

129. Pranke J., Mandler E. A Comparison of Two Approaches for Combining the Votes of Cooperating Classiflers//Proceedings 11-th IAPR International Conference on Pattern Recognition, 1992. V. 2. P. 611-614.

130. Reggia J.A., Nau D.S., Wang P.Y. Diagnostic expert systems based on a set covering model // Intern. J. Man Machine Stud. 1983. Vol.19. P. 437-460.

131. Ryazanov V.V. Recognition Algorithms Based on Local Optimality Criteria // Pattern Recognition and Image Analysis: 1994. Vol.4. №.2. P. 98-109.

132. Schwan H.P. Biomedical Engineering. A 20th Century Interscience.I

133. Journal of International Federation for Medical & Biological Engineers. Vol. 37,i1999.

134. Senko O.V. The Method of Dependencies Description with the Help of Optimal Multistage Partitioning // Proceedings of the Conference С SIT, Yerevan, Armenia, 2001, pp. 167-169.

135. Senko O.V., Kuznetsova A.V., Echin A. The method of data analysis dased on partitioning. // Proceedings in Comput. Statistics. Short Commun. and Posters. COMPSTAT. 2000, P. 259-260.

136. Shortliffe E.H. Computer-based medical consultations: MYCIN.'i

137. Elsevier North Holland Inc. 1976.i

138. Szolovits P., Pauker S.G. Categorial and probabilistic reasoning in medical diagnosis // Artif. Intell. 1978. Vol.11. N.l-2. P. 115-144.

139. T. Niblett, I. Bratko. Learning decision rules in noisy domains. Expert Systems 86 Conf., Brighton, 15-18 Dec. 1986 In Developments in Expert Systems (ed. M. Bramer) Cambridge Univ. Press, 1986.

140. Thompson W.B., Johnson P.E., Moen J.B. Recognition-based diagnostic reasoning / Proc. 8th Int. Joint Conf. Artif. Intell. Karlsruhe, 1983. Vol.1. LosAltos, Calif. 1983. P. 236-238.I

141. Weiss S.M., Kulikowski C.A. Developing microprocessor based expert models for instrument interpretation // Proc. IJCAI-81. 1981. P. 853-855.

142. Woods K.S., Bowyer K., Kergelmeyer W.P. Combination of multiple classifiers using local accuracy estimates// Proc. of the IEEE Computer Vision and Pattern Recognition Conf. (CVPR'96), San Francisco, Ca, USA. 1996. P. 391-396.

143. Xiang Z., Srihari S.N., Shapiro S.C., Chulkow J.G. Analogical and propositional representations of structure in neurological diagnosis // Proc. of the First Conf. On Artif. Intell.Appl. IEEE Comput. Soc. 1984.

144. Xu L., Krzyzak A., Suen C.Y. Methods of combining multiple' classifiers and their applications to handwriting recognition// IEEE Trans. SMC,1992. V. 22. No. 3. P. 418-435.

145. Yu V.L., Buchanan B.G., Shortliffe E.H. et al. Evaluating the perfomance of the computer-based consultant // Comput. Biomed. 1979. V.9. N.l. P. 95-102.

146. Zadeh L.A. Discussion: Probability theory and fuzzy logic are complementary rather than competitive // Technometrics. 1995. Vol.37. N.3. P. 271-276.