Содержание к диссертации
Введение
1 Методы и средства для интеллектуальных систем поддержки принятия решений при прогнозировании и профилактике заболеваний 12
1.1 Методы оценки риска воздействия производственных факторов на здоровье работающих 12
1.2 Анализ структуры профессиональные заболевания работников животноводческого комплекса и их основные факторы риска 21
1.3 Автоматизированные системы прогнозирования заболеваний 29
1.4 Анализ математических методов и информационных технологий, используемых для прогнозирования заболеваний 36
1.5 Цель и задачи исследования 47
2 Формирование признаковых пространств и продукционных правил для системы интеллектуальной поддержки прогнозирования профессиональных заболеваний работников животноводческого комплекса 50
2.1 Анализ структуры заболеваемости и сегментов факторов риска работников животноводческого комплекса 50
2.1.1 Формирование пространства признаков для прогнозирования бронхолегочных заболеваний у работников животноводческого комплекса 52
2.1.2 Формирование пространства признаков для прогнозирования заболеваний мочеполовой системы у работников животноводческого комплекса 63
2.2 Метод синтеза трехуровневой нечеткой сети для прогнозирования профессиональных заболеваний работников животноводческого комплекса 65
2.3 Формирование «слабых» классификаторов для прогнозирования бронхолегочных заболеваний у работников животноводческого комплекса 71
2.4 Синтез «слабых» классификаторов для прогнозирования заболеваний мочеполовой системы у работников животноводческого комплекса 75
2.5 Выводы второго раздела 83
3 Разработка решающих модулей и моделей принятия решений для системы интеллектуальной поддержки прогнозирования профессиональных заболеваний работников животноводческого комплекса 85
3.1 Гибридные нейросетевые структуры с латентными входами для
интеллектуальных систем поддержки принятия решений по прогнозированию профессиональных заболеваний 85
3.2 Метод синтеза латентного информативного признака для нейронной сети прямого распространения 92
3.3 Структура гибридной прогнозирующей системы 97
3.4 Выводы третьего раздела 103
4 Результаты экспериментальной проверки методов и алгоритмов прогнозирования состояния здоровья работников животноводческогокомплекса 105
4.1 Алгоритм управления процессами принятия решений в автоматизированной системе оценки состояния здоровья работников животноводческого комплекса 105
4.2 Разработка структуры программного обеспечения системы поддержки принятия решений по прогнозированию и диагностике профессиональных заболеваний работников животноводческого комплекса 112
4.3 Результаты экспериментальной проверки решающих правил прогнозирования профессиональных заболеваний для работниковживотноводческого комплекса, работающих внутри помещений 115
4.4 Выводы четвертого раздела 124
Заключение 125
Список сокращений и условных обозначений 127
Список литературы 130
- Автоматизированные системы прогнозирования заболеваний
- Формирование пространства признаков для прогнозирования бронхолегочных заболеваний у работников животноводческого комплекса
- Метод синтеза латентного информативного признака для нейронной сети прямого распространения
- Разработка структуры программного обеспечения системы поддержки принятия решений по прогнозированию и диагностике профессиональных заболеваний работников животноводческого комплекса
Введение к работе
Актуальность работы. В гигиенической практике особое значение имеет риск для здоровья работающих в условиях превышения вредными производственными факторами гигиенических нормативов, а, следовательно, и принятие управленческих решений в этих условиях. В соответствии с современной концепцией медицины труда вредные производственные факторы, если их уровень или уровень их воздействия превышает гигиенический норматив, могут являться причинами профессиональных заболеваний, а также способствовать развитию, утяжелению течения полиэтиологических, общесоматических заболеваний. Это в значительной мере касается и работников агропромышленного комплекса (АПК), состояние здоровья которых для целого ряда сельскохозяйственных профессий в значительной мере определяется условиями труда.
По мере мирового роста поголовья скота и, как следствие, увеличение числа работающих в этой отрасли, растет интенсивность профессиональных заболеваний работников животноводческого комплекса (ЖК). Системы интенсивного животноводства в закрытых помещениях создают замкнутые среды, где концентрированная пыль, содержащая микроорганизмы и их производные, вместе с газами вдыхается людьми. Показатели заболеваемости работников по уходу за крупным рогатым скотом (КРС) остаются более высокими по сравнению с показателями многих других профессиональных групп сельскохозяйственных рабочих. Более высокая заболеваемость отмечается у работников молочных комплексов и ферм.
Актуальность работы определяется необходимостью разработки и внедрения в практическое здравоохранение высокоэффективных средств прогнозирования и ранней диагностики профессиональных заболеваний работников ЖК, вызываемых вредным воздействием окружающей среды, на основе внедрения современных методов управления и информационных технологий, что позволит повысить качество оказания медицинских услуг населению занятому в ЖК.
Степень разработанности темы исследования. Решение задач профилактики заболеваемости работников в современных условиях основывается на проведении санитарно-эпидемиологических исследований, устанавливающих причинно-следственные связи между условиями труда и состоянием здоровья работающих. Модели профессионального риска, принятые как на основе стандартов ИСО, так и отечественных моделей, как правило, следуют двум следующим принципам: априорные оценки риска предполагают оценку риска по гигиеническим критериям – превышениям предельно допустимой концентрации (ПДК) и предельно допустимых уровней (ПДУ); апостериорные оценки риска проводятся по медико-биологическим критериям – индексу профессиональной заболеваемости, заболеваемости с временной утратой трудоспособности.
Достоинство подхода, основанного на методологии профессионального риска, заключается в возможности получения корректных данных для анализа как текущей заболеваемости, так и ее прогноза.
Одной из важных составляющих в общем процессе совершенствования методов управления лечебно диагностическим процессом является эффективное прогнозирование и ранняя диагностика заболеваний, вызываемых профессиональной деятельностью, в частности работой в АПК. Характерной особенностью прогнозирования является то, что собираемая службами здравоохранения информация позволяет в основном анализировать уже имеющиеся заболевания, тогда как во многих случаях условия трудовой деятельности могут формировать предпосылки к возникновению и развитию той или иной патологии. Своевременное выявление людей, склонных к профессиональным заболеваниям, связанным с работой в АПК и имеющих донозо-логические формы заболеваний, позволит формировать рациональные схемы организации лечебно-оздоровительных мероприятий, улучшающих качество медицинского обслуживания населения занятого в сельскохозяйственном производстве.
С математической точки зрения, сложность решения задач прогнозирования заболеваний определяется тем, что используемые информативные признаки носят неполный, нечеткий и разнотипный характер с нечеткой структурой классов, что требует специальных подходов к синтезу соответствующих решающих правил. Раздельное использование таких мощных инстру-ментариев, как нейронные сети и нечеткая логика не позволяет должным образом объединить экспертные знания и экспериментальные данные для решения рассматриваемой задачи, поэтому возникает необходимость разработки методов объединения технологий нечеткой логики и нейронных сетей в гибридную систему для повышения качества прогнозирования профессиональных заболеваний (Томакова Р.А., Ясницкий Л.Н., Ярушкина Н.Г.).
Анализ существующих подходов к решению задач прогнозирования профессионального риска показал отсутствие серьезных системных исследований такого сложного явления как «риск для жизни и здоровья человека, обусловленный производственной деятельностью хозяйствующих субъектов» и единого понимания природы риска и менеджмента рисков, что препятствует внедрению методологии управления рисками в обеспечение безопасности производственной сферы в России, поэтому необходимы дальнейшие исследования, направленные на разработку и усовершенствование методов и моделей принятия решений для интеллектуальной системы поддержки прогнозирования профессиональных заболеваний.
Цель работы – повышение качества медицинского обслуживания работников животноводческого комплекса посредством разработки методов, моделей и алгоритмов по прогнозированию профессиональных заболеваний при неполном и нечетком представлении данных с пересекающейся структурой классов.
Для достижения поставленной цели решены следующие задачи:
-
Выполнен анализ структуры деятельности работников животноводческого комплекса, работающих внутри помещений, их условий труда, окружающих факторов риска и профессиональных заболеваний с целью определить необходимый математический аппарат и выбрать средства исследования.
-
Разработан метод оценки риска профессиональных заболеваний, вызываемых комплексным воздействием факторов, характерных для работников занятых в животноводческом комплексе.
-
Получена система правил принятия решений, учитывающая различные по природе внешние и внутренние факторы риска, время их воздействия и индивидуальные свойства организма.
-
Для прогнозирования риска профессиональных заболеваний работников животноводческого комплекса разработана гибридная структуру нейронной сети, метод и алгоритмы ее настройки.
-
Разработана программная среда, позволяющая моделировать нейронные сети прямого распространения с различной структурой скрытых слоев, моделировать и визуализировать пространство информативных признаков, характерное для работников животноводческого комплекса.
-
Разработана структура интеллектуальной системы поддержки принятия решений, предназначенной для решения задач прогнозирования профессиональных заболеваний в животноводческом комплексе, и алгоритм управления процессом прогнозирования, учитывающий разнородные факторы риска исследуемого заболевания.
-
Проведена апробация интеллектуальной системы поддержки принятия решений по прогнозированию профессиональных заболеваний работников животноводческого комплекса, работающих внутри помещения.
Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:
метод синтеза трехуровневой нечеткой сети, отличающийся тем, что на первом уровне слабые классификаторы агрегируют первичные блоки информативных признаков, сильные классификаторы второго уровня агрегируют различные по своей природе внешние и внутренние факторы риска, способствующие появлению и развитию профессиональных заболеваний работников животноводческого комплекса, а окончательное решение принимается на третьем уровне нечеткой нейронной сети, обеспечивая приемлемое для практики качество принятия решений;
метод синтеза информативного признака для нейросетевого классификатора, соответствующего латентной переменной, отличающийся алгоритмом, включающим выполнение последовательности из шести процедур, позволяющий учитывать скрытые системные связи между компонентами признакового пространства классификатора;
гибридная нейронная сеть, отличающаяся учетом в ее структуре латентных информативных признаков, определяемых на основе статистических и экспертных исследований связей между исходными информативными
признаками, позволяющая агрегировать четкие и нечеткие решающие правила, обеспечивая требуемое качество принимаемых решений при разнородной и плохоформализуемой структуре классов, характерных для задач прогнозировании риска профессиональных заболеваний работников животноводческого комплекса;
- алгоритм управления процессами принятия решений по прогнозированию профессиональных заболеваний работников животноводческого комплекса, отличающиеся возможностью гибко менять тактику управления здоровьем работников в зависимости от индивидуальных особенностей организма и состояния окружающей среды.
Теоретическая и практическая значимость работы состоит в том, что изложены методы синтеза решающих правил для интеллектуальной поддержки принятия решений по прогнозированию исследуемого класса заболеваний, позволяющие используя гетерогенное пространство информативных признаков, включающее латентные переменные, определять скрытые системные связи между информативными признаками и сформировать решающие модули прогнозирования профессиональных заболеваний работников животноводческого комплекса, работающих внутри помещений. Разработанные методы, модели и алгоритмы составили основу построения интеллектуальной системы поддержки принятия решений, статистические и клинические испытания которой показали целесообразность ее использования в практике прогнозирования и профилактики профессиональных заболеваний работников ЖК.
Работа выполнена в рамках федеральной целевой программы «Иссле
дования и разработки по приоритетным направлениям развития научно-
технологического комплекса России на 2014 - 2020 годы» («Проведение
прикладных научных исследований в области биоинформационных техноло
гий», уникальный идентификатор прикладных научных исследований (про
екта) RFMEFI57614X0071) и в соответствии с научным направлением Юго-
Западного государственного университета «Разработка медико-
экологических информационных технологий».
Результаты работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке магистров по направлению 12.04.04 «Биотехнические системы и технологии» и используются при прогнозировании профессиональных заболеваний у работников ООО «Брянская мясная компания».
Методы исследований. Для решения поставленных задач использовались методы системного анализа, теории биотехнических систем медицинского назначения, моделирования, теории синтеза сложных информационных систем, теории алгоритмов, нейронных сетей, нечетких множеств, прикладной математической статистики, экспертного оценивания. При разработке гибридных нейросетевых модулей принятия решений в качестве инструментария использовался Matlab 8.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.
Положения, выносимые на защиту. 1. Метод оценки риска профессиональных заболеваний, вызываемых комплексным воздействием факторов, характерных для работников, занятых в животноводческом комплексе, обеспечивает диагностическую эффективность по прогнозированию бронхо-легочных заболеваний до 0,87 и по прогнозированию заболеваний мочеполовой системы до 0,88; 2. Гибридная нейронная сеть, используя четкие и нечеткие структурные элементы, обеспечивает повышение качества принятия решений при разнородной и плохоформализуемой структуре классов; 3. Метод синтеза информативного признака для нейросетевого классификатора, соответствующего латентной переменной, позволяет учитывать скрытые системные связи между компонентами признакового пространства на входе нейронной сети; 4. Алгоритмы управления процессами принятия решений по прогнозированию профессиональных заболеваний работников животноводческого комплекса позволяют осуществлять управление здоровьем работников животноводческого комплекса в зависимости от индивидуальных особенностей организма и состояния окружающей среды.
Степень достоверности и апробация работы. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость нечетким алгоритмам принятия решений и методам нейросетевого моделирования, а так же аналогичным результатам, полученным другими исследователями. Результаты экспериментальных исследований решающих правил по прогнозированию профессиональных заболеваний работников животноводческого комплекса согласуются с ранее опубликованными экспериментальными данными по теме диссертации.
Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 9 Международных, Всероссийских конференциях и симпозиумах: «Нейроинформатика, ее приложения и анализ данных: (Красноярск -2016); «Наука, образование, общество» (Тамбов – 2016); «Физика и радиоэлектроника в медицине и экологии» - ФРЭМЭ’2016» - (Владимир – Суздаль – 2016); «Лазерно-информационные технологии в медицине, биологии, геоэкологии и транспорте – 2016», (Новороссийск -2016); «Медико-экологические информационные технологии» (Курск - 2016); «Новые решения в области упрочняющих технологий: взгляд молодых специалистов» (Курск - 2016); Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века (Пермь-2017); «Энергоснабжения и эффективности в технических системах» (Тамбов-2017); на семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск – 2014, 2015, 2016, 2017).
Публикации. Основные результаты диссертационного исследования отражены в 12 научных работах, из них 3 статьи в ведущих рецензируемых научных журналах.
Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и библиографического списка, включающего 97
отечественных и 19 зарубежных наименований. Работа изложена на 139 страницах машинописного текста, содержит 39 рисунков и 19 таблиц.
Автоматизированные системы прогнозирования заболеваний
Общемировое промышленное развитие животноводства и его последствия для здравоохранения будут сопровождать фундаментальные изменения в социальном, экономическом и политическом порядке, сравнимые с теми изменениями, которые происходили после одомашнивания животных более 10 тысяч лет тому назад. Количество скота в мире возрастает по мере увеличения населения. Сейчас в мире насчитывается приблизительно 4 миллиарда голов крупного рогатого скота, свиней, овец, коз, лошадей, буйволов и верблюдов (Durning и Brough, 1992 г.). Тем не менее, очевиден существенный недостаток данных по проблемам охраны здоровья людей, связанных с животноводством, в развивающихся районах мира, таких как Китай и Индия, где в настоящее время находится большое поголовье скота, где вероятен его будущий рост. Однако, учитывая темпы индустриализации сельского хозяйства во всем мире, можно предположить, что многие профессиональные заболевания (ПЗ) животноводческой отрасли в Северной Америке и Европе, скорее всего, будут сопровождать развитие индустриализации животноводческого производства повсюду. Также предполагается, что услуги здравоохранения в этих регионах будут неадекватны последствиям индустриализации животноводческого производства для здоровья и безопасности людей [102]. Системы интенсивного животноводства в закрытых помещениях создают замкнутые среды, где концентрированная пыль, содержащая микробы и их производные вместе с газами вдыхается людьми. Примерно 33% работников свиноводческих хозяйств в Соединенных Штатах страдают от синдрома токсичной органической пыли (ODTS) (Thorn и др., 1996 г.). Схожие проблемы существуют в молочных хозяйствах, где в коровниках пыль содержит эндотоксин и/или другие биологически активные агенты, которые способствуют развитию бронхита, профессиональной астмы и воспалению слизистой оболочки. Хотя эти проблемы наиболее заметны в развитых странах, где широко распространены индустриальные способы ведения сельского хозяйства, все возрастающий экспорт подобных технологий в развивающиеся районы, такие как Юго-Восточная Азия и Центральная Америка, увеличивают и там опасности для работников сельского хозяйства.
Когда речь идет о нарушениях здоровья вследствие физических факторов, чаще всего имеется в виду работа с инструментами и оборудованием, которые напрямую или косвенно связаны с животноводческим производством в сельском хозяйстве. Участились случаи потери слуха по причинам производственных шумов от работы оборудования и машин в замкнутых помещениях, а также костно-мышечных нарушений из-за повторяющихся движений, что тоже является последствиями промышленных форм ведения животноводства.
Принимая во внимание разнообразие и масштабы опасностей, связанных с животноводческим производством, респираторные заболевания, возможно, являются основной проблемой охраны здоровья. Исследования по некоторым секторам животноводства в развитых регионах мира установили, что 25% работников животноводства страдают от той или иной формы респираторных заболеваний (Thorne и др., 1996 г.). Из всех видов работ, наиболее часто связанных с респираторными заболеваниями, можно назвать производство зерна и работу в закрытых помещениях стойлового содержания скота, в молочных хозяйствах. Респираторные заболевания в сельском хозяйстве могут вызываться различными видами пыли, газов, химикатов и инфекционных сред. Пыль может быть разделена на ту, которая первоначально состоит из органических компонентов, и ту, которая состоит в основном из неорганических компонентов. Полевая пыль является основным источником опасных воздействий неорганической пыли. Органическая пыль обладает главным респираторным воздействием на работников сельскохозяйственного производства. Заболевание вызывается периодическими кратковременными воздействиями органической пыли, содержащей большое количество микробов. ODTS (Синдром токсичной органической пыли) – острое респираторное заболевание, наблюдаемое после периодического кратковременного воздействия высоких концентраций пыли (Donham, 1996г.). Этот синдром имеет характеристики очень схожие с характеристиками острого течения болезни фермерского легкого, но не несет в себе опасности легочной недостаточности, которая сопутствует болезни фермерского легкого.
Бронхит, поражающий работников сельского хозяйства, имеет как острую, так и хроническую форму (Rylander, 1994г.). Астма, характеризующаяся двусторонней непроходимостью дыхательных путей, связанной с воспалением дыхательных путей, также может возникать под воздействием условий сельского хозяйства. В большинстве случаев такой тип астмы скорее имеет отношение к хроническому воспалению дыхательных путей, нежели к аллергии. Вторым часто встречающимся типом воздействия является ежедневное воздействие низких уровней органической пыли. Обычно общие уровни пыли от 2 до 9 мг/м3, содержание микробов на уровне от 1000 до 10000 организмов на кубический метр, а концентрация эндотоксина – от 50 до 900 EU на кубический метр. Примерами таких воздействий можно считать работу в закрытых свинарниках, молочных фермах и птицефермах. Обычно в этих случаях наблюдаются симптомы острого и хронического бронхитов, астматический синдром и симптомы раздражения слизистой оболочки.
Опасность для здоровья работника, повышающую вероятность развития заболеваний, их прогрессирование и неблагоприятный исход представляют в том числе и факторы биологической природы (вирусные, бактериальные, паразитарные и иные). Большинство ПЗ могут развиваться при воздействии как профессиональных, так и иных факторов, а также при их полиэтиологическом влиянии, в связи с чем крайне необходимо изучение этиологической роли того или иного повреждающего фактора в развитии и прогрессировании ПЗ.
Формирование пространства признаков для прогнозирования бронхолегочных заболеваний у работников животноводческого комплекса
Для построения системы интеллектуальной поддержки прогнозирования и профилактики профессиональных заболеваний работников, связанных с животноводческим производством, на первом этапе необходимо разделить всех работающих в животноводческом комплексе на работающих непосредственно в контакте с животными (внутри помещения), и работников, которые обеспечивают жизнедеятельность комплекса вне помещения (в основном водители транспортных средств). Это связано с тем, что различные условия труда формируют различные факторы риска даже для одних и тех же нозологических единиц. При синтезе интеллектуальной системы поддержки принятия решения используем методы, основанные на структурировании пространства информативных признаков на сегменты, факторы риска и их комбинации в которых могут быть ранжированы экспертами по их релевантности посредством дискретных или непрерывных величин (функций принадлежности по разделяемым классам). Такое пространство информативных признаков по своей структуре относится к классам гетерогенных структур [73]. Функция принадлежности в данном контексте определяется как субъективная условная вероятность принадлежности неизвестного образца к искомому классу (диагнозу) при наличии или отсутствия у образца данного признака.
Используя результаты исследования профессиональных заболеваний, представленные в первом разделе, в качестве релевантных для работников животноводческого комплекса внутри помещений выделим следующие профессиональные заболевания: болезни органов дыхания (БОД) 51 бронхолегочная патология (класс аш) и болезни мочеполовых органов (БМПО) (класс шлет).
Для работающих внутри помещений выбираем следующие сегменты информативных признаков: социально-экономический статус, микроклимат помещения, производственно-поведенческий статус, факторы индивидуального риска. Медико-биологический статус не используется, так как исследования по определению индивидуального риска проводятся в режиме скрининга. При формировании структуры пространства информативных признаков эксперты исходили из доступности средств измерения, экономичности и оперативности формирования пространства информативных признаков.
По группе факторов микроклимата вместо прямых измерений концентрации состава вредных веществ в работе предлагается использовать специализированные опросники, характеризующие запыленность рабочих мест. Это связано с тем, что прямое измерение концентраций вредных веществ, взаимодействующих с сельскохозяйственными рабочими на каждом рабочем месте практически не осуществимо. По согласованию с экспертами, работающими в сфере профессиональных заболеваний по степени запыленности помещений животноводческих комплексов предлагается следующий опросник с соответствующей системой градаций: 1. Микроклимат без пыли, помещение изолировано от пыли - 0. 2. Пыль не ощущается, но в течение недели на окружающих конструкциях заметны незначительные отложения пыли - 1. 3. Пыль не ощущается, но в течение недели на окружающих конструкциях лежит заметный слой пыли, требующий уборки - 2. 4. Пыль не ощущается, но в течение смены лежит заметным слоем на окружающих конструкциях - 3. 5. В течение рабочей смены ощущается еле заметное наличие пыли, не вызывающая физиологического дискомфорта - 4. 6. В течение рабочей смены заметно наличие пыли, которая вызывает легкий физиологический дискомфорт (ощущение на зубах, слегка на глазах) - 5. 7. Помещение сильно запылено. Пыль попадает в рот, нос, глаза вызывая сильный дискомфорт - 6. 8. Из-за пыли работать практически невозможно - 7. Наличие вредных веществ в пыли, провоцирующих заболевание сог, будем определять в соответствии со следующим опросником: 1. В пыли практически отсутствуют примеси вредных веществ, провоцирующих заболевание а?е - 0. 2. В пыли содержатся вещества, действия которых по общепринятому мнению вряд ли являются фактором риска по отношению к патологии со1 - 1. 3. В пыли содержатся вещества, относительно которых мнение ученых расходится по отношению к провоцированию ими класса заболеваний со1 - 2. 4. В пыли содержатся вещества, которые по общепринятому мнению, провоцируют заболевание cot - 3. 5. В пыли содержатся вещества, которые часто (примерно в 50 % случаев) провоцируют возникновение заболевания сог, особенно при низких защитных свойствах организма - 4. 6. В пыли содержатся вещества, которые при недостаточных защитных механизмах организма с высокой степенью вероятности провоцируют заболевание ое- 5. 7. В пыли содержатся вещества, которые при длительном воздействии на человека в большинстве случаев порождают заболевание со1 даже при нормальных защитных механизмах человека - 6. В контексте данного раздела, общее обозначение класса cot соответствующее классу болезни органов дыхания ЮД, конкретно для бронхолегочных заболеваний - классу тЛ . В работах [37, 38, 39, 41] показывается, что в задачах прогнозирования при нечетком описании пространства признаков их целесообразно определять через соответствующие функции принадлежности. Конкретно для нечеткого описания запыленности определим базовую переменную qСЗ - градации степени запыленности, и введем понятие степени запыленности помещения через соответствующую функцию принадлежности З( 7СЗ).
Метод синтеза латентного информативного признака для нейронной сети прямого распространения
В настоящее время широкое распространение получили тестирующие системы, в которых используются гибридные системы классификации, позволяющие интегрировать экспертные знания и результаты статистических исследований. Экспертные знания в таких системах удобно представлять по сегментам, то есть предоставить выносить заключения в виде коэффициентов уверенности по выдвигаемой гипотезе экспертам, являющимися специалистами как можно в более узкой области знаний. Для объединения экспертных знаний используются обучаемые нейронные сети [67].
При использовании в качестве входов нейронной сети коэффициентов уверенности, получаемых в результате нечетких операций в нечетком решающем модуле, построенном на основе алгоритмов нечеткого вывода, возникают трудности с получением требуемой точности классификации нейронной сети, используемой на входе решающего модуля (рисунок 3.1).
Это связано с тем, что признаки, формируемые на входе нейронной сети, получены на основе экспертных заключений и гипотез, которые могут неадекватно отражать внутренние процессы в исследуемой системе. Кроме, того, полнота признакового пространства и релевантность самих признаков в нем определяется только экспертом (ЛПР). Поэтому в структуру рисунок 3.1 целесообразно внести дополнительные связи, которые бы позволили придать больший вес статистическим данным в общем процессе формирования гибридного решающего модуля. Выход
Идея метода, позволяющего выполнить такую процедуру, состоит в следующем. Присутствующие на входе нейронной сети признаки - коэффициенты уверенности по сегментам информативных признаков - не отражают полностью свойства исследуемого объекта или системы, которые входят в область интересов ЛПР. Это утверждение справедливо хотя бы потому, что у ЛПР нет доказательств, что в N сегментах признаков на входе гибридного решающего модуля (рисунок 3.1) собраны все релевантные признаки (сегменты релевантных признаков), характеризующие исследуемый объект и влияющие на риск профессионального заболевания по исследуемой патологии. Этот факт позволяет утверждать, что есть хотя бы один сегмент информативных признаков N+1, который включает хотя бы один информативный признак, коэффициент уверенности по которому (сегменту N+1) KУN+1, существенно влияет на качество принимаемых решений. Следовательно, необходима процедура, которая позволит сформировать вектор
В общем случае у нейронной сети может быть введено неограниченное число латентных входов, но в данном случае рассматривается только один дополнительный вход. «Включение» или «выключение» латентных входа осуществлялось посредством управления вариативностью его значений в обучающей выборки. Если вариативность входа отсутствует, то он не оказывает влияние на принадлежность объекта к одному из двух альтернативных классов, а, следовательно, и на результаты классификации.
Экспериментально было установлено, что ввод («включение») дополнительного информативного признака (входа) в двухвходовой нейронной сети прямого распространения может повысить точность двухальтернативной классификации до 100% и выше, при разнице первых моментов у третьего признака всего лишь на 10%.
Для проведения этих экспериментальных исследований было создано программное обеспечение, позволяющее генерировать классы в заданном пространстве информативных признаков, и осуществлять визуализацию распределения классов в пространстве информативных признаков в двумерном или трехмерном пространствах. Для сравнительного анализа качества классификации формируемых нейросетевых структур использовался ROC-анализ. В процессе эксперимента генерировались обучающие выборки в трехмерном пространстве информативных признаков. Создавалась нейронная сеть для двухальтернативной классификации. Классы моделировались посредством управления математическим ожиданием и дисперсией генератора случайных чисел, распределенных по нормальному закону распределения.
Программное обеспечение включает модуль генерации обучающей выборки и модуль генерации контрольной выборки. Модули генерируют массивы случайных чисел, распределенные по нормальному закону распределения, заданного размера. В качестве входной информации в этих модулях используются размерность пространства информативных признаков Dim, число образцов в обучающей или контрольной выборках N, математические ожидания компонентов векторов информативных признаков первого и второго классов {Mi}, дисперсии компонентов векторов информативных признаков первого и второго классов {Di}, i=1,2…Dim.
Модуль настройки нейронной сети позволяет формировать модель нейронной сети NET на основе обучающей выборки, сформированной модулем генерации обучающей выборки. В качестве входной информации для этого модуля, кроме обучающей выборки, необходимо задать число слоев нейронной сети и число нейронов в скрытых слоях. Необходимо учитывать, что минимальное число слоев нейронной сети – два. В этом случае число нейронов в скрытых слоях равно числу компонентов входного вектора и задается автоматически. В нашем эксперименте использовалась нейронная сеть с тремя слоями и с десятью нейронами в скрытых слоях. Модель этой сети представлена на рисунке 3.3.
Разработка структуры программного обеспечения системы поддержки принятия решений по прогнозированию и диагностике профессиональных заболеваний работников животноводческого комплекса
Анализ литературы показал, что существующие интеллектуальные системы поддержки принятия решений (ИСППР) не решают поставленных в работе задач. В связи с этим была разработана структура программного обеспечения ИСППР, решающая задачи прогнозирования и управления процессами коррекции состояния здоровья работников животноводческого комплекса.
Обобщенная структура ИСППР, включая базу знаний (БЗ), приведена на рисунок 4.2. Для определения величины адаптационного потенциала в состав ИСППР может быть включен автоматический измеритель артериального давления (ИАД). Кроме перечисленных показателей в БД через интерфейс пользователя поступают данные опроса, осмотра, инструментальных исследований. Этот вид данных вводится в ПЭВМ с клавиатуры в интерактивном режиме. Информация о том, что необходимо ввести, формируется в виде предложений, предлагаемых врачу в многооконном режиме. Расчет коэффициентов уверенности в прогнозе КУ& производится блоком нечетких решающих правил (БНРП) который работает под управлением алгоритма управления процессами принятия решений (АУППР). Процесс формирования нечетких решающих правил обеспечивается блоком обучения (БО) взаимодействующим с блоком разведочного анализа (БРА).
Выделение характерных точек обучающей выборки (многомерных центров классов и выделяемых объектов, групп наиболее близких и наиболее далеких объектов между парами различных классов, казуистических и артефактных объектов); расчет расстояний между характерными точками и между всеми заданными точками, как внутри своего класса, так и до точек чужого класса; различные методы отображения многомерных данных в двумерные пространства с сохранением выбираемых структурных свойств исследуемых объектов (сохранение близких расстояний, сохранение далеких расстояний, сохранение структур задаваемых ядер и т.д.); построение гистограмм распределений объектов исследуемых классов на координатах признаков (признаковые гистограммы); построение гистограмм распределения объектов исследуемых классов на шкалах определяемых как меры близости до эталонных многомерных структур (точек, 14
гиперплоскостей, гиперкубов, гиперсфер и т.д.); определение исходных координат объектов по выбираемым участкам гистограмм и областям отображающих пространств; определение группировок объектов в многомерном пространстве признаков; определение областей пересечений различных классов в исходном пространстве с описанием структурных особенностей этих областей.
В ходе разведочного анализа выясняются: возможность и целесообразность решения задачи распознавания в ее геометрической интерпретации; возможность линейного или кусочно-линейного разделения классов, наличие «вложенных» структур классов типа «шар в шаре», «шар в чаше»; наличие зон пересечения классов их типы и структура и т.д.
Знание различных характеристик структурных особенностей классов позволяет обосновано, под структуру классов выбирать тип носителя и характеристики частных функций принадлежностей [43].
Если ЛПР запрашивает информацию по коррекции работы территориальных служб здравоохранения, обслуживающих работников АПК, в работу включается блок коррекции работы территориальных служб здравоохранения (БКРТСЗ). При определении уровня психоэмоционального напряжения и хронического утомления используется блок психологического тестирования (БПТ). Необходимые тесты, тексты и стимульная информация передается для обследуемого через интерфейс пользователя.
В базе данных (БД) хранится электронная копия медицинской карты пациента, в которой содержатся паспортные данные, данные анамнеза, результаты опросов, осмотров, экспериментальных исследований, диагностические заключения, графики посещения врачей и т.д. С помощью интерфейса пользователя реализуются: необходимые опросники для врача и обследуемых; механизмы ведения электронной медицинской карты обследуемых; отображение сопутствующей числовой информации; корректировка параметров лечебно-оздоровительных мероприятий; обращение ко всем доступным справочникам баз данных и т.д. 15
Полученные во втором разделе нечеткие решающие правила подвергались экспертной проверке, в ходе которой эксперты определяли уровень своего доверия к этим правилам при максимальных значениях функций принадлежностей и при наиболее часто встречающихся значениях факторов риска у работников животноводческого комплекса, работающих внутри помещений.
Для объективизации полученных результатов в ходе диссертационного исследования были сформированы репрезентативные контрольные выборки, объем которых рассчитывался в соответствии с рекомендациями работ [50, 104]
В качестве показателей качества, характеризующих достоверность срабатывания нечетких классификационных решающих правил, были выбраны диагностическая чувствительность (ДЧ), диагностическая специфичность (ДС), прогностическая значимость положительных (П3 + ) и отрицательных (П3 ) результатов испытаний, а так же диагностическая эффективность (ДЭ).