Методология синтеза гибридных классификаторов для прогнозирования состояния здоровья и профессиональной пригодности при работе в экстремальных условиях Шуткин Александр Николаевич

Содержание к диссертации

Введение

1 Основные принципы построения систем поддержки принятия решений, предназначенных для оценки показателей здоровья и профессиональной пригодности работников экстремальных профессий 26

1.1 Современные методы и средства для оценки адаптационных возможностей и уровня здоровья организма человека 26

1.2 Системы поддержки принятия решений 33

1.3 Особенности профессионального отбора в предметной области 39

1.3.1 Основные понятия профотбора 39

1.3.2 Инструментарий для проведения психофизиологического отбора 48

1.3.3 Компьютерные системы профессионального тестирования 57

1.3.4 Особенности профессиональной деятельности в МЧС России 62

1.4 Цели и задачи исследования 67

2 Теоретические и экспериментальные модели прогнозирования профессиональной пригодности работников экстремальных профессий 70

2.1 Концептуальные модели живых систем, основанные на качественной оценки их способности к самоорганизации 70

2.2 Формализованные математические описания поведения систем для их базовых моделей 76

2.3 Метод синтеза решающего модуля для классификации текущего состояния сложной системы в пространстве «резерв СФЕ - ресурс СФЕ» 81

2.4 Синтез модели ФСС на основе СФЕ для определения эффекта экстремальных воздействий 94

2.5 Методы моделирования адаптационного потенциала с учетом менеджмента в формировании моделей функциональныхь систем 99

2.5.1 Модель формирования функциональных систем с учетом врожденных способностей и приобретенных знаний 100

2.5.2 Трехфазный эксперимент по определению адаптационных возможностей организма 105

2.5.3 Классификационные модели на основе трехфазного эксперимента 108

2.6 Выводы второго раздела 113

3. Методология синтеза коллективов решающих правил для оценки и управления состоянием живых систем на основе технологий мягких вычислений 116

3.1 Обоснование подхода к синтезу нечетких гибридных решающих правил 116

3.2 Метод оценки уровня информативности разнородных признаков в условиях плохой формализации 126

3.3 Синтез гибридных нечетких решающих правил принятия решений на основе логики Л. Заде и Е. Шотрлифа 131

3.4 Синтез нечетких правил принятия решений с разделяющими гиперповерхностями и многомерными эталонами 150

3.5 Синтез нечетких правил принятия решений на основе идеологии метода групповые учета аргументов 161

3.6 Синтез правил нечеткого вывода с использованием теории измерения латентных переменных 169

3.7 Использование методов разведочного анализа для оценки структуры данных с целью выбора формы и параметров нечетких решающих правил 186

3.8 Выводы третьего раздела 208

4 Разработка прототипов решающих модулей и моделей принятия решений для системы интеллектуальной поддержки прогнозирования профессиональной пригодности работников экстремальных профессий 210

4.1 Гибридные решающие модули для формирования виртуальных потоков 211

4.2 Метод синтеза виртуального потока для нейронной сети прямого распространения 226

4.3 Метод синтеза аппроксиматоров, формирующих виртуальный поток на основе обучаемой нейронной сети 232

4.4 Метод построения универсального аппроксиматора на основе МГУА-моделей 244

4.5 Структура гибридной прогнозирующей системы 255

4.6 Выводы четвертого раздела 261

5.1 Структурная организация системы поддержки принятия решений для прогнозирования профессиональной пригодности работников экстремальных профессий 264

5.2 Интеллектуальные агенты для исследования адаптационного потенциала человека 267

5.3 Интеллектуальные агенты для прогнозирования профессиональных заболеваний 278

5.3.1 Метод и алгоритм прогнозирования релевантных заболеваний для экстремальных профессий 280

5.3.2 Алгоритм формирования интеллектуального агента для определения профессиональной пригодности по риску профессиональных заболеваний 289

5.3.3 Конкретный пример реализации алгоритма формирования интеллектуального агента для определения профессиональной пригодности по риску профессиональных заболеваний 293

5.4 Интеллектуальные агенты для прогнозирования психологической устойчивости работника экстремальных профессий 303

5.5 Выводы пятого раздела 315

6. Программная реализация методов и алгоритмов прогнозирования профессиональной пригодности работников экстремальных профессий в интеллектуальных системах поддержки принятия решений 318

6.1. Система поддержки принятия решений для профессионального отбора работников МЧС 318

6.2 Веб-сервис 321

6.3 Пример реализации стартовой анкеты 334

6.4 Иллюстрация использование методики в блоке экспресс - оценки 353

6.5 Экспериментальные исследования тестов группы «Здоровье» 369

6.6 Пример работы блока нечеткого моделирования 379

6.7 Результаты экспериментальной проверки решающих правил прогнозирования профессиональной пригодности курсантов МЧС 392

6.8 Выводы шестого раздела 400

Заключение 402

Список сокращений и условных обозначений 405

Список литературы 408

Приложения 436

• Основные понятия профотбора
• Синтез гибридных нечетких решающих правил принятия решений на основе логики Л. Заде и Е. Шотрлифа
• Интеллектуальные агенты для исследования адаптационного потенциала человека
• Результаты экспериментальной проверки решающих правил прогнозирования профессиональной пригодности курсантов МЧС

Введение к работе

Актуальность исследования. Проблема профессиональной пригодности и ее оценка занимает в науке особое место не только в связи с ее большой практической значимостью, но и необходимостью ориентации и использования результатов фундаментальных исследований в области профилактической медицины, социальной психологии, медицины труда и т.д. Наиболее остро проблема определения и прогноза профессиональной пригодности встает в экстремальных условиях деятельности человека. Перечень профессий, предъявляющих к человеку значительные, экстремальные требования (с экстремальными условиями работы) в последнее время неуклонно растет. Для этих профессий необходим особо тщательный профессиональный отбор. Его отсутствие может привести не только к частым ошибкам в работе, малой производительности труда, но и к возможным человеческим жертвам, причинению вреда здоровью работника и окружающих. При этом достаточно часто встает вопрос не только о профессиональном отборе, а также и динамическом сопровождении медико-психологического состояния работников данных профессий.

Результаты анализа средств профессионального отбора, учитывающих особенности работы в экстремальных ситуациях, свидетельствуют о необходимости использования интеллектуальной информационной поддержки принятия решений. Бурное развитие компьютерных и телекоммуникационных технологий, а также создание всемирной сети Интернет, позволило использовать персональный компьютер не только как помощника в работе и научных вычислениях, но и как инструмент оценки способностей и состояния здоровья кандидата, проходящего профессионального отбора.

В то же время разработанные к настоящему времени подходы в определении профессиональной пригодности к различным видам деятельности показывают, что применяемые методы и алгоритмы контроля оценки в основном направлены на решение узкоспециализированных задач лишь психологического и психофизиологического отбора. При этом наблюдается неполнота решения проблемы профотбора на основе достижений современных интеллектуальных технологий, связанная с отсутствием единой методологии синтеза таких систем, учитывающей неполноту и нечеткость информации как об объекте управления, так и об лице, принимающем решение (ЛПР). Наличие такой методологии жизненно необходимо для сохранения здоровья и жизни как работников МЧС и других экстремальных профессий, так и потенциальных жертв чрезвычайных ситуаций (ЧС). Решение этой проблемы может быть найдено в развитии методологии проектирования интеллектуальных систем поддержки принятия решений по профессиональному отбору (СППРПРО).

В связи с этим на основе интеграции системных принципов и общенаучных подходов к построению сложных многоуровневых систем актуальна разработка методологических основ для построения СППРПРО для оценки состояния здоровья и профессиональной пригодности работников экстре-

мальных профессий. Это позволит с помощью новых современных методов исследования повысить точность и достоверность оценивания медицинских и личностных показаний к выбранной сфере деятельности.

Степень разработанности темы исследования. Из теории функциональных систем Б.Г. Ананьева следует, что профессиональная пригодность зависит не просто от совокупности профессионально важных качеств личности, но также от степени их выраженности и характера взаимосвязи, что приводит к необходимости решать плохо структурируемые и слабо формализуемые задачи. В связи с чем, применение традиционных методов моделирования сложных систем является малоэффективным, что в свою очередь делает целесообразным использование специально разработанных механизмов СППРПРО на базе методов теории биотехнических систем, нейронных сетей и нечеткого логического вывода.

Классические методы принятия решений в условиях неопределенности, развитые в работах таких ученых, как: Р. Кини, А.А. Амосов, Р. Клемен, А. Вальд, В.Д. Ногин, О.И. Ларичев, Т. Л. Саати, А.И. Орлов, А.Н. Тихонов, С. Ханссон, Дж. К. Смит, требуют разработки и создания сложных многоуровневых СППРПРО, базирующихся на теории математических моделей, позволяющих учитывать большое количество критериев и параметров, что в свою очередь характеризуется значительной стоимостью разработки таких систем и высокими вычислительными затратами.

Для принятия решений в условиях неопределенности и плохой структурированности данных используется нечеткая логика принятия решений, базирующаяся на аппарате нечетких множеств. Значительный вклад в совершенствование теоретических основ нечетких множеств внесли: А.Н. Аверкин, Л.С. Бернштейн, Р.А. Алиев, А.Е. Алтунин, А.В. Алексеев, К. Асаи, Р. Веллман, А.Н. Борисов, И.З. Батыршин, Л.А. Заде, А. Кофман, А.В. Леоненков, С.Я. Коровин, О.А. Крумберг, Н.Г. Малышев, К. Негойце, Р. Ягер, Д.А. Поспелов, Т.Л. Саати, А. Тверски, М.В. Семухин, Т. Тэрано, С.A. Орловский, С.Д. Штовба и др. Реализация алгоритмов нечеткого вывода освещена в работах Х. Ларсена, Е. Мамдани, Т. Такаги, Й. Цукамото, Е. Шорт-лифа и др.

Как свидетельствует практика, в системе здравоохранения применяются различные медицинские информационные системы (МИС), с помощью которых возможно накапливать, обрабатывать и хранить большие объемы различной медицинской информации, однако во многих случаях накопленная медицинская статистическая информация является практически бесполезной. Для ее эффективного использования в практике профессионального отбора необходимо создание интеллектуальных систем, обеспечивающих создание многогранного «портрета» кандидата, причем необходима обширная база тестов, которые бы играли роль своеобразных фильтров, настраиваемых на индивидуальные особенности кандидата и на профессиональные требования к работникам исследуемого сегмента. В основу создания таких систем, помимо накопленных результатов по медико-технологическому процессу, могут быть положены и результаты работы различных медицин-

ских приборов для осуществления сбора большого набора медицинских данных, что позволит врачам оценивать влияние показателей здоровья на успешность работы в выбранной профессиональной сфере, а также накапливать информацию для формирования новых требований к показателям здоровья с учетом «новых вызовах современной обстановки».

Таким образом, оптимальным механизмом для автоматизированного решения являются эффективная обработка статистической информации и комплексный анализ полученных результатов средствами интеллектуального анализа данных с применением технологий нейронных сетей и нечеткой логики принятия решений.

В области построения СППРПРО целесообразно использовать: концепции построения автоматизированных МИС, теоретические принципы создания медицинских экспертных систем (МЭС), моделей представления знаний, нейронных сетей и нечетких множеств принятия решений (А.О. Не-досекин, Г.С. Поспелов, А.А. Дородницын, И.Ю. Каширин, Н.А. Коренев-ский, М.Л. Минский, М.А. Айзерман, Н. Нильсон, В.М. Глушков, А.В. Шеер, Р. Риченс, Р. Симмонс, С. А. Юдицкий, Д. Дюбуа, А. Прад, Г.Н. Калянов).

Особое место в общей проблеме СППРПРО занимает проблема принятия решений в условиях неопределенности. Нахождение решений этой проблемы обеспечивает теория нечеткой логики принятия решений. В последнее время уделяется большое внимание развитию гибридных технологий построения интеллектуальных систем, функционирующих в условиях неопределенности и реализующих комплексное использование различных методов искусственного интеллекта, позволяющих сформировать новую методологию построения таких информационных систем. Однако во многих случаях они не обеспечивают получение соответствующих требованиям решений ввиду малообоснованного выбора параметров моделирования, при этом нахождение адекватных решений из-за необходимости многократного выполнения реализаций используемых методов, алгоритмов и моделей с целью выбора наиболее оптимальных параметров сопровождается большими временными и материальными затратами.

Проведенный анализ современных исследований в области интеллектуальных систем поддержки принятия решений по профессиональной пригодности к работе в экстремальных условиях позволяет сформулировать фундаментальную научную проблему, на решение которой направлено данное исследование: развитие методологии синтеза гибридных классификаторов, обеспечивающей создание интеллектуальных систем психологического и медико-биологического тестирования на основе эффективных методов, алгоритмов и моделей интеллектуальной поддержки принятия решений (ИППР) в условиях неполноты и неопределенности исходных данных психофизиологического процесса, позволяющих обеспечивать высокую адекватность и обоснованность принимаемых решений в условиях ограниченности информационных и временных ресурсов. Совокупное использование инструментария теории нечетких множеств и нечеткой логики, а также теории нейросетевого анализа дает возможность создать качественно новые интел-

лектуальные системы, позволяющие решать более широкий круг задач профессионального отбора в условиях неполноты и неопределенности исходных данных и обеспечивать эффективность принимаемых решений (за счет повышения точности, объективности и адекватности) в условиях неопределенности.

Цель диссертационной работы состоит в разработке концептуальных моделей и методологии построения систем поддержки принятия решений в условиях неопределенности и неполноты исходных данных, позволяющих повысить качество прогнозирования профессиональной пригодности кандидатов для работы в экстремальных условиях.

Для достижения поставленной цели в работе решаются следующие задачи:

системный анализ методов и компьютерных технологий прогнозирования профессиональной пригодности работников экстремальных профессий;

создание моделей управления и прогнозирования функционального состояния работников экстремальных профессий, позволяющих оценить их способность к гомеостазису при функционировании в экстремальных условиях;

разработка методологии синтеза гибридных решающих правил, основанной на использовании совокупности методов нечеткой оценки и управления состоянием здоровья человека;

разработка методов моделирования нейронных сетей с виртуальными потоками, предназначенных для классификации функционального состояния работников экстремальных профессий в условиях неполной информации;

разработка структурно-функциональной организация СППРПРО для работы в экстремальных условиях, позволяющей агрегировать наблюдаемые и не наблюдаемых факторы, влияющие на профессиональную пригодность, как посредством машинного обучения, так и посредством экспертного оценивания;

разработка метода прогнозирования профессиональных заболеваний, основного на формировании из группы включенных методик тестирования профессиональной пригодности множества «слабых» классификаторов, и гибридных технологиях формирования «сильных» классификаторов;

разработка методологии синтеза интеллектуальных агентов, основанной на создании конструкта из методов и методик с последующим созданием из них композиции классификатора профессиональной пригодности, адаптированного к заданной экстремальной профессии;

разработка системы поддержки принятия решений для определения профессиональной пригодности курсантов МЧС и ее программного обеспечения, а также экспериментальное обоснование эффективности использованных в ней информационных технологий при использовании их в интеллектуальных системах поддержки принятия решений по прогнозированию про-

фессиональной пригодности кандидатов для работы в экстремальных условиях.

Объектом диссертационного исследования являются автоматизированные системы определения профессиональной пригодности кандидатов для работы в экстремальных условиях (интеллектуальные СППРПРО), особенности технологии их функционирования в условиях неопределенности и неполноты априорной информации.

Предметом исследования является методология синтеза гибридных классификаторов для прогнозирования состояния здоровья и профессиональной пригодности при работе в экстремальных условиях

Научная новизна результатов работы. В рамках диссертационной работы были получены следующие основные результаты, обладающие научной новизной.

1. Предложены концептуальные модели управления и прогнозирования функциональным состоянием сложной системы, основанные на понятии функциональный резерв структурно функциональных единиц (СФЕ) - функциональный ресурс СФЕ, отличающиеся качественным понятием о соотношении трех классов СФЕ в системе, которое определяет способность системы к самоорганизации, позволяющие построить классификационные модели для оценки адаптационного потенциала сложной системы на качественном уровне посредством соответствующего выбора управляемых акций и суррогатных маркеров.

2. Метод синтеза решающего модуля для определения функционального состояния сложной системы в пространстве векторной латентной переменной «резерв СФЕ - ресурс СФЕ», основанный на нечетком шкалировании компонентов вектора, отличающийся трехуровневой схемой экспертного оценивания, на первом уровне которой формируются слабые классификаторы на основе суррогатных маркеров, эксперты второго уровня формируют решающие правила для сильных классификаторов второго уровня, а эксперт третьего уровня формирует нечеткую шкалу для дефуззификатора на выходе классификатора, позволяющий строить решающие модули для классификации и прогнозирования функционального состояния сложных систем.

3 Методология синтеза коллективов гибридных нечетких решающих
правил, основанная на использовании совокупности методов нечеткой оцен
ки уровней профессиональной пригодности и состояния здоровья, вклю
чающая:

метод синтеза классификационных решающих правил на основе нечеткой логики Л. Заде и Е. Шортлифа, отличающийся использованием функции принадлежности к гиперобъемам многомерного пространства, характеризующим исследуемые классы состояний;

метод синтеза нечетких правил принятия решений относительно разделяющих поверхностей и эталонных структур в многомерном пространстве признаков, отличающийся тем, что базовые переменные функций принадлежности к исследуемым классам состояний определяются относительно ба-

зовых гиперповерхностей и эталонов с учетом структуры исследуемых классов состояний, а способы агрегации решающих правил учитывают геометрические свойства классов;

метод синтеза нечетких правил принятия решений на основе идеологии группового учета аргументов, отличающийся тем, что базовые переменные функций принадлежности определяются как меры близости между реально измеряемыми параметрами и их значениями, вычисляемыми по моделям системных структурных взаимосвязей между признаками, описывающими состояние исследуемых органов и систем, а процедура агрегации учитывает особенности структуры используемых данных;

метод синтеза правил нечеткого вывода с использованием теории измерения латентных переменных, отличающийся тем, что латентные переменные модели Г. Раша определяются как показатели, характеризующие состояние здоровья и функциональное состояние обследуемых и способы их коррекции.

4. Метод синтеза виртуальных потоков для систем поддержки принятия решений, предназначенных для прогнозирования способностей человека работать в экстремальных условиях, включающий:

способ формирования дополнительного признака для нейросетевого классификатора, построенного на основе нейронной сети прямого распространения, предусматривающий последовательное выполнение шести шагов, отличающийся структурой контура обратной связи, позволяющий получить на выходе сумматора дополнительный информативный признак, учитывающий скрытые системные связи между компонентами признакового пространства, присутствующими на входах нейронной сети;

рекуррентную структурную схему формирования гибридного вектора информативных признаков, который состоит из двух подвекторов, один из которых сформирован из исходных информативных признаков, а второй – из информативных признаков, полученных на основе моделирования системных связей между информативными признаками первого подвектора, отличающаяся использованием МГУА – моделей для формирования второго подвектора, позволяющую выделить релевантные системные связи в исходном пространстве информативных признаков;

- алгоритм последовательной настройки гибридной прогнозирующей
системы, включающий в себя этапы выбора нечетких функций принадлеж
ности, составление набора нечетких операций для агрегаторов, обучение
нейронной сети, используемой в качестве дефуззификатора, контроль каче
ства прогнозирования, выполняемого полученной гибридной системой.

5 Методология прогнозирования риска развития профессиональных заболеваний, провоцируемых работой в экстремальных ситуациях, включающая:

- метод формирования сильного классификатора, отличающийся тем,
что при формировании «сильного» классификатора учитывается «вес» «сла
бых» классификаторов, который определяется путем формирования проме
жуточных «сильных» классификаторов, получаемых для каждого теста (сур-

рогатного маркера) с учетом «весов» эталонных групп, на которых были обучены эти классификаторы, позволяющий повысить диагностическую эффективность метода прогнозирования профессиональной пригодности для работы в экстремальных условиях;

метод определения риска социально значимых заболеваний, провоцируемых работой в экстремальных условиях, отличающийся последовательным синтезом «слабых» классификаторов для каждой эталонной группы, и взвешиванием выборки, на которой был построен этот классификатор, с последующим взвешиванием «слабого» классификатора с учетом «веса» выборки, на которой он был получен, позволяющий реализовать метод прогнозирования социально значимых заболеваний, провоцируемых экстремальными условиями;

метод контроля качества прогнозирования профессиональных заболеваний, провоцируемых условиями работы в экстремальных условиях, отличающийся параллельным формированием подпространств психологических и медико-биологических признаков, позволяющий выбирать модели решающих модулей и осуществлять их сравнение по показателям качества прогнозирования.

6. Метод синтеза модели интеллектуального агента для прогнозирования психологической устойчивости работника экстремальных профессий, основанный на формировании суперпозиции текущих методик, отличающийся тем, что формирования методик для выбранной профессии осуществляется на основе двухконтурного принципа, в первом контуре осуществляется количественная оценка эффективности формируемой методики, а во втором – непосредственная получение психологического «портрета» кандидата на основе этой методики, позволяющий сформировать агенты второго иерархического уровня для СППР определения профессиональной пригодности кандидатов на работу в экстремальных условиях.

7. Система поддержки принятия решений, предназначенная для тестирования профессиональной пригодности для работы в экстремальных условиях, состоящая из подсистемы знаний, подсистемы принятия решений и подсистемы интернет-тестирования, включающая два блока принятия решений, первый из которых предназначен для тестирования по базе данных «Здоровье», а второй – по базе данных психологических тестов, выявляющих профессиональные склонности, позволяющая формировать и интегрировать решающие правила, основанные на различных парадигмах и оперирующих с различными сегментами пространства информативных признаков, связанными с различными функциональными системами организма человека.

Достоверность научных положений, теоретических выводов и практических результатов диссертационной работы подтверждается:

- корректным использованием математического аппарата, соответствием результатов вычислительных экспериментов, выдвигаемых в диссертации, положениям и выводам качественного характера;

- использованием разработанных методов, алгоритмов и моделей для
решения реальных прикладных задач;

практической реализацией СППРПРО и отдельных ее элементов, подтвержденной свидетельствами об официальной регистрации программ для ЭВМ;

использованием результатов диссертационной работы в практике профессионального отбора работников экстремальных профессий, подтвержденным актами внедрения.

Работоспособность разработанных методов и алгоритмов подтверждена статистикой обработки большого объема реальных данных, отсутствием противоречий с известными положениями теории и практики анализа и классификации плохоструктурируемой и нечеткой информации.

Теоретическая и практическая значимость работы заключается в развитии методологии обработки сложноструктурируемых и нечетких данных медико-биологических и психофизиологических процессов для интеллектуальной поддержки принятия решений в системах прогнозирования профессиональной пригодности работников экстремальных профессий, а также в развитии теории проектирования интеллектуальных систем поддержки принятия прогностических решений.

Практическая значимость работы подтверждается разработанными методами, алгоритмами и моделями, реализованными в программных продуктах для ЭВМ.

Разработанные методы, алгоритмы и модели СППРПРО позволяют:

повысить эффективность принятия управленческих решений за счет улучшения качества и обоснованности выводов в условиях неполноты и неточности априорной информации, даже при различных мнениях экспертов;

при решении задач профессионального отбора комбинированно использовать формальную статистическую информацию, взятую из различных источников, и комплекс знаний группы экспертов;

минимизировать материальные и временные затраты для осуществления выбора адекватных и точных рекомендаций при решении задач по профессиональному отбору и прогнозированию состояния здоровья при работе в экстремальных условиях;

- осуществлять построение интеллектуальных СППРПРО, базирую
щихся на нечеткой логике и нейросетевом моделировании, осуществляющих
прогнозирования профессиональной пригодности и состояния здоровья при
работе в экстремальных условиях по отдельной методике или комплексам
методик, обеспечивающих адекватный прогноз.

Диссертационные исследования проводились в рамках выполнения ряда проектов следующих программ фундаментальных, поисковых и инновационных исследований:

- федеральной целевой программы «Научные и научно-педагогические
кадры инновационной России на 2009-2013 годы», государственные кон
тракт № П424;

- гранта Минобрнауки России на 2012-2013 годы (Соглашение № 14.
В37.21.1970);

- федеральной целевой программы «Исследования и разработки по
приоритетным направлениям развития научно-технологического комплекса
России на 2014 - 2020 годы» (Соглашение № 14.576.21.0071), проект
RFMEFI57614X0071;

- госзадания 2.3440.2017/4.6.

Методы, модели и алгоритмы, разработанные в диссертационной работе, а также реализующие их СППРПРО, внедрены в Главном управление МЧС России по Воронежской области, в Главном управлении МЧС России по Курской области, в Главном управлении МЧС России по республике Крым.

Результаты полученных в диссертации теоретических, прикладных и экспериментальных исследований используются в учебном процессе Юго-Западного государственного университета при обучении студентов по направлению 12.04.04 - Биотехнические системы и технологии.

Использование результатов диссертационной работы на практике подтверждено соответствующими актами о внедрении.

Получено 7 свидетельства ФГБУ «Федеральный институт промышленной собственности» (РОСПАТЕНТ) об официальной регистрации программ для ЭВМ и базы данных.

Содержание диссертации соответствует паспорту научной специальности 05.11.17 «Приборы, системы и изделия медицинского назначения», а именно пункту 2. Значение решения научных, технических, медико-биологических проблем и проблем приборного и инструментального развития современных медицинских технологий и информационного их обеспечения для задач здравоохранения состоит в создании высокоэффективных инструментов, приборов, оборудования, изделий, систем, комплектов, технического и программного обеспечения принципиально новых высокоэффективных средств и методов воздействия на человека и в оценке влияния на человека лечебного и поражающего фактора различных излучений, полей и других энергетических факторов воздействия на' человека, создании измерительной техники и средств метрологического обеспечения, создании новых средств передачи и отображения медико-биологической информации.

Методология и методы исследования. Теоретические исследования проведены с применением методов системного анализа, нечетких множеств, кластеризации, принятия решений, нечеткой логики, вероятностей и математической статистики, построения баз данных (БД) и информационных систем медицинского назначения. Экспериментальные исследования выполнены с использованием методов моделирования (математического и имитационного), технологий объектно-ориентированного и модульного программирования, технологий построения распределенных баз данных и Интернет-технологий.

Основные положения, выносимые на защиту

1. Модели управления и прогнозирования функциональным состоянием сложной системы, основанные на концепции структурно-функциональных единиц, позволяют прогнозировать влияние экзогенных факторов на динамические процессы распределения ресурсов живой системы.

2. Модель многофазного эксперимента, основанная на исследовании переходных процессов в сложной системе, получаемых посредством латентного переключения уровня стимулов в фазах эксперимента, позволяет построить классификаторы функционального состояния сложных систем с учетом латентных факторов.

3. Методология синтеза коллективов гибридных нечетких решающих правил, основанная на использовании совокупности методов нечеткой оценки и управления состоянием здоровья, позволяет обеспечить прогнозирование профессиональной пригодности для кандидатов для работы в экстремальных условиях в условиях нечетких и сложноструктурируемых данных.

4. Метод синтеза виртуальных потоков для систем поддержки принятия решений, предназначенных для прогнозирования способностей человека работать в экстремальных условиях, позволяет учитывать не наблюдаемые факторы, оказывающие влияние на успешность работы кандидата в экстремальных ситуациях.

5. Методология прогнозирования риска развития профессиональных заболеваний, провоцируемых экстремальными условиями работы, позволяет получить диагностическую эффективность метода прогнозирования профессиональной пригодности для работы в экстремальных ситуациях, в среднем, до 89 %.

6. Методы синтеза моделей классификаторов профессиональной пригодности работников экстремальных профессий, построенные на основе идеи конструкта, позволяют найти оптимальное сочетание методов и методик для количественной оценки профессиональной пригодности кандидата на работу выбранной экстремальной профессии.

7 Программное обеспечение для реализации компонентов системы
поддержки принятия решений по прогнозированию профессиональных забо
леваний работников МЧС, обеспечивает четырехлетний прогноз по выбран
ным классам профессиональных заболеваний работников экстремальных
профессий на уровне 0,88.

Апробация работы. Результаты и научные положения диссертацион
ной работы докладывались и обсуждались на следующих всероссийских и
международных научных конференциях: Международная научно-

практической конференция «Информационные проекты в медицине и педагогике» (г. Москва, 2014); 5 Международная научно-практическая конференция «Теоретические и прикладные аспекты современной науки» (Белгород, 2014); VIII международная конференция «ПМТУКТ-2015» «Современные методы прикладной математики, теории управления и компьютерных технологий» (Воронеж, 2015); XXIII Международная конференция «Лазер-

но-информационные технологии в медицине, биологии, геоэкологии и транспорте – 2015» (Новороссийск, 2015); Proceeding of the International Scientific and Practical Conference «Methodology of modern research, vol. I (March 21-22, 2015, Dubai, UAE)» (Dubai, 2015); VIII Международная конференция «Современные тенденции развития науки и технологий» (Белгород, 2015); XII Международная научно-техническая конференция «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание – 2015» (Курск, 2015); Научная сессия НИЯУ МИФИ – 2015 (Москва, 2015) и др.

Публикации. По теме диссертации опубликованы 63 печатных работы (10 - без соавторов), в том числе: 30 статей в изданиях, входящих в перечень ВАК; две монография; 20 докладов на международных и всероссийских конференциях; 7 свидетельств о регистрации программ для ЭВМ и баз данных в ФГБУ «Федеральный институт промышленной собственности» (РОСПАТЕНТ).

Личный вклад автора в получение результатов, изложенных в диссертации. Все результаты диссертационной работы, в том числе постановка задач, разработка и исследование защищаемых методологий, методов, моделей и алгоритмов, основные научные результаты, выводы и рекомендации, принадлежат автору лично. Интеллектуальные системы, реализующие разработанные методы, алгоритмы и модели, созданы непосредственно автором. Участие соавторов сводится к методическим консультациям и получению экспериментальных результатов по предложенным автором постановке задач и технологиям.

Структура и объем диссертации. Диссертационная работа состоит из введения, шести глав, заключения, библиографического списка из 231наименований и приложения. Диссертация содержит 435 страниц основного текста, в том числе 38 таблиц и 149 рисунков.

Основные понятия профотбора

Профессиональная пригодность как системная категория определяется совокупностью деятельностно ориентированных взаимосвязанных свойств и качеств человека, формирующих структурно функциональные характеристики субъекта труда. Это системное свойство имеет свою иерархии показателей — его системообразующими факторами являются параметры уровня пригодности к выполнению определённых трудовых задач с заданной эффективностью и качеством, а субъективной мерой — удовлетворённость процессом и результатом труда. Системность этого свойства обуславливается также отражением в нём как «внутренних» свойств человека, предопределяющих и регулирующих процесс достижения успеха в деятельности, так и «внешних» свойств, характеризующих наличный потенциал субъекта труда (его знания, навыки, умения, опыт и др. ), обеспечивающих выполнение конкретной деятельности [124]. Для наиболее успешного осуществления человеком трудовой деятельности условия труда должны быть максимально адаптированы под работника, а работник должен соответствовать требованиям, которые предъявляются специалисту в определенной должности. Но существует ряд профессий, где приспособить условия труда под сотрудника затруднительно, нецелесообразно или вообще невозможно. В этих ситуациях крайне важной становится проблема профотбора. Так, по данным статистики использование профотбора в отдельных отраслях промышленности снижает текучесть кадров в 2,0-2,5 раза, а 43% случаев травматизма в промышленности вызваны профессиональным несоответствием рабочих [124]. Однако крайняя необходимость профотбора присутствует не только в промышленной сфере, а как было сказано во введении, во всех профессиях, где есть повышенный риск, угроза для жизни сотрудника и окружающих, работа со сложными или опасными объектами.

Профессиональный отбор – комплекс мероприятий, позволяющих выявить лиц, наиболее пригодных по своим индивидуальным качествам и возможностям для обучения и дальнейшей профессиональной деятельности по конкретной специальности [43]. Основным компонентом профотбора является определение профессиональной пригодности [31]. Профессиональная пригодность – совокупность индивидуальных данных человека, при наличии которых он соответствует требованиям, предъявленным к нему профессией [43]. Основа профессиональной пригодности – наличие профессионально важных качеств (ПВК) – набора психологических, психофизиологических и интеллектуальных качеств человека, особо значимых для успешной деятельности в конкретной профессии. ПВК являются необходимым условием успешного выполнения профессиональной деятельности, но в то же время, сам трудовой процесс способствует развитию ПВК. В ПВК включены психические процессы (восприятие, память, мышление, внимание и т.д.), психические состояния, личностные качества, мотивы, цели, интересы и т.п. [124].

Известна классификация профессий по предмету труда, в соответствии с которой все многообразие профессий делится на пять типов:

1) «человек – знаковая система»;

2) «человек – техника»;

3) «человек – художественный образ»;

4) «человек – природа»;

5) «человек – человек» [9]. Каждому типу соответствуют свои ПВК.

Профессия сотрудников МЧС относится к типу «человек – человек» [12], этому типу присущи такие особенности как:

1) способность сопереживать;

2) коммуникабельность; 3) самообладание;

4) организационные навыки;

5) умение воздействовать на людей и т.д. [9].

Довольно близким к профотбору является понятие профподбора – предоставления человеку рекомендаций о возможных направлениях профессиональной деятельности, наиболее соответствующих его особенностям на основе психологической, психофизиологической и медицинской диагностики [9]. То есть профотбор и профподбор – идентичные мероприятия, но первое направлено на отбор для организации подходящих сотрудников, а второе – на отбор для человека наиболее подходящих специальностей, должностей и направлений трудовой деятельности.

В литературе описываются четыре компонента профотбора:

1) медицинский;

2) педагогический (образовательный);

3) психофизиологический;

4) социально-психологический [145].

Под медицинским отбором понимается оценка состояния здоровья человека, измерение антропометрическикх показателей, выявление заболеваний, при которых противопоказаны определенные виды деятельности, или предрасположенности к появлению ряда профессиональных заболеваний. Медицинский отбор, как правило, является первым этапом профотбора. До прохождения остальных подвидов профотбора допускаются претенденты, удовлетворяющие требованиям медицинского отбора.

Образовательный отбор подразумевает оценивание профессиональных познаний, умений, навыков. Это может быть собеседование, тестирование или непосредственная просьба продемонстрировать определенные навыки путем выполнения задания. Социально-психологический отбор позволяет выявить нравственные качества испытуемого, сформировать представление о его моральном облике, выявить возможные факты о наличия судимости (недопустимые при отборе в ряд должностей), оценить его коммуникабельность, интересы, мотивы выбора профессии.

Особое внимание стоит уделять психофизиологическому отбору в связи с тем, что психофизиологические характеристики человека отражают ПВК в количественном соотношении, удобном для дальнейшего анализа. При этом стоит понимать, что необходим не просто учет показателей ПВК, а их комплексный анализ, поскольку определенные характеристики именно в совокупности имеют значение для отбора. Психофизиологический отбор – первичное психофизиологическое освидетельствование с целью выделения из числа кандидатов на работу, проходящих психофизиологическое освидетельствование, лиц, обладающих необходимой структурой и степенью выраженности психологических и психофизиологических качеств, существенных для овладения конкретной профессией и для дальнейшего поддержания профессиональной работоспособности на должном уровне [135].

Рассмотрим подробнее основные параметры, рассматриваемые при психофизиологическом отборе:

1) психические процессы (динамическое отражение действительности в различных формах психических явлений [101]):

а) познавательные (когнитивные) – ощущение, восприятие, представление, воображение, мышление, память, внимание, речь;

б) волевые или мотивационные – постановка цели, принятие решения, борьба мотивов;

в) эмоциональные – эмоции, чувства.

2) Психические состояния.

Под психическим состоянием понимают целостную характеристику психической деятельности за определенный период времени, показывающую своеобразие протекания психических процессов в зависимости от отражаемых предметов и явлений действительности, предшествующего состояния и психических свойств личности [90]. Психические состояния являются своего рода переходным звеном между психическими процессами и психическими личностными свойствами. Психические состояния характеризуются целостностью (психические состояния характеризуют взаимодействие всех компонентов психики в определенный период времени), подвижностью (они изменяются во времени, имея начало, основную фазу и завершение), полярностью (у каждого состояния есть состояние, противоположное ему) и относительной устойчивостью (психические состояния менее изменчивы во времени в сравнении с психическими процессами). В формировании психических состояний участвуют пять основных компонентов: уровень бодрствования, настроение, мотивация, предполагаемая вероятность успеха деятельности, отношение к деятельности [39].

Синтез гибридных нечетких решающих правил принятия решений на основе логики Л. Заде и Е. Шотрлифа

Опыт решения задач с плохоформализуемыми структурами данных показал, что часто для решения такого класса задач достаточно исследовать два подхода: теорию нечеткой логики принятия решений и методы разведочного анализа, обеспечивающие изучение структуры классов с выдвижением гипотез о наилучших классификаторах [76, 196].

Каждый из этих подходов обладает определёнными достоинствами, но при решении практических задач они используются раздельно, что снижает потенциально достижимые возможности проектируемых классификаторов [76].

Следует отметить, что при решении классификационных задач, характерных для данной работы функции принадлежности, введенные в работах Л. Заде, трактуются несколько иначе, чем это необходимо для решения задач распознавания образов (классификации). В теории нечетких множеств Л. Заде функция принадлежности определяется по отношению к элементам (точкам) множеств и операции теории нечетких множеств совершаются по отношению к их элементам фактически являясь «поточечными».

В классификационных задачах, в их геометрической интерпретации, основным объектом исследования является не элемент множества (класса состояний), а гиперобласть многомерного пространства , характеризующая некоторую общность всех объектов (точек), входящих в эту область.

Некоторые исследователи считают, что если, решая задачу классификации «работать» с каждой отдельной точкой, как это реализуется в теории множеств, легко потерять общие свойства, составляющие основу классификации [30, 44]. Таким образом «прямой» перенос понятий функций принадлежности и соответствующих операций теории нечетких множеств на решение классификационных задач может привести к неожиданным и неверным результатам.

С учетом сказанного, вместо функции принадлежности к элементам множества для решения классификационных задач введем понятие функции принадлежности к области многомерного пространства признаков, характеризующих исследуемые классы состояний. Так же как и для классической функции принадлежности, вновь вводимую функцию принадлежности определим на интервале [0,…,1] и будем считать, что при значении этой функции равной нулю, объект не принадлежит исследуемому классу состояний сое, а при единице принадлежит к этому классу со 100% вероятностью (единичной уверенностью в терминологии Е Шортлифа. Промежуточные значения определяют промежуточную уверенность в классификации. Обозначим вновь введенную функцию принадлежности jua (z), где z - базовая переменная, на которой определяется уверенность в том, что объект принадлежит к классу сое. В простейшем случае базовая переменная может определятся на информативных признаках xi , используемых для классификации.

В таком варианте функция принадлежности (уверенности) представляет собой меру доверия (степень принадлежности) к исследуемым классам состояний здоровья описываемых наборами признаков xt; . Если объект исследования представляется вектором (набором) признаков X = хІ,...ХІ,...,хп, то при известных многомерных функциях принадлежности (уверенности) jua(X) решение принимается в пользу гипотезы со( , с наибольшим значением соответствующей функции. Однако получить аналитическое выражение многомерных функций ца (X) практически невозможно, поскольку в их «создании» принимают участие эксперты предметной области, часто недостаточно хорошо владеющие соответствующими математическими знаниями.

Кроме того, сюда «добавляются» те же сложности, что и при построении многомерных функций распределения классов состояний в рамках статистической теории распознавания образов. С учетом этого, наиболее перспективным представляется подход, когда на основании мнения высококвалифицированных экспертов получают функции уверенности в классификации отдельно по каждому из информативных признаков Мщ ( ,.), а решающие правила для всего используемого пространства признаков получают путем агрегации частных функций уверенности в финальные решающие правила с расчетом коэффициентов уверенности и в гипотезах где F(, - функция агрегации для гипотезы cot; ai - настраиваемые параметры обеспечивающие максимальное качество принятия решений по гипотезе щ. При этом форму и параметры используемых функций принадлежности (уверенности) и вид функции агрегации выбирают в ходе синтеза решающих правил по критерию минимума ошибок в принятии решений с использованием информации о структуре исследуемых классов в многомерном пространстве признаков.

В более общем случае в качестве базовой переменной по всему пространству информативных признаков или по отдельным подпространствам могут использоваться некоторые переменные Z вычисляемые по величинам исходных признаков: Y. =fJ.(xl,x2,...,xk), где/: - функция связи JC,- с Y.

Тогда уверенность (коэффициент уверенности КУю ) в терминологии Е. Шортлифа в принимаемых решениях определятся выражениями ищ =КУщ =Fe[//c0f(a.,x),//c0/( .,Y.)], (3.21) где bt векторы рассматриваемых параметров для переменных Y .

Теоретической основой для перехода от многомерных функций уверенности к системам одномерных функций является известная теорема Арнольда-Колмогорова, согласно которой любая непрерывная функция п переменных /, заданная на единичном кубе п - мерного пространства Г =IxIx...I может быть представлена посредством одномерных функций /(JC15JC2,...,JCJ=5X ИК{ХР) где функции hq(u) непрерывные функции одной переменной, а функции (ppq{xp)- фиксированные возрастающие, непрерывные, определенные на I=[0,1] стандартные (не зависящие от выбора функции f) функции.

Существенную роль в формировании формы функций принадлежности и способов их агрегации может играть классическое мышление врача, который под руководством инженера по знаниям способен оценить вклад каждого из признаков в ту или иную классификацию.

Однако если в группе инженер по знаниям высококвалифицированные эксперты предоставить специально оформленную информацию о структуре анализируемых данных, получаемых методами разведочного анализа общий эффект результата синтеза решающих правил может быть существенно выше.

Основные идеи использования методов разведочного анализа для синтеза модифицированных классификационных решающих правил приведены в работах [76, 115]

Нечёткие решающие правила формируем в три этапа.

На первом этапе изучаем геометрическую структуру классов в пространстве информативных признаков. Этот этап назовем «разведочный анализ».

На втором этапе выбираются базовые переменные и параметры частных функций принадлежности. Выбор осуществляется с учетом обеспечения максимально возможной уверенности классификации.

На третьем этапе частные функции принадлежности агрегируются сетевые структуры. Агрегация осуществляется до тех пор, пока не будет обеспечено заданное качество решения задачи [76].

Примеры выбора базовых переменных и параметров функций принадлежности для различных структур классов приведены в работах [76, 115]. (линейно разделимых, кусочно-линейно разделимых, вложенных типа «шар в шаре» и др.)

Интеллектуальные агенты для исследования адаптационного потенциала человека

Количественная оценка адаптационных возможностей и индивидуального здоровья остается одной из самых актуальных задач современной медицины и физиологии труда. С этой целью предложено множество различных методологий и методик [7, 9, 12, 16, 36, 37, 41, 51, 52]. Выделим из них методологии, получившие, по нашему мнению, наиболее широкое практическое применение: методологии, основанные на контроле функционального состояния сердечно-сосудистой системы (ССС); методологии, основанные на контроле физического состояния человека (функциональные пробы); методологии, основанные на контроле функционального состояния биоактивных точек (БАТ); методологии, основанные на многофазных экспериментах (раздел 2); методологии, основанные на модели Раша (раздел 3); методологии, основанные на специализированных опросниках.

Таким образом, у ЛПР должен быть инструментарий, позволяющий собрать из отдельных модулей специализированный блок для определения адаптационного потенциала. Под специализированным блоком здесь понимается блок, который определяет адаптационный потенциал под условия внешней среды, соответствующей заданной ЛПР экстремальной профессии. Это значит, что из базы знаний, содержащей соответствующие методологии, ЛПР извлекает подходящие методы и собирает из них как из конструктора адекватные решающие правила, которые назовем слабыми классификаторами. Так же в распоряжении ЛПР должны быть методы агрегации решающих правил, позволяющие объединять частные решающие правила как по методам внутри методологии, так и по методологиям.

На рисунке 5.3 представлена укрупненная панель инструментов для формирования слабого классификатора. Инструментарий имеет ячеистую структуру.

Каждая ячейка – это методология с соответствующим Data Mining. Методы классификации или методы машинного обучения выделяются в отдельный сегмент. Тогда задача по формирования конструкта сводится к тому, чтобы связать выбранный из ячейки метод Data Mining с соответствующим методом машинного обучения. В результате такой связи образуется слабый классификатор. В принципе, в каждой ячейки может быть несколько слабых классификаторов за счет того, что в ячейки один и тот же метод Data Mining может быть связан с несколькими методами машинного обучения, или из одной и той же ячейки выбраны несколько методов Data Mining.Слабые классификаторы интеллектуального агента, определяющего адаптационный потенциал, формируются ЛПР согласно схеме алгоритма, представленной на рисунке 5.4.

В блоке 1 ЛПР выбирает нужную методологию согласно инструментальной панели рисунок 5.3. В блоке 2 осуществляется выбор метода Data Mining внутри выбранной методологии. В блоке 3 ЛПР оценивает имеющиеся в наличии инструментальные возможности, позволяющие реализовать выбранную методологию с данным способом обработки сырых данных. Если инструментальные возможности получения информативных признаков не соответствуют выбранной технологии Data Mining, то ЛПР выбирает другую технологию обработки сырых данных.

Сформировав Data Mining, ЛПР выбирает подходящий метод машинного обучения, после чего может оценить его эффективность на соответствующих обучающих и контрольных выборках. Эту процедуру реализуют блоки 6 и 7. Результатом работы этих блоков является величина коэффициента уверенности КУ по данному слабому классификатору, который используется в консеквенте решающего правила слабого классификатора.

В качестве примера сформируем слабый классификатор для оценки профессиональной пригодности по адаптационному потенциалу, определяемому на основе методологии анализа вариабельности сердечного ритма (ВСР) [7].

В качестве метода анализа ВСР используем спектральный метод, основанный на оценке высокочастотных (High Frequency, HF) 0,4-0,15 Гц (2,5-6,5 сек); низкочастотных (Low Frequency, LF) 0,15-0,04 Гц (6,5-25 сек) и очень низкочастотных (Very Low Frequency, VLF) 0,04-0,003 Гц (25-333 сек) компонент спектра ВСР.

Формируем алфавит из двух классов A1 и A2 . Класс A1 соответствует адаптационному потенциалу, соответствующему профессиональной пригодности, а класс A2 - не соответствующему профессиональной пригодности. Каждый кандидат задается вектором X в трехмерном пространстве, представленном координатами HF – x1, LF – x2, VLF – x3.

Априорно принимается закон о нормальности распределения вероятностей спектральных составляющих. Так как спектр вариабельности сердечного ритма определяется соотношением трех компонент, то каждый класс задается трехмерным нормальным распределением совместной плотности вероятностей спектральных компонентов ВСР. Нормальный характер такого распределения подтверждается проверкой на нормальность распределений отдельных спектральных компонент и следствием центральной предельной теоремы. Проверка на нормальность распределений спектральных компонент осуществлялась посредством критерия Колмогорова с уровнем доверительной вероятности 0,95 [1].

Оценку степени адекватности математической модели (5.6) обучающей выборки Q класса А получим на основании значений правдоподобия отсчётов объединенной выборки Q её математической модели (5.6) по сравнению со значениями правдоподобия отсчётов выборок Q., і = 1,2,...,/и, модели (5.5). Значение правдоподобия принадлежности отсчета выборки Q её математической модели в виде распределения (5.6) может быть получено заменой переменной, являющейся аргументом функции P(4j), на одно из конкретных значений q , взятых из объединенной выборки Q . Таким образом, выборке Q можно поставить в соответствие функцию правдоподобия

Результаты экспериментальной проверки решающих правил прогнозирования профессиональной пригодности курсантов МЧС

Для объективизации результатов прогнозирования профессиональной пригодности курсантов МЧС, полученных посредством СППР, были сформированы репрезентативные контрольные выборки, объем которых рассчитывался в соответствии с рекомендациями работ [89, 137].

В качестве показателей качества, характеризующих достоверность прогноза, были выбраны диагностическая чувствительность (ДЧ), диагностическая специфичность (ДС), прогностическая значимость положительных (П3+) и отрицательных (П3 ) результатов испытаний, а так же диагностическая эффективность (ДЭ).

Эти показатели качества рассчитывались в соответствии со следующими выражениями

В данном случае актуально выявить класс «не годен» (нулевая гипотеза), так как эффективность СППР определяется снижением количества выявленных профессионально непригодных курсантов на момент выпуска или устройства на работу.

Далее каждый год на экспертном уровне с использованием данных получаемых в ходе медицинских и психологических исследований фиксировался факт пребывания курсанта в классах а 0, сох или а 2.

В таблицах 6.17 и 6.18 приведены сравнительные результаты прогноза на второй курс и результаты экспертного оценивания курсантов на втором курсе.

Анализ полученной таблицы показывает, что диагностическая чувствительность превосходит диагностическую специфичность при невысоких значениях ПЗ+, что соответствует преобладанию ошибки относительно людей, оставшихся в состоянии «годен».

Через два года после начала эксперимента было проведено повторное обследование всех наблюдавшихся с экспертным оцениванием их профессиональной пригодности. Далее определялось распределение результатов наблюдений, приведенное в таблицах 6.19 и 6.20.

После двух лет наблюдений практически все показатели качества улучшаются, что говорит об увеличении прогностических свойств синтезированных решающих правил, однако диагностическая специфичность и особенно прогностическая значимость положительных результатов остаются на достаточно низком уровне.

Для третьего и четвертого годов наблюдений результаты приведены в таблицах 6.21- 6.24.

Анализ таблицы 6.25 показывает, что все показатели растут по мере увеличения срока наблюдения и, по мнению экспертов, на третий год наблюдения полученным решающим правилам можно доверять с уверенностью вполне приемлемой для практического использования.

Тенденция изменения качества прогнозирования по показателям ПЗ+ и ПЗ" в зависимости от времени наблюдения по выделяемым классам профессиональной пригодности классам иллюстрируется графиками, приведенными на рисунке 6.63 и рисунке 6.64.

Кроме оценки общих тенденций в изменении показателей диагностической эффективности графики аналогичные рисунку 6.63 позволяют оценивать величину уверенности в прогнозе профессиональной пригодности по классу со через выбранный исследователем интервал времени прогнозирования.

Полученная тенденция позволяет сделать вывод о том, что наиболее точный прогноз достигается на 3-4 года вперед, а прогностические «ожидания» экспертов практически совпадают с результатами статистических испытаний полученных решающих правил.