Дипломная работа: Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров

COДЕРЖАНИЕ

СПИСОК СОКРАЩЕНИЙ

ВВЕДЕНИЕ

1. ПРОБЛЕМЫ ОПРЕДЕЛЕНИЯ НОРМЫ В МЕДИЦИНЕ. МЕТОДЫ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ НОРМЫ

1.1   АСПО как предметная область модели прогноза медицинской нормы в

системе безопасности на железнодорожном транспорте

1.2 Стандартные функции АСПО

1.3 Медицинские и психофизиологические аспекты выделения группы повышенного риска

1.3.1 Оценка параметров профессиональной пригодности

1.3.2 Критерии выделения «группы риска»

1.3.3 Расширенное психофизиологическое обследование по данным АСПО

1.3.3.1 Психологическая диагностика

1.3.3.2 Функциональная диагностика

1.4 Проблемы предоставления нормы в АСПО

2. АДАПТИВНАЯ НАСТРОЙКА СТАТИСТИЧЕСКОГО РАЗДЕЛЕНИЯ ПРИЗНАКОВ В СИСТЕМЕ НЕЙРО-НЕЧЕТКОГО ВЫВОДА

2.1 Основы принципа нечеткого вывода и идентификации

2.1.1 Нечеткая логика, лингвистическая оценка медицинских параметров

2.1.2 Направления исследований нечеткой логики по отношению к медицинским диагностическим заключениям

2.1.2.1 Символическая нечеткая логика и терминология предметной области.

2.1.2.2 Теория приближенных вычислений и стохастические измерения.

2.1.3 Идентификация с помощью иерархической системы нечеткого логического вывода

2.2 Задача разработки программных средств оценки критической зависимости гемодинамических показателей

2.2.1 Характеристики программной модели при обработке регрессионных измерений предрейсовых осмотров

2.2.2 Управление иерархией нечеткого вывода интерактивным пакетом ANFIS

2.2.3 Алгоритм диагностики

2.2.4 Усовершенствованный метод диагностики

2.2.5 Выводы и база знаний

2.2.6 Проектирование систем типа Сугено

2.2.7 Результаты проектирования нечеткого алгоритма предрейсовых медицинских осмотров на основе адаптивной сети нейро-нечеткого вывода

Заключение

БИБЛИОГРАФИЧЕСКИЙ СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

Список сокращений

медицинский осмотр нейро нечеткий сеть

ANFIS – Adaptive NeuroFuzzy Inference System (адаптивная нейро-нечеткая система вывода);

АСУ – автоматизированная система управления;

АСПО – автоматизированная система предрейсовых осмотров;

БД – база данных;

БП – база правил;

ИТ– информационные технологии;

МНК – метод наименьших квадратов;

ННС – нейро-нечеткие системы;

НС – нейронная сеть;

НЛ – нечеткая логика;

ОС – операционная система;

ПК – персональный компьютер;

ПО – программное обеспечение;

СУБД – система управления базами данных;

ЭВМ – электронная вычислительная машина;

Введение

Система предрейсовых осмотров актуальна в плане обеспечения безопасности транспортных перевозок, кроме того применяемый на данный момент принцип измерения и выбора медицинских наблюдаемых параметров позволяет усовершенствовать систему диагностики результата различными методами, начиная регрессионными и заканчивая современными интеллектуальными технологиями. Но в этом процессе должно совмещаться как экспертное знание так и числовая точность критериальной оценки состояния наблюдаемого субъекта. Соответственно здесь популярны гибридные схемы в подобных оценках. Экспертные базы требуют ввода лингвистической неопределенности в алгоритмы решения, а регрессионный характер измерений требует предварительной оценки их параметров и получение статистической модели с исключением аддитивных помех в наблюдаемом выходе.

Гибридные нейро-нечеткие системы (далее просто гибридные ANFIS системы) нашли самую большую область применения среди всех возможных методов синтеза нечетких множеств и нейронных сетей. Связано это с тем, что именно они позволяют наиболее полно использовать сильные стороны нечетких систем и НС. Характерной чертой гибридных систем является то, что они всегда могут быть рассмотрены как системы нечетких правил, при этом настройка функций принадлежностей в предпосылках и подзаключениях правил на основе обучающего множества производится с помощью НС. Существуют архитектуры гибридных систем, прогрессирующие от иерархической системы нечеткого выхода и от метода получения подзаключений по Сугено, учитывающие регрессионных характер исходных измерений. Эта схема вывода способна совместить предварительную настройку к стохастической среде получаемых данных методом регрессионного анализа и точную настройку к аппроксимируемому объекту по свойствам экспертного мнения. Кроме того, нужно учесть в пользу данного метода, что регрессионная часть выполняется матричным способом решения линейных уравнений и это составляет незначительную линейную трудность для алгоритма.

Проблема медицинской нормы, с точки зрения пространственного разделения признаков, состоит в том, что принимаемое во внимание среднеквадратичное отклонение нормального распределения по традиционной методике относится к одному медицинскому параметру, а центр распределения линейно связан с его средним значением. Если признаков несколько, то линейное геометрическое разделение по осям признаков составляет простейшую область для идеально нормального субъекта, что в реальности практически не достижимо и, кроме того, несовместимо с экспертным мнением, которое способно определять некоторые допуски к тем или иным параметрам. Та же проблема многоканального разделения признаков и в существующем АСПО, так как измерения многомерны – для оценки готовности к рейсу учитываются 7-14 параметров. В свою очередь возникает и экспертная сложность интеллектуального обобщения многомерных показателей в норму. Поэтому для решения этой актуальной проблемы принадлежности объекта к целевым классам нормы или ненормы самым оптимальным будет нелинейное разделение данных классов в пространстве признаков, которое идеально моделирует формула НС.

Нейро-нечеткие системы совмещают экспертные знания и оценки регрессионной среды как оптимальные аппроксиматоры целевых функций, но для разделения по признакам еще нужно обсудить некоторые особенности ННС. То есть, следует определить специфику ННС в решении проблем диагностики нормы исследуемых субъектов совместно с регрессионным анализом медицинских параметров. Итак, надо учесть, что ННС-аппроксиматоры образуют полносвязанную структуру без обратных связей. На выходе последнего слоя нет активационной функции, а формула квадратичной разности выхода и обучающего сигнала является функционалом, который зависит от параметров функций принадлежности экспертной базы и параметров выходного слоя вывода по Сугено. Величина изменения при настройке каждого параметра вычисляется как частная производная градиента функционала на выходе ННС, выполняя критерий его минимизации. Но исследуемая проблема требует ответа классификатора на пространстве признаков – принадлежит исследуемый субъект к целевой группе риска или нет. При этом подходе определяется пространство признаков размерности по числу параметров, предоставляемых с системе предрейсовых осмотров для диагностического заключения. Подобные измерения уже имеются в наличии у баз данных систем предрейсовых осмотров, в этом плане также отработана технология измерений. Но в этой системе экспертные представления фактически доминируют с существующими методами автоматизированной оценки норма/ненорма, так как исследуемые объекты в сущности являются сложными физиологическими системами с трудно формализуемыми математическими признаками целевого состояния в выполнении профессиональных действий. В этом случае ННС оптимально подходит для анализа признаков с учетом экспертных мнений, но традиционный выход системы требует соответствующей модификации, где необходимо обеспечить: аппроксимируемую непрерывную функцию выхода; активационную непрерывную функцию по формуле логистического распределения. Первая функция должна отображать стандартное нормальное распределение случайной величины, соответственно для нее будет подготовлены обучающие выборки гемодинамических показателей нормы. Аппроксимация центра распределения будет соответствовать активационному ответу «Нет» на принадлежность субъекта целевому классу риска. При смещении цента в случае выборки «ненорма» будет активирована функция выхода. С учетом того, что центр распределения может быть смещен выборкой «ненорма» в любую сторону оси, то выход аппроксимации несложно модифицируется инвертором уровня выхода и второй активационной функцией, а функции связаны с линией ответа посредством линейного сумматора. Таким образом, несложная адаптация к конкретной ситуации еще раз показывает универсализм иерархических ННС в управлении и настройке как регрессионных моделей, так и экспертных баз правил, где эти две структуры объединены нейросетевыми отношениями.

Актуальность работы: требования к качеству повышения обработки измерений с системах медицинского обеспечения безопасности на транспорте.

Целю работы является разработка системы на базе иерархии правил для нейросетевого принципа разделения признаков с использованием экспертных знаний достоверного анализа профессиональной пригодности работников транспорта.

Основные задачи, определенные в соответствии с поставленной целью квалификационной работы:

– анализ существующих методов, систем, типов и способов проводимых измерений в автоматизированных системах медицинского обеспечения безопасности на транспорте;

– ознакомление с типичными моделями ННС и выбор оптимальной с учетом особенностей организации АСПО;

– выбор способа определения медицинской нормы, который обладает свойством стохастичности с возможностью применения аппроксимирующей его ННС при ее обучении и использовании методов регрессионного анализа;

– выбор алгоритмов предварительного расчета регрессионных параметров вход-выход и градиентной весовой настройки правил;

– создание, на основе предложенных принципов и способов адаптации ННС к АСПО, алгоритмов ПО обучения и эксплуатации ННС в задачах АСПО;

–    модернизация базовой технологии обеспечения безопасности грузопассажирских перевозок, учитывающей надежность «человеческого фактора», экспертной системой на базе ННС, способной к нелинейному разделению граничных условий норма/ненорма в пространстве признаков исходных измерений;

– составление ряда рекомендаций по использованию алгоритмов, свойств и параметров полученной программной модели иерархической системы нечеткого логического вывода контроля критической зависимости параметров гемодинамики.

1. ПРОБЛЕМЫ ОПРЕДЕЛЕНИЯ НОРМЫ В МЕДИЦИНЕ. МЕТОДЫ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ НОРМЫ

1.1 АСПО как предметная область моделирования прогноза медицинской нормы в системе безопасности на железнодорожном транспорте

Профессиональный отбор, предсменный и предрейсовый – все это является важнейшим направлением обеспечения безопасности движения на железнодорожном транспорте. В данной области медицинской практики можно рассмотреть аспекты адаптации к проблеме безопасности и внедрения вычислительных ресурсов компьютерных комплексов, функционирование которых базируется на различных по типу программных моделях медицинских исследований. Независимо от уровня чувствительности используемой аппаратуры получения исходных данных и средств визуализации результата, актуальным остается вопрос статистической обработки исходных измерений с целью выборки полезного сигнала с учетом знания определенной модели помехи наблюдения. Задачу подобной обработки данных в определенные моменты времени должны решать математические модели, используя классические методы идентификации. Но в плане моделирования динамики возникают проблемы с идентификацией параметров, т.к. стандартные методы дают несостоятельные оценки параметров при наличии ненаблюдаемых помех на входе и наблюдаемых на выходе. Это открывает направления научного исследования проблемы, одно из которых – модификация стандартных методов оценки параметров. Для возможности организации и внедрения программной обработки статистической выборки измерений, по математическим моделям моментного и динамического состояния медицинских показателей исследуемых работников, в качестве базовой разработки принимается действующая на Куйбышевской железной дороге АСПО на базе комплексов КАПД-01-СТ для медико-психологического обеспечения безопасности движения поездов (рисунок 1.1). Идеология АСПО заключается в следующем: интенсивность работы водителей транспорта имеет большое число факторов, влияющих на безопасность перевозок, требуются сведения о медицинских параметрах состояния здоровья участников перевозок и их обработка в едином информационном пространстве. В АСПО реализуется информационная технология (ИТ), позволяющая оптимизировать процессы управления за счет автоматизации рабочих мест, а также ИТ выполняет обеспечение процесса безопасности перевозок с учетом надежности «человеческого фактора».

Рисунок 1.1- Структурная ветвь базовой организации служб в АСПО на железной дороге

Необходимо помнить, что ИТ лишь автоматизируют существующий процесс, включая его недостатки. Например, полученный по датчикам поток измерений включает в себя аддитивные ошибки. Ошибка измерения (помеха) - объективный процесс, складывающийся с учетом: нелинейности физиологических процессов; поверхностного контакта датчиков; взаимной корреляции величин одной размерности, морфологии тканей, анизотропии биологических сред и т.п. В медицинской и биологической физике одним из основных направлений медицинских знаний является изучение физической сущности основных методов диагностики, их особенностей, приборной базы, а также оценка качества получаемой при этом информации. Следовательно, актуально разрабатывать численные методы идентификации полезного сигнала на базе математических моделей, адаптировать полученные программные продукты как расширение базовых ИТ, уже существующих в эксплуатации и не исключающих необходимости улучшения своего качества. По существу это задача реинжениринга - проектирования нового процесса, дающего основные результаты улучшения характеристик принимаемой к аналитической обработке информации. Это не только дополнительная автоматизация процессов управления, но и научно обоснованная возможность создать полностью новые, пересмотреть или оптимизировать уже существующие процессы и, следовательно, улучшить в несколько раз конечный продукт. В данном случае - повысить надежность «человеческого фактора» и, как следствие, увеличить безопасность грузопассажирских перевозок.

Страницы: 1, 2, 3, 4, 5, 6