Сердюк А. М., Останина Н. В., Кузнецова Е. М., Череменко А. Н., Босых Ю. С., Брязкало В. В., Олейник И. Л

Вид материала

Документы

Содержание Прогнозування на основі нечіткої логіки і нейронних мереж та основні напрямки його використання у практиці гігієнічних досліджен Вінницький національний медичний університет ім. М.І.Пирогова, м.Вінниця

Подобный материал:

• В. О. Сердюк основи анатомії та фізіології тварин, 1509.76kb.
• М. И. Кузнецова букварь: методический комментарий к урок, 6117.76kb.
• В. А. Федосеев Публикуется по изданию: Михайлов Б. В., Сердюк А. И., Федосеев, 1752.72kb.
• Госдума РФ мониторинг сми 2 августа 2007, 1558kb.
• Кузнецова Наталья Вячеславовна учебно-методический комплекс, 371.04kb.
• Кузнецова Нина Владимировна методические рекомендации, 625.25kb.
• Коньков Николай Леонидович, Останина Людмила Васильевна. 2008 @ тгпи им. Д. И. Менделеева,, 389.81kb.
• С. П. Пуденко Актуализация наследия и идей П. Г. Кузнецова в 2000-е годы, 129.95kb.
• Алексей Николаевич Арбузов Иркутская история, 1933.82kb.
• Всероссийский заочный финансово-экономический институт Кафедра права, 189.78kb.

ПРОГНОЗУВАННЯ НА ОСНОВІ НЕЧІТКОЇ ЛОГІКИ І НЕЙРОННИХ МЕРЕЖ ТА ОСНОВНІ НАПРЯМКИ ЙОГО ВИКОРИСТАННЯ У ПРАКТИЦІ ГІГІЄНІЧНИХ ДОСЛІДЖЕНЬ

І.В. Сергета, О.П. Молчанова

Вінницький національний медичний університет ім. М.І.Пирогова, м.Вінниця

Прогнозування, що здійснюється у контексті проведення медичних, гігієнічних та екологічних досліджень, являє собою спеціальне наукове дослідження, спрямоване на вивчення індивідуальних або популяційних тенденцій розвитку організму в минулому та теперішньому часі з метою передбачення динамічних змін його станів у майбутньому. Причому основою прогнозування є заміна реального процесу, що має місце, певною логічною, математичною, фізичною або іншою конструкцією, яка відтворює його основні найістотніші риси, створюючи спрощений схематичний образ реальності та абстрагуючись від вторинних неістотних ознак 2, 3, 5, 8.

На сьогоднішній день найбільш поширеними у практиці еколого–гігієнічних досліджень слід вважати методи екстраполяції, фазового інтервалу та створення статистичних моделей. Екстраполяція передбачає визначення тенденцій розвитку об’єкта спостережень протягом певного часового проміжку на підставі аналізу статистичних даних, що представлені у вигляді динамічного ряду. Метод фазового інтервалу зумовлює віднесення критеріальних показників, які підлягають оцінці, до певної категорії шляхом розрахунку відстані між 2 точками у багатовимірному просторі створених ознак. Використання статистичних моделей надає можливість одержати багатофакторні прогнози, що дозволяють за допомогою значень певних ознак об’єкта, які відомі, знайти очікувані значення інших, котрі невідомі, проте, мають з попередніми певний кореляційний зв’язок [1, 6, 7, 9].

Отже, провідними компонентами концептуального підходу до прогнозування процесів, що відбуваються, під час застосування більшості з приведених вище методів є: об’єктивне визначення мети, головних завдань та об’єкта (об’єктів) моделювання, які ураховують і особливості функціонального стану організму, і особливості умов перебування, передусім особливості впливу численних зовнішніх чинників; аналіз вихідних даних; вибір найбільш доцільних методів прогнозування та, на цій підставі, математична формалізація моделі; ґрунтовна перевірка та верифікація адекватності побудованої моделі; аналіз та практична, передусім індивідуалізована, прогностично–змістовна інтерпретація одержаних результатів.

Однак такий підхід, незважаючи на його достатньо високу ефективність та адекватність поставленим задачам, на жаль, має і цілу низку недоліків, головними з яких слід вважати або певну схематичність та однобічність, або необхідність нагромадження великих масивів іноді зовсім непотрібної статистичної інформації, або складність змістовної інтерпретації кінцевих результатів, що отримані. Тому надзвичайно важливим завданням сучасної медичної інформатики є пошук адекватних, простих, зручних для широкого практичного використання i, разом з тим, інформативних методів. Саме такими слід визнати методи прогнозування на підставі створення експертних систем, в основі яких знаходяться фундаментальні положення нечіткої логіки і нейронних мереж [4, 10, 11, 12, 13, 14].

Прогнозування на базі нечіткої логіки дозволяє здійснити опис причинно–наслідкових зв’язків між факторами ризику (причинами), які впливають на стан об’єкта, що вивчається, та конкретним прогнозом або діагнозом (наслідком) у вигляді висловлювань природною мовою, і отже, надає можливість провести логічну формалізацію експертного висновку. Зокрема, у цьому випадку структура причинно–наслідкових зв’язків, що мають місце, може бути описана як наступна система співвідношень (1–4):

d = f_d ( y, w, … z ); (1)

y = f_y ( x₁, x₂ … x₁₀ ); (2)

w = f_w ( x₁₁, x₁₂ … x₂₀ ); (3)

z = f_z ( x₂₁, x₂₂ … x_n ); (4)

де d – певний діагноз або прогноз;

y, w, z, x₁ … x_n – окремі фактори, що характеризують функціональний стан та адаптаційні ресурси організму.

Використання нейронних мереж надає можливість моделювати стан об’єкта, на який впливає необмежена кількість чинників, які визначають прогноз (діагноз) для певного об’єкта. Загалом нейронна мережа являє собою штучний аналог людського мозку. Тому її основні складові компоненти, що за аналогією мають назву нейрони, здатні виконувати певні функції з обробки інформації, яка до них надходить. Нейрони згруповані в шари і мають численні взаємозв’язки з будь–якими нейронами як свого шару, так і багатьох інших шарів. Виходом нейрону є стан його активності, рівень якого визначається за формулою (5):

а_i (t + 1) = Σ_j w_ij a_j (t) + x_i (t), (5)

де w_ij – вага зв’язку нейрона і з будь–яким іншим нейроном j мережі;

Σ_j w_ij – стан входів нейрону і, пов’язаного з нейроном j мережі у певний момент часу t;

а_і (t) та a_j (t + 1) – стан активності нейронів i та j у певний момент часу (t та t + 1) відповідно;

x_i (t) – довільний зовнішній чинник.

Вхідні сигнали надходять до нейронів першого шару, які після обробки даних передають інформацію на наступний шар і т.д. Нейрони останнього шару спрямовують інформацію на виходи мережі. Отже, у випадку використання нейронної мережі немає потреби мати чітке уявлення про структуру об’єкта та особливості його внутрішніх зв’язків. Необхідно лише пред’явити мережі конкретні носії інформації або їх сукупності, тобто приклади, в яких певним входам зіставлені певні виходи системи. Нейронні мережі здатні самостійно знаходити взаємозв’язки всередині системи, використовуючи для цього прийоми математичної обробки вихідної вибірки, яка являє собою масив реальних експериментальних даних. Цей процес має назву навчання нейронної мережі. Нейронна мережа в автономному режимі відшукує саме таку вагу зв’язків між нейронами, яка б дозволила отримати на виході із неї результати максимально подібні до тих, що одержані в реальному експерименті. Як наслідок, створюється певна математична модель досліджуваного об’єкта, яку достатньо важко чітко описати, завдяки тому, що вона “закодована” у зв’язках між нейронами мережі. Разом з тим розроблена модель надзвичайно ефективно функціонує і реально моделює результати дуже близькі до тих, які отримано експериментально. Крім того, нейронна мережа здатна апроксимувати складні нелінійні функціональні залежності у завданнях діагностики, прогнозування, ідентифікації тощо.

В ході нашого дослідження, головною метою якого було створення експертної системи діагностики і прогнозування професійної придатності та стану здоров’я учнів і студентів, котрі оволодівають медичними спеціальностями, визначені основні етапи здійснення прогностичної діагностики як на базі нечіткої логіки та нейронних мереж, так і шляхом розроблення нейро–нечітких мереж, що поєднують в собі головні позитивні риси попередніх, а саме: лінгвістичність та здатність до навчання.

Прогностична оцінка професійної придатності та стану здоров’я на основі нечіткої логіки визначала як основні наступні етапи: здійснення експертної оцінки ступеня взаємозалежності результуючих ознак, в нашому випадку рівень професійної придатності та стан здоров’я, і цілого ряду номінальних показників адаптаційних ресурсів та функціонального стану організму, що проводиться за участю висококваліфікованих експертів (1 етап); визначення меж (діапазонів) мінливості кожної з виділених результуючих та номінальних ознак, тобто так званих лінгвістичних змінних (2 етап); створення спеціальної бази (матриці) знань, головними компонентами якої слід вважати нечіткі множини параметрів функціонального стану конкретного індивідууму та нечіткі ієрархічно побудовані логічні висловлення типу “якщо – то” (3 етап); здійснення прогнозування стану здоров’я та рівня професійної придатності з використанням універсальної оболонки нечіткої експертної системи (4 етап); перевірка ступеня адекватності отриманого прогнозу шляхом його порівняння з верифікованими варіантами практичних спостережень або супутнім прогнозом кваліфікованих фахівців–експертів (5 етап).

Основними етапами створення експертної системи діагностики і прогнозування професійної придатності та стану здоров’я учнів і студентів, які оволодівають медичними спеціальностями, на основі нейро–нечітких мереж слід було вважати такі: створення файла даних (1 етап); створення нейропроекту (2 етап); підключення файла даних до нейропроекту (3 етап); створення архітектури нейронної мережі (4 етап); настроювання параметрів нейронної мережі (5 етап); вибір алгоритму навчання (6 етап); навчання нейронної мережі (7 етап); генерація лінгвістичного опису нейронної мережі (8 етап); тестування нейронної мережі на файлі даних (9 етап); спрощення нейронної мережі (10 етап).

В обох випадках як номінальні (вхідні) показники використовувались дані щодо рівня розвитку соціально– та професійно–значущих психофізіологічних функцій, особливостей особистості, адаптаційних ресурсів, стану здоров’я, житлово–побутових умов, умов навчання та успішності навчальної діяльності учнів і студентів, які здобувають медичний фах. Загальна кількість вхідних полів (тобто кількість вхідних показників) у випадку використання нейро–нечітких мереж становила 93, кількість входів мережі (ураховуючи кількість дискретних станів якісних показників) – 288.

Як результуючі (вихідні) параметри були визначені: особливості стану здоров’я (група здоров’я); рівень клінічно–орієнтованої професійної підготовленості, що характеризував успішність навчання (середній бал) за клінічно–орієнтованими дисциплінами; узагальнений рівень професійної підготовленості, що ураховував успішність навчання (середній бал) за всіма дисциплінами, які викладаються у медичному навчальному закладі; рівень професійної придатності до здобуття медичних спеціальностей, що засвідчував узагальнений рівень готовності студентів до засвоєння основних медичних спеціальностей; ступінь психофізіологічної адаптації, який є мірою функціональної готовності студентів до професійного навчання та майбутньої трудової діяльності. Рівень професійної придатності та ступінь психофізіологічної адаптації було відображено у судженнях, висловлених природною мовою, які представлені 5 дискретними станами: 1 клас – низький рівень професійної придатності або психофізіологічної адаптації; 2 клас – рівень нижче середнього; 3 клас – середній рівень; 4 клас – рівень вище середнього і 5 клас – високий рівень. Загальна кількість вихідних полів становила 5, кількість виходів мережі – 17.

Запропонований підхід надавав можливість створити вельми адекватний цілям наукових досліджень у галузі гігієнічної діагностики та прогнозування поліфункціональний механізм передбачення, в основі якого знаходиться імовірнісна часова оцінка найбільш поширених зрушень у стані здоров’я, що відбуваються, а також змін критеріальних характеристик професійної придатності дівчат і юнаків, котрі засвоюють основні медичні спеціальності в умовах навчання у закладах медичної освіти. Одержані результати дозволяють суттєво об’єктивізувати процес передбачення різноманітних змін у стані показників, що визначають особливості функціонального стану організму і мають медичний, гігієнічний або екологічний зміст, виділити та обґрунтувати основні етапи прогностичної діагностики, створити експертну систему прогнозування професійної придатності та стану здоров’я дівчат і юнаків, які здобувають медичний фах.