Содержание к диссертации
Введение
1. Анализ методов оценки психологического состояния и поведения субъекта в экстремальной ситуации, направления по совершенствованию средств оценки степени психической адаптации 10
1.1 Современные методы оценки психического состояния субъекта в условиях экстремальной ситуации 10
1.2 Достоинства и недостатки существующих методов оценки степени психической адаптации субъекта в экстремальной ситуации 25
1.3 Пути совершенствования процесса оценки степени психической адаптации субъекта в экстремальной ситуации 34
1.4. Цель и задачи исследования 42
2. Разработка автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях на основе выявления скрытых закономерностей в статистических данных 44
2.1. Разработка структуры автоматизированной системы оценки степени психической адаптации субъекта в чрезвьиайных ситуациях 44
2.2 Определение информативных признаков, характеризующих субъект с психофизиологической точки зрения и ориентированных на описание адаптивного состояния индивида 51
2.3 Выявление скрытых закономерностей в статистических данных о психофизиологическом состоянии субъектов, поступающих на службу, связанную с экстремальными условиями, на основе методов деревьев решений и нейронных сетей 62
2.4. Выводы второй главы
Разработка моделей и алгоритмов решающих диагностических правил на основе результатов статистического анализа 77
3.1 Автоматизация построения диагностических правил оценки уровня психической адаптации 77
3.2 Разработка логической модели автоматизированной системы оценки степени психической адаптации субъекта в экстремальной ситуации 84
3.3 Использование автоматизированной системы поддержки принятия решений в деятельности регионального центра психофизиологической диагностики 100
3.4. Выводы третьей главы 105
4. Разработка и реализация амтоматизированнои системы поддержки врача-диагноста основе реализации логических моделей 106
4.1 Разработка программно-информационного обеспечения автоматизированной системы поддержки принятия решения врачом психологом 106
4.2 Использование автоматизированной системы поддержки принятия решений в деятельности регионального центра психофизиологической диагностики 115
4.3. Оценка эффективности применения разработанной автоматизированной системы на практике профотбора 127
4.4. Выводы четвертой главы 131
Заключение 132
Список литературы
- Пути совершенствования процесса оценки степени психической адаптации субъекта в экстремальной ситуации
- Определение информативных признаков, характеризующих субъект с психофизиологической точки зрения и ориентированных на описание адаптивного состояния индивида
- Разработка логической модели автоматизированной системы оценки степени психической адаптации субъекта в экстремальной ситуации
- Использование автоматизированной системы поддержки принятия решений в деятельности регионального центра психофизиологической диагностики
Введение к работе
Актуальность темы Министерство здравоохранения Российской Федерации, Российская Академия медицинских наук уделяют большое внимание вопросам разработки новых технологий донозологической диагностики отклонений с целью укрепления здоровья и профилактики заболеваний Однако, в силу ряда причин, среди которых недостаточный уровень методического и технического обеспечения, отсутствие квалифицированных кадров и системы их подготовки, модель оказания превентивной медицинской помощи (оздоровления) до настоящего времени не реализована Несмотря на кажущееся изобилие самых различных способов оценки функционального состояния человека и оздоровительных технологий, консенсуса ученых по унифицированным методикам донозологической диагностики и коррекции функциональных нарушений пока не достигнуто
Специфика деятельности сотрудников органов внутренних дел (ОВД), МЧС, особенно при выполнении ими служебно-боевых задач в особых условиях, определяет наличие факторов риска развития патологических состояний С целью обеспечения их высокой профессиональной надежности и профессионального долголетия, основой которых является уровень здоровья, выявляют донозологические (психические, соматические) состояния, осуществляя тем самым актуальные для отечественного здравоохранения превентивные функции по охране здоровья
Адаптационные возможности организма (способность к уравновешиванию с окружающей средой) являются одним из фундаментальных свойств живой системы Здоровье как определенный уровень адаптационных возможностей организма (адаптоспособность или адаптационный потенциал) включает в себя и понятие гомеостаза, который следует рассматривать в качестве конечного результата деятельности многочисленных функциональных систем, как целевую функцию многоуровневого иерархического управления в организме
В 2001-2002 годах разработан и принят стратегический «План развития здравоохранения Российской Федерации», в котором предусмотрен переход медицины от системы, ориентированной на лечение заболевания, к системе охраны здоровья граждан, основанной на приоритете здорового образа жизни и направленной на профилактику болезней Актуальность развития данного направления обусловлена тем, что в последнее десятилетие в структуре заболеваемости и смертности населения России прогрессируют социально зависимые и профессионально обусловленные дефекты здоровья (несчастные случаи, отравления и травмы, дезадаптивные синдромы, социально-экологическое утомление и переутомление, стрессогенные заболевания) С каждым годом в структуре заболеваемости увеличивается общая доля невротических и психических расстройств
Работа выполнена в соответствии с межвузовской комплексной научно-технической программой 12 11 «Перспективные информационные технологии в высшей школе» в рамках одного из основных направлений ГОУ ВПО «Воро-
нежский государственный технический университет» «Проблемно-ориентированные системы управления»
Цель работы Разработка методов и средств комплексной диагностики и управления адаптивным состоянием в условиях экстремальной ситуации, обеспечивающих повышение качества диагностики и упрощения процесса психологического исследования в целом при профессиональном отборе кандидатов на службу в структуры МЧС и других ведомств, чья деятельность связана с экстремальными факторами Для достижения поставленной цели необходимо решить следующие задачи
разработать структуру автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях, отвечающей требованиям современных экспертных систем,
выбрать комплекс признаков, описывающих состояние человека на психологическом уровне, обеспечивающих автоматизированную диагностику и управление его адаптивным состоянием,
выбрать методы выявления скрытых закономерностей в статистических данных о результатах обследования субъектов, проходящих профотбор на службу, связанную с экстремальными факторами,
разработать логическую модель процесса диагностики субъекта при оценке степени психической адаптации в условиях экстремальной ситуации,
предложить метод использования полученных решающих правил диагностики функциональных состояний субъекта по комплексу показателей, характеризующих психологическую и физиологическую сферы его профессиональной деятельности,
разработать программное обеспечение, соответствующее предлагаемой методики психологического исследования личности, основанное на реализации логической модели диагноза
Методы исследований Для решения поставленных задач использовались методы системного анализа, теории управления, моделирования, основные понятия теории систем, добычи данных, экспертного оценивания и принятия решений, методы теории искусственного интеллекта, систем автоматизированного моделирования, построения экспертных систем, а также методы оптимизации При разработке программно-информационных средств применялись методы объектно-ориентированного программирования, создания интеллектуальных информационных систем
Научная новизна. В диссертации получены следующие основные результаты, характеризующиеся научной новизной
структура автоматизированной системы оценки степени психической адаптации субъекта в чрезвычайных ситуациях, адаптированная к решению задач психодиагностики, для эффективного наполнения базы знаний и формирования диагностических правил данная система ориентирована на использование ряда методов распознавания образов и добычи данных,
признаковое пространство, характеризующее психофизиологическое состояние субъекта, отличающееся возможностью использования нормализованных величин различных психодиагностических тестов,
математические модели оценки степени психической адаптации, ориентированные на диагностику психофизиологического состояния субъекта, отличающиеся использованием методов деревьев решений и нейронных сетей,
логические модели, ориентированные на оценку степени психологической адаптации субъекта в условиях экстремальной ситуации и позволяющие проводить автоматизированную процедуру диагностики,
решающее правило, предназначенное для оценки состояния субъекта в условиях противоречивой информации, полученной от группы диагностических алгоритмов, характеризующееся использованием информации об априорных вероятностях диагностических классов и условных вероятностях ошибок алгоритмов
Практическая значимость работы. Разработана система поддержки принятия решений, позволяющая на основании знаний, полученных от экспертов, определять уровень соответствия психофизиологического состояния субъекта определенной степени психической адаптации
Наличие встроенного в систему модуля поддержки принятия решений позволяет оценить степень психической адаптации субъекта в условиях экстремальной ситуации Результатом работы системы является выдача решения о психическом состоянии субъекта, а именно степени его психической адаптации, а также комплекс мероприятий, направленных на реабилитацию субъекта, если это необходимо
Реализация и внедрение результатов работы. Разработанная система оценки степени психической адаптации внедрена в практическую деятельность Центра психофизиологической диагностики МСЧ ГУВД Воронежской области, а также Главного управления МЧС России по Воронежской области и используется для психологической диагностики и экспертизы кандидатов на службу в органы внутренних дел, в ГУ МЧС России, а также в целях проведения плановых и целевых мониторингов личного состава подразделений ОВД и МЧС Экономический эффект составил 157 000 руб Данная система поддержки принятия решений используется в учебном процессе ГОУ ВПО «Воронежский государственный технический университет» на кафедре «Технология и обеспечение гражданской обороны в чрезвычайных ситуациях» для студентов специальности «Защита в чрезвычайных ситуациях» Результаты внедрения подтверждены соответствующими актами
Апробация работы Основные положения диссертационной работы докладывались и обсуждались на спедующих конференциях, семинарах и совещаниях Всероссийской конференции «Интеллектуализация управления в социальных и экономических системах» (Воронеж 2005), Международных конференциях «Обеспечение экологической безопасности в чрезвычайных ситуациях» (Воронеж, 2006, 2007), ежегодных научных конференциях профессорско-
преподавательского состава ГОУ ВПО «Воронежский государственный технический университет»
Публикации По теме диссертационной работы опубликовано 15 научных работ, в том числе 2 - в изданиях, рекомендованных ВАК РФ
В работах, опубликованных в соавторстве, лично соискателю принадлежат [1] разработка математической модели оценки степени психической адаптации субъекта, [2] разработка подхода к селекции информативных признаков, минимизация признакового пространства, нормализация величин, характеризующих степень выраженности признаков, [3, 4] описание характера психо-травмирующих и стрессогенных факторов экстремальной ситуации, [5, 6, 8] подбор материалов о характере внутригруппового общения в условиях экстремальной ситуации на основе примеров, [9, 15] построение математической модели и соответствующего программно-информационного средства по диагностике психофизологического состояния субъекта, [7, 10] сравнительный анализ психодиагностических методик всестороннего обследования личности, представлен способ нормализации величин различных психологических тестов, [11, 13] предложен путь совершенствования психодиагностической процедуры, [12, 14] разработка моделей оценки степени психической адаптации субъекта на основе методов деревьев решений и нейронных сетей
Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, приложений, изложена на 149 страницах, содержит 37 рисунков, 15 таблиц, список литературы включает 154 наименования
Пути совершенствования процесса оценки степени психической адаптации субъекта в экстремальной ситуации
Министерство здравоохранения Российской Федерации, Российская Академия медицинских наук уделяют большое внимание вопросам разработки новых технологий донозологической диагностики отклонений с целью укрепления здоровья и профилактики заболеваний. Однако, в силу ряда причин, среди которых недостаточный уровень методического и технического обеспечения, отсутствие квалифицированных кадров и системы их подготовки модель оказания превентивной медицинской помощи (оздоровления) до настоящего времени не реализована. Несмотря на кажущееся изобилие самых различных способов оценки функционального состояния человека и оздоровительных технологий, консенсуса ученых по унифицированным методикам донозологической диагностики и коррекции функциональных нарушений пока не достигнуто.
Очевидно, что методы донозологической диагностики должны отвечать определенным медицинским, социальным и экономическим требованиям -должны быть научно-обоснованными и апробированными, экспрессивными, неинвазивными, относительно дешевыми и рассчитанными на массовое применение.
Специфика деятельности сотрудников органов внутренних дел (ОВД), МЧС особенно при выполнении ими служебно-боевых задач в особых условиях, определяет наличие факторов риска развития патологических состояний.
С целью обеспечения их высокой профессиональной надежности и профессионального долголетия, основой которых является уровень здоровья, выявляют донозологические (психические, соматические) состояния, осуществляя тем самым актуальные для отечественного здравоохранения превентивные функции по охране здоровья.
Адаптационные возможности организма (способность к уравновешиванию с окружающей средой) являются одним из фундаментальных свойств живой системы. Здоровье как определенный уровень адаптационных возможностей организма (адаптоспособность или адаптационный потенциал) включает в себя и понятие гомеостаза, который следует рассматривать в качестве конечного результата деятельности многочисленных функциональных систем, как целевую функцию многоуровневого иерархического управления в организме.
В 2001-2002 годах разработан и принят стратегический «План развития здравоохранения Российской Федерации» [73], в котором предусмотрен переход медицины от системы, ориентированной на лечение заболевания, к системе охраны здоровья граждан, основанной на приоритете здорового образа жизни и направленной на профилактику болезней [60].
Актуальность развития данного направления обусловлена тем, что в последнее десятилетие в структуре заболеваемости и смертности населения России прогрессируют социально зависимые и профессионально обусловленные дефекты здоровья (несчастные случаи, отравления и травмы, дизадаптивные синдромы, социально — экологическое утомление и переутомление, стрессогенные заболевания). С каждым годом в структуре заболеваемости увеличивается общая доля. невротических и психических расстройств.
Служба в структурах, чья профессиональная деятельность подразумевает влияние экстремальных условий, связана с необходимостью постоянной работы в режиме большого напряжения и самоотдачи, эта деятельность связана с высокой степенью риска потери здоровья, а иногда и жизни, требует особого организационного построения и правил межличностного общения, повышенной социальной и профессиональной ответственности, что зачастую приводит к нервно-психическому перенапряжению, у значительного числа сотрудников вызывает развитие состояний психической дезадаптации, проявляющихся социально-психологическими нарушениями жизнедеятельности, неблагоприятным изменениями личности, которые в дальнейшем отрицательно сказываются.на состоянии здоровья личного состава, служебных и семейно-бытовых взаимоотношениях, увеличивают вероятность самоубийств.
В данных условиях трудно переоценить актуальность активного влияния на предупреждение возникновения нервно-психических расстройств, то есть профилактику не только, при обращении сотрудника в лечебное учреждение, а активную и регулярную психопрофилактическую работу в виде проведения плановых и целевых обследований в подразделениях. Соблюдение данного принципа позволяет не только своевременно прогнозировать развитие необратимых психопатологических явлений, процессов, но и не допускать их возникновения.
Как показывают исследования, оценка степени психической адаптации актуальна не только при профотборе на службу, но и при выполнении деятельности, связанной с постоянным влиянием экстремальных факторов. Исследование проводилось на базе Российского центра подготовки спасателей г. Ногинска и в Пензенском спасательном отряде. Всего было обследовано 112 спасателей разных квалификационных классов (15 -международного класса, 40 человек первого класса и 57 - второго класса), с различным профессиональным стажем.
Исследование имело цель определить глубину психо-эмоциональнных нарушений у спасателей с различным стажем профессиональной деятельности [23].
Пакет психодиагностических методик специально был подобран для диагностики состояния человека, постоянно сталкивающегося с травмирующими ситуациями. Наряду с психодиагностическими методиками мы использовали клиническое интервью, в котором учитывались диагностические критерии ПТСР по МКБ 10 и что давало возможность получить субъективную оценку своего состояния человеком.
Определение информативных признаков, характеризующих субъект с психофизиологической точки зрения и ориентированных на описание адаптивного состояния индивида
Эмпирическая часть процесса определения степени психической адаптации базируется на принципе комплексной диагностики социально-психологических, психофизиологических качеств и индивидуальных особенностей личности [40].
Первичные показатели психодиагностических тестов выражаются В самых различных статистически не сопоставимых единицах, а процедура ! стандартизации (перевод «сырых» показателей в некие относительные меры) позволяет оценить уровень развития качества у обследуемого относительно; нормативной выборки и сравнивать данные, полученные по разным тестам. Для проведения процедуры стандартизации необходимо рассчитать ряд статистических мер. ;1
Одной из основных мер центральной тенденции, как наиболее типичным репрезентативным результатом, характеризующим выполнение теста всей, группой, является среднее (среднеарифметическое) значение, обозначаемое буквой М. Оно находится сложением всех первичных результатов теста каждого испытуемого {Х\, Х2, Хъ, ..., Хп) в группе и делением получившейся суммы на число испытуемых (JV): М = xi+X2+X,+... + Xn N Для более полного описания результатов теста чаще всего используют і такую меру разброса данных (характеризует степень индивидуальных отклонений от центральной тенденции), как стандартное отклонение, обозначаемое буквой ст. Его расчет осуществляется следующим образом. Сначала определяется отклонение каждого индивидуального результата (хі, х2, хз, ..., хп) от среднего значения в группе: xi =Xi - М; х2=Х2- М; хъ=Хх- М; хп=Хп- М; (2.2) затем, все отклонения индивидуальных .результатов от среднего по группе возводят в квадрат и суммируют (сумма обозначается греческой буквой Е): 2 „)2 = ( 02 + Ы2+( з)2+. -+W2; (2.3). и, наконец, делением суммы квадратов отклонений на уменьшенное на единицу число испытуемых в группе и извлечением квадратного корня из этого выражения рассчитывается стандартное отклонение (а): „. №L .№ .-» . (2.4) V N-l V N-1
Рассчитанные статистические меры - среднее значение (М) и стандартное отклонение (сг) лежат в основе нормирования первичных данных. В настоящее время в сиходиагностических тестах широко используются стандартные показатели Z - шкалы, Т - шкалы, шкалы стандартного IQ, шкалы станайнов, шкалы стенов и шкалы процентилей. Z - шкала. Линейно преобразованные стандартные статистические показатели именуют Z — показателями. Для расчета Z находят разность между индивидуальным первичным результатом и средним значением для нормативной группы, а затем делят эту разность на величину стандартного , отклонения в этой выборке: Z = ZlZK = і; (2.5) a J Z — показатель первичного результата, в точности равного среднему значению имеет Z = 0, отрицательные показатели означают, что выполнение теста индивидом было ниже среднего. Т — шкала. Относятся к нормализованным стандартным показателям со средним значением 50 и стандартным отклонением 10. Если, распределение анализируемых результатов тестов является нормальным, то преобразование проводится по формуле: , + 50; (2.6) Х-М Т = 10х— а
Если анализируемые результаты не подчиняются нормальному распределению, то они переводятся предварительно в процентили (табл. 2.1), а затем по таблице нормального распределения в Z-оценки, для которых используется формула: Т = 10xZ + 50. (2.7) Таблица 2.1 Соотношение между Z-оценками и процентилями і Процентиль 1 5 10 15 20 25 30 35 40 45 50 Z-оценки -2,33 -1,64 -1,28 -1,04 -0,84 -0,67 -0,52 -0,39 -0,25 -0,13 0,00 Процентиль 55 60 65 70 75 80 85 90 95 99 Z-оценки 0,13 0,25 0,39 0,52 0,67 0,84 1,04 1,28 1,64 2,33 Шкала стандартного IQ. Нормализованный стандартный показатель широко распространенных в США тестов умственного развития со средним значением 100 и стандартным отклонением 15. Математически рассчитывается по тому же алгоритму, что и Г-оценки: IQ = 15x — + 100 (2.8) Шкала станайнов. Общепринятая девятибальная шкала, полученная в результате нелинейного преобразования со средним значением 5,0 и стандартным отклонением 2,0 путем упорядочивания числовых значений первичных показателей в соответствии с нормальной кривой процентов, приведенной в рис. 2.1. Первым 4% испытуемых, имеющим низшие. результаты присваивается 1 станайн, следующим 7%, имеющим чуть более высокие показатели - 2 станайна, следующим 12% - 3 станайна и так далее. В случае нормального распределения признака (качества) возможен расчет с последующим округлением полученного значения до целого числа по формуле: Станайн - 2 х Х« М + 5 (2.9) Шкала стенов. Общепринятая десятибальная шкала, полученная в результате нелинейного преобразования со средним значением 5,5 и і стандартным отклонением 2,0. Стены распределены так же, как и первичные показатели теста. Поэтому, если распределение первичных показателей отличается от нормального, то стены будут иметь соответствующее распределение и отдельные высокие или низкие значения шкалы могут отсутствовать. Это ориентировочно можно применять для оценки нормальности распределения. Перевод «сырых балов» в стены осуществляется по нижеприведенной формуле с последующим округлением полученного значения до целого числа: Стен = 2х " М+5,5 (2.10)i Шкала процентилей. Процентиль — это процентная доля индивидов из выборки стандартизации, первичный результат которых ниже данного первичного показателя. Так, если 20% испытуемых правильно решают 16 заданий, то первичному показателю 16 соответствует 20-й процентиль (Рго) Индивидуальный первичный результат, который ниже минимального показателя, полученного в выборке стандартизации, имеет нулевой процентильный ранг (Р0), а результат, превышающий максимальный в выборке стандартизации получает процентильный ранг 100 (Рюо)- Эти процентили, однако не означают нулевого или абсолютного результата выполнения теста, а только указывают на положение первичного результата испытуемого по шкале процентилей.
Шкала процентилей может быть использована для промежуточной обработки первичных результатов теста, имеющих не нормальное распределение, с целью получения нормальной кривой распределения и последующего перевода данных в нормализованные стандартные показатели (Т- баллы, IQ - показатели, станайны).
В психодиагностике при измерении уровня развития психофизиологических качеств и интеллекта используется балльная оценка, основанная на модифицированной Z-шкале. Ее соотношения с классической Z-оценкой представлены в таблице 1.3. На рисунке 2.2 представлено соотношение указанных тестовых шкал при нормальном распределении.
Основой оценки уровня развития тех или иных профессионально-значимых психофизиологических качеств служит выше указанный методический прием - степень отклонения индивидуальных показателей от средне популяционных норм. При этом следует учитывать, что отклонение показателей более чем на 1,5 - 2,0 величины среднего квадратичного отклонения от среднего показателя в популяции свидетельствует о снижении функциональных резервов в центральной нервной системе (ЦНС), что часто связано с латентными заболеваниями.
Разработка логической модели автоматизированной системы оценки степени психической адаптации субъекта в экстремальной ситуации
Построение моделей оценки степени психической адаптации на основе метода деревьев решений позволит установить в явном виде зависимости между набором признаков, характеризующих психофизиологические параметры субъекта, и его психическим состоянием.
Апробация построенной модели была проведена на контрольной выборке, включающей статистику по 30 субъектам, не вошедшим в обучающую выборку; лишь 2 примера из этого множества были распознан неверно, таким образом процент распознавания данной модели - 93,3 % (табл 2.9).
Данные модели наглядно отражают зависимость осложнения от каждого из параметров, не требуют сложных вычислений для получения ответа, однако являются упрощенными и в ряде случаев не позволяют добиться необходимой уверенности в ответе. В таких случаях рекомендуется использовать нейросетевые модели, которые уступают по вычислительной трудоемкости, но позволяют получить более точный результат. ЭТО! объясняется возможностью нейросетевые модели в процессе обучения отыскать скрытые закономерности в запутанных данных. В этой связи, предлагается разработать на основе нейросетевых технологий инструмент для автоматизированной диагностики психологического состояния (оценки степени психической адаптации) субъекта в условиях экстремальной ситуации.
Искусственные нейронные сети имеют существенно большие! ! возможности по созданию прогностических моделей, чем методы традиционного статистического моделирования. Некоторые из нейросетевых алгоритмов можно рассматривать как «суперрегрессию», которая обобщает традиционные регрессионные методы. Нейронные сети значительно увеличивают точность аппроксимации, они не зависят от использования линейной суперпозиции и разложений по ортогональным функциям. Эти методы можно рассматривать как включенные механизмы работы сетей. Точность аппроксимации, достигаемая нейронными сетями, особенно1 ! повышается по сравнению с классическими методами в пространствах і. большой размерности, где методы регрессионного анализа часто приводят к построению искусственных конструкций и чрезмерному росту степени ; аппроксимирующего полинома, а Фурье-анализ - к перерегулированию.
Существует теорема, показывающая, что с помощью нейронной сети, обученной посредством метода обратного распространения ошибки, можно осуществить практически любую функцию с любой степенью аппроксимации. Точность зависит от количества нейронов в скрытых слоях.
Так как аппроксимация неизвестной математической функции является . одной из центральных проблем в задачах медицинской диагностики, то благодаря выше упомянутым свойствам, нейронные сети представляются мощным инструментом построения высокоэффективных моделей, для большинства областей практической медицины, изучающей такую сложную диффузную стохастическую систему, как человеческий организм, где часто приходится сталкиваться с далеко не линейными зависимостями.
Обучение нейронных сетей (НС) распознаванию образов реализуется в соответствии со следующим математическим приемом. На вход НС поступают значения признаков хх{со),...,хп{со) объекта распознавания со из, к. множества объектов-образов Q. Предполагается, что множество Q разбито1 на непересекающиеся классы Q,,...,QOT. На выходе НС выдает значение : функции у(а ) = р(х1(а)),...,хп(со)), сопоставляющей каждому объекту со є Q номер к класса Qk, которому он относится. Рассматриваемые НС содержат три скрытых слоя: - слой элементов вычисляющих значения скалярных функций1 vj =0I(J)(XI(J) dj), j = l,...L, L- число элементов, i(j) - индекс входного признака; слой полиномиальных элементов, вычисляющих значения произведений вида: ик = v,( t 1) v,(A. Mfc), где i(j,t) - номер t-ro входного сигнала к-то элемента из предыдущего слоя, k=l,...,N, N- число элементов в слое; - слой из одного линейного элемента, вычисляющего линейное выражение z = и0 +wxux +... + wNuN где wl,...,wN - весовые коэффициенты.
Таким образом, три слоя в совокупности реализуют полином от элементарных скалярных функций ф от любой из переменных хх,...хп. Выходное значение НС формирует элемент реализующий функцию выхода y = cr(z). Особенность выбора элементарных функций ф{, , состоит в том, чтобы они на своей области определения (включающей множество значений соответствующего признака) удовлетворяли следующему требованию: 0)0) 0 и \fxx,x23d Фі(Л(хі -d) = 0 и ф,0)(х2 -d) 0. і Такими функциями могут служить следующие: x,sgn.x, xpsgnx, sgnx(l-e_DC), sgnxxp e-ax, (2.13) где p,a 0,sgnx - пороговая функция, равная 1, если х 0 и 0 в противном і случае. В качестве функции выхода выступает функция sgn z или ее многозначный вариант: sgn(z-z0) + ... + sgn(z-zm_{), который принимает уже значения 0,1,...,т—1 в зависимости, от того, в какой из промежутков [- o№o zi]v K,_i,+] попадет число .
Обучение НС осуществляется по обучающей выборке, составленной из:, пар y(cD0),(x](a}Q),...,xn(co0)) на некотором обучающем множестве I объектов-образов Q0. Обучение НС сводится к задаче построения полинома от элементарных функций, для которого на некотором обучающем множестве входных значений переменных хх,...,хп заданы промежутки, в которые попадают ; значения полинома. В основе рекурсивного алгоритма построения полинома;],;, j; лежит следующее рассуждение. Пусть значения полинома Р, заданного на множестве X, попадают в промежутки с концами щ и bt { соответственно (допускается, чтобы а = -со или bt — +00 ), индекс і пробегает номера точек в X. По предположению относительно элементарных функций, найдется функция фп переменная і и параметр сі, такие, что они разбивают множество X на два непустых подмножества Xх и Х0, причем фі (х(- - сі) равна 0 иаХ0 и отлична от 0 на Хх. Полином Р представляем в виде: Р = Р0+фі(хі-с1).Р]. (2.14); . Строим полином Р0 по множеству Х0, на котором он тождественно,- jirj равен Р. Потом находим промежутки, в которые попадают значения; , ; ;! полинома Р{ на множестве Хх по формуле: «1У=К- о( ))/ ( /- ). =( - о( ))/Л( 1- ). (2.15) ! где ау и by концы промежутка, в который попадает значение полинома" Р в точке х из множества Хх, аХу и Ъх концы промежутка в который- будут попадать значения полинома Р{, xt- значение г-ой компоненты х = (хх,...,хп). Поскольку мощности множеств Хл и Х0 меньше мощности множестваX, то; это рассуждение является основой для редукции задачи построения! Гі їі полинома Р на Хк двум «более простым» задачам построения полиномов Рх rj и Р0, соответственно на множествах Хх и Х0. Процедура редукции задачи не производится, если у всех промежутков, в которые попадают значения Р шХ ! есть общая точка пересечения w. Тогда полагаем P=w. В результате применения рекурсивной процедуры редукции задачі получаем искомый полином, описывающий НС. ,
Для обучения нейронной сети использовалась обучающая выборка. Каждый пример представляет собой задачу одного и того же типа с индивидуальным набором условий (в данном случае это признаки, описывающие состояния субъектов с психофизиологической точки зрения) и заранее известным ответом (диагнозом).
Для проектирования нейросетевой модели оценки степени психической адаптации субъекта в условиях экстремальной ситуации, использовалась программа Deductor. Данное программное обеспечение позволяет, проектировать неиромодели слоистой архитектуры с произвольным количеством нейронов на каждом слое, а так же предоставляет расширенные j возможности по оптимизации структуры нейросети.
Использование автоматизированной системы поддержки принятия решений в деятельности регионального центра психофизиологической диагностики
Необходимость использования цепочки «Объект - ЛПР - ЭС» связана с тем, что эксперты имеют то, что мы обычно называем здравым смыслом -или общедоступными знаниями. Это широкий спектр общих знаний о мире, о законах, которые в нем действуют, то есть знания, которыми каждый из нас обладает и постоянно пользуется. Из-за огромного объема знаний, образующих здравый смысл, не существует легкого способа встроить их в интеллектуальную программу, которая может быть составной частью ЭС.
До настоящего времени основной проблемой создания систем для ЛПР, работающих в индивидуальном режиме, считалась проблема создания базы знаний. Была принята концепция, которую известный американский ученый Д. Уотерман формулирует таким образом: «Чтобы сделать программу интеллектуальной, ее нужно снабдить множеством высококачественных ! специальных знаний о некоторой предметной области» [89, 90]. При этом исходят из следующих соображений. і
1. Знания, позволяющие эксперту (или ЭС) получать качественные и эффективные решения, являются в основном эвристическими, экспериментальными, неопределенными, правдоподобными.
2. Мощность экспертной системы обусловлена, в первую очередь, мощностью базы знаний и возможностью ее пополнения и только во вторую очередь - используемыми ею методами (процедурами).
3. Учитывая неформализованное решаемых задач и эвристический, личностный характер используемых знаний, пользователь (эксперт) должен иметь возможность непосредственно взаимодействовать с ЭС в форме і диалога.
В рассматриваемой концепции ЭС считается, что решение только одной главной задачи - построение базы знаний - позволит ЛПР успешно выполнять свои функции. Основное отличие предлагаемого нами подхода состоит в том, что все пять фаз выработки ЛПР решения считаются одинаково важными и эффективность решения можно получить при системном подходе к каждой фазе решения с учетом эффекта синергизма. ,
Для обеспечения индивидуального режима работы ЛПР исследуется предметная область ЛПР, определяется технология получения информации о; ] процессе, создаются модели процессов, строятся базы знаний, позволяющих ЛПР принимать решения с учетом имеющегося опыта работ. В каждой фазе закладывается свой уровень погрешности и важно сделать так, чтобы і суммарная погрешность, была меньше допустимой. Так, например, для того! i ij чтобы снять информацию, надо знать, какая информация о процессе " понадобится; знать динамику съема информации; знать достоверность \ информации и т.д. А это уже закладывает уровень неоднозначности для заключительной фазы. Особое значение имеет переработка информации в форму, пригодную для анализа. Проблема представления информации для ЛПР и ЭС остается одной из острейших. ЛПР воспринимает весь комплекс визуальной, звуковой, осязательной, обонятельной информации и может охватить картину в целом, как бы объемно и во времени, определить главнуютії ! проблему для данного момента. Преобразование сенсорной информации в / символьную форму сопряжено с частичной потерей этой информации, что ограничивает возможности ЭС [22].
Последующие этапы - анализ и выработка вариантов решения. Возможности ЛПР на этих этапах определяются его знаниями предметной области, мощностью и возможностью экспертной системы, которую он использует. На этом этапе возникают все проблемы, которые связаны с базой знаний, построением ЭС.
После выбора двух-четырех вариантов решения существует оченьїі \] \ важный этап - прогнозирование проведения объекта для каждого из , ! выбранных вариантов. Здесь появляется проблема построения модели і процесса, проблема доказательства адекватности модели процессу, проблема реализации работы модели на граничных условиях рабочих вариантов, проблема оценки методом прогнозирования эффективности выбранного варианта и много других проблем. Последний этап связан с проблемой оформления результатов решения и выработки управляющих воздействий.
Таким образом, на всех этапах принятия решения в индивидуальном і режиме за ЛПР остаются функции синтеза разносторонней информации и реакции на неожиданные повороты событий. Выше рассмотрен относительно простой вариант, когда ЛПР один на один с объектом принимает решение. И уже в этом случае понятно, что нельзя остановиться только на решении проблемы построения баз знаний или экспертных систем. Это отдельные этапы процесса принятия ЛПР решения., Чтобы эффективно решить эту задачу, необходима разработка информационных технологий для всех этапов и их совокупности. і! Еще более сложная проблема возникает в случае подготовки и принятия решений в режимах коллективной работы ЛПР разных уровней с различной проблемной ориентацией. Существует граф, связывающий всех исполнителей в системе, и граф множества промежуточных целевых функций, определяющих конечную целевую функцию и реализующих принцип взаимосвязи частных целевых функций. В больших системах появляется самостоятельная проблема построения такого графа по конечной1! целевой функции системы. і Таким образом, для решения сложной проблемы необходимо согласование в пространстве и времени множества параллельных процессов. Понятно, что управление таким множеством параллельных процессов довольно сложная задача, требующая новых подходов как к процессам построения информационных потоков, так и к процессам их обработки для принятия решения. Можно, например, назвать несколько подходов, которые и определили возможности создания таких систем. Это, например, принцип новых задач и разового ввода информации [22]. Это требование, в свою,], очередь, определяет необходимость новой технологии в организации доступа к данным.
