МИНОБРНАУКИ РОССИИ

Федеральное государственное бюджетное образовательное учреждение

высшего образования

«Юго-Западный государственный университет»

(ЮЗГУ)

На правах рукописи

Комлев Игорь Александрович

АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ

ИШЕМИЧЕСКИХ РИСКОВ С ДУБЛИРОВАНИЕМ РЕШЕНИЙ И

АССОЦИАТИВНЫМ ВЫБОРОМ

Специальность 05.11.17 – Приборы, системы и изделия

медицинского назначения

Диссертация на соискание ученой степени

кандидата технических наук

Научный руководитель

доктор технических наук, доцент

Титов Дмитрий Витальевич

КУРСК - 2019

2

Оглавление

Ведение 4

1 Аналитический обзор и постановка задачи на исследование 11

1.1 Анализ современных подходов к прогнозированию

сердечно-сосудистых осложнений 11

1.2 Методы прогнозирования и диагностики, применяемые в

медицинской практике 15

1.3 Компьютерные технологии прогнозирования и диагностики

в медицинской практике 17

1.4 Нечеткие модели принятия решений в медицинских

диагностических системах 20

1.5 Постановка задачи на исследование 29

2 Разработка интеллектуальных агентов и моделей

прогнозирования возникновения и развития ишемии сердца 31

2.1 Структурный анализ и синтез признакового пространства

для математических моделей прогнозирования и развития ишемии

сердца 31

2.2 Синтез математических моделей прогнозирования

ишемических рисков на основе традиционных предикторов сердечно-

сосудистых осложнений 42

2.3 Метод оперативного контроля за динамикой развития

ишемии сердца по энергетическому разбалансу меридианных

структур 51

2.4 Модели и алгоритмы для прогнозирования ишемической

болезни сердца на основе анализа электрокардиосигнала 63

2.5 Выводы второго раздела 69

3

3 Методы и модели структурно - функциональных решений при

прогнозировании ишемических рисков 72

3.1 Структурно - функциональная модель принятия решений для

дублирующих решениях и ассоциативном выборе 72

3.2 Модель принятия решений с использованием нейронных

сетей 77

3.3 Модуль принятия решений по ишемическому риску на

основе нечеткого логического вывода 79

3.4 Блок управления бустингом и алгоритмы его работы 83

3.5 Выводы третьего раздела 92

4 Экспериментальные исследования автоматизированной системы

прогнозирования ишемических рисков 94

4.1 Структурная схема автоматизированной системы

прогнозирования ишемических рисков 94

4.2 Программное обеспечение для автоматизированной системы

прогнозирования ишемической болезни сердца 97

4.2.1 Модуль автоматизированного анализа

электрокардиосигнала 98

4.2.2 Программное обеспечение для модуля нечеткого

логического вывода 109

4.3 Экспериментальные исследования качества принятия

решений модулей автоматизированной системы по прогнозированию

ишемических рисков 113

4.4 Выводы четвертого раздела 120

Заключение 122

Список сокращений и условных обозначений 124

Список литературы 127

4

Ведение

Актуальность исследований. По данным Европейского кардиологического

общества смертность от ишемической болезни сердца (ИБС) лиц в возрасте от 35

до 64 лет в нашей стране оказалась самой высокой в Европе, составляя у мужчин

более 350 и для населения в целом 100 на 100 тыс. человек в год. Несмотря на

успехи в инструментальной диагностике и в лечении, ИБС остается наиболее

частым заболеванием среди лиц трудоспособного возраста, вызывая высокую

инвалидизацию и смертность.

Важнейшей общенаучной прикладной задачей считается прогнозирование

заболеваний сердечно-сосудистой системы (ССС), которое при использовании

математических моделей и методов позволяет определить степень толерантности

организма человека к воздействию различных факторов с целью уточнения его

предрасположенности к тому или иному сердечно-сосудистому заболеванию

(ССЗ), а если оно уже возникло, то предсказание особенностей его течения в

будущем и исход. На сегодняшний день поиск усовершенствованных методов и

алгоритмов остается актуальным.

Необходимость прогнозирования ССЗ выдвигает требования к организации

массовых обследований населения и диктует актуальность широкого внедрения

в медицинскую практику мониторинга состояния больных с высоким риском ИБС

при помощи телекоммуникационных автоматизированных систем.

Своевременное выявление пациентов с повышенным и высоким риском

возникновения осложнений с целью проведения профилактических мероприятий,

направленных именно на снижение риска, а также облегчения тяжести уже

имеющихся последствий, является основным направлением в улучшении общей

ситуации по заболеваемости в целом.

Степень разработанности темы исследования. С развитием компьютерной

техники и информационных технологий предпринимаются попытки внедрения

5

программированного прогнозирования в медицинскую практику (М.М. Батюшин,

Ю.Л. Шевченко), которое нашло применение в практической медицине в виде

систем поддержки принятия решений (СППР) и, как правило, основано на анализе

электрокардиографических сигналов (ЭКС) и позволяет осуществлять

неинвазивную оценку диагностических показателей и получение

предварительного диагноза о наличии или возможном развитии заболевания при

отклонении показателей от их нормальных значений. В этом направлении в

России и за рубежом активно развиваются научные школы под руководством

таких выдающихся российских ученых, как Бокерия Л.А, Баевский Р. М.,

Гельфанд И. М., Гуляев Ю. В., Рощевский М.П., Рубин А.Б., Самойлов А. Ф.,

Селищев С. В. и др., а также зарубежных ученых Noble D., Holter N.J., Рангайян

Р.М., de Luna A.В., Mandel W.J., Katz L., и др., которые внесли значительный

вклад в развитие СППР по прогнозированию и диагностике ССЗ.

Современные средства поддержки принятия решений на различных этапах

оказания кардиологической помощи реализуют алгоритмический подход

обработки и анализа регистрируемых данных, согласно которому все процессы в

сердце происходят по строгим правилам и для получения диагностических

сведений о его состоянии необходимо выполнить ряд последовательных

преобразований ЭКС. Такой подход не учитывает вероятностные и хаотические

закономерности, свойственные сложным динамическим системам. Поэтому

существующие методы требуют совершенствования учета латентных связей

между факторами ишемического риска при диагностике состояния сердца в

условиях свободной двигательной активности. Следовательно, для решения одной

из важнейших проблем современного здравоохранения - повышения качества

прогнозирования заболеваний сердца актуально создание методов поиска новых

предикторов ССЗ.

Научно-технической задачей исследования является разработка методов

прогнозирования ССЗ, основанных на автоматизации процесса анализа факторов

6

риска (ФР) ИБС и математических моделях, позволяющих формировать из этих

ФР решающие правила.

Цель работы. Повышение качества прогнозирования ишемических рисков

посредством разработки методов, моделей, алгоритмов и программного

обеспечения для интеллектуальной поддержки принятия решений врача-

кардиолога.

Для достижения поставленной цели необходимо решить следующие задачи:

- выбрать и обосновать пространство информативных признаков для

прогнозирования ишемической болезни сердца;

- разработать математические модели ишемических рисков для частных

решающих правил по вычислению коэффициентов уверенности для

формирования решений в дублирующих классификаторах;

- разработать структурно-функциональную схему принятия решений по

прогнозу ишемических рисков с дублированием решений и ассоциативным их

выбором;

- разработать модули классификаторов в дублирующих каналах и алгоритм

ассоциативного выбора наиболее подходящего решения;

- разработать программное обеспечение для реализации классификаторов в

дублирующих каналах автоматизированной системы прогнозирования

ишемической болезни сердца;

- провести апробацию предложенных методов, моделей и алгоритмов для

автоматизированной системы прогнозирования ишемической болезни сердца в

клинических условиях.

Научная новизна. В диссертации получены следующие результаты,

характеризующиеся научной новизной:

- в результате разведочного анализа получено пространство информативных

признаков, состав которого был минимизирован с использованием методов

экспертного оценивания, статистической меры Кульбака в сочетании с моделью

Г. Раша теории измерения латентных переменных и методом группового учёта

7

аргументов, отличающееся использованием трёх групп предикторов,

оценивающих различные уровни регулирования сердечно-сосудистой системы,

что позволяет синтезировать надёжно работающие решающие правила с

минимальным набором исходных данных;

- математические модели прогнозирования возникновения и оценки степени

тяжести ишемической болезни сердца, отличающиеся агрегацией специфических

признаков и интегральных показателей, характеризующих различные стороны

функционирования сердечно-сосудистой системы, позволяющие обеспечивать

уверенность в принимаемых решениях при их совместном использовании на

уровне 0,9.

- метод оперативного контроля за динамикой развития ишемии сердца по

энергетическому разбалансу меридианных структур, отличающийся тем, что для

оперативной оценки функционального состояния и функционального резерва

сердца у пациентов с ишемической болезнью сердца используется анализ

динамических электрических характеристик биологически активных точек

меридиана сердца при электрических возмущающих нагрузках, позволяющий

оперативно и с высокой степенью точности контролировать развитие

ишемических процессов;

- метод дублирования решений с ассоциативным выбором, отличающийся

использованием трёх математических моделей, полученных по трём блокам

информативных признаков, и использованием трёх каналов принятия решения,

два из которых являются дублирующими, а третий – каналом ассоциативного

выбора, позволяющие построить автоматизированную систему прогнозирования

ишемической болезни сердца;

- алгоритм ассоциативного выбора решений, отличающийся

формированием обучающей выборки для классификатора дублирующих каналов

на основе результатов классификации дублирующих каналов на контрольной

выборке, позволяющий синтезировать классификатор дублирующих каналов.

8

Теоретическая и практическая значимость работы состоит в том, что

изложена технология синтеза дублирующих решений и ассоциативного выбора,

предназначенная для автоматизации процессов прогнозирования сердечно-

сосудистых заболеваний и ориентированная на врача-кардиолога и врача-

терапевта. Технология позволяет, используя блочную структуру гетерогенного

пространства информативных признаков, включающего как новые, так и

известные факторы ишемического риска, сформировать решающие модули

прогнозирования ишемической болезни сердца как на верхнем иерархическом

уровне в виде дублирующих решений, так и на нижнем иерархическом уровне в

виде математических моделей ишемического риска, построенных по трем блокам

информативных признаков. Разработанные математические модели, алгоритмы и

решающие модули составили основу построения автоматизированной системы

прогнозирования ишемических рисков, статистические и клинические испытания

которой показали целесообразность ее использования в практике

прогнозирования и профилактики ишемической болезни сердца.

Работа выполнена в рамках федеральной целевой программы

«Исследования и разработки по приоритетным направлениям развития научно-

технологического комплекса России на 2014 - 2020 годы» («Проведение

прикладных научных исследований в области биоинформационных технологий»,

уникальный идентификатор прикладных научных исследований (проекта)

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 прошли испытания в

отделении медицинской реабилитации клинического научно-медицинского

центра «Авиценна», г. Курск.

9

Методы исследований. Для решения поставленных задач использовались

методы: теории биотехнических систем медицинского назначения,

математической статистики, теории управления, математического моделирования,

теории нейронных сетей, теории нечетких множеств. При разработке

нейросетевых моделей и модулей нечеткого логического вывода в качестве

инструментария использовался MATLAB 2008b с графическим интерфейсом

пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic

Toolbox.

Положения, выносимые на защиту. 1. Пространство информативных

признаков для классификации ишемических рисков, отличающееся

использованием трёх групп предикторов, оценивающих различные уровни

регулирования сердечно-сосудистой системы, позволяет синтезировать надёжно

работающие решающие правила с минимальным набором исходных данных; 2.

Метод оперативного контроля развития ишемии сердца по результатам анализа

динамических электрических характеристик биологически активных точек

меридиана сердца при электрических возмущающих нагрузках позволяет

оперативно и с высокой степенью точности контролировать развитие

ишемических процессов; 3. Метод дублирования решений с ассоциативным

выбором позволяет повысить диагностическую эффективность

автоматизированной диагностики ишемических рисков на 10…16% по сравнению

с известными методами; 4. Алгоритм ассоциативного выбора решений в

дублирующих каналах позволяет повысить диагностическую эффективность

автоматизированной диагностики ишемических рисков на 8% по сравнению с

принятием решений в отдельных дублирующих каналах.

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

10

правил по прогнозированию ишемических рисков согласуются с ранее

опубликованными экспериментальными данными по теме диссертации.

Основные теоретические положения и научные результаты

диссертационной работы докладывались, обсуждались и получили

положительную оценку на 15 Международных, Всероссийских конференциях,

конгрессах и семинарах: «Современные информационные технологии в

управлении качеством» (Пенза – 2016); «Лазерно-информационные технологии в

медицине, биологии, геоэкологии и транспорте», (Новороссийск –2017, 2018);

«Актуальные вопросы биомедицинской инженерии» (Саратов – 2017);

«Актуальные вопросы неврологии и соматоневрологии» (Пенза – 2017);

«Актуальные направления научных исследований XXI века» (Воронеж – 2017);

«Медико-экологические информационные технологии» (Курск – 2017, 2019);

«Перспективы и технологии развития в области технических наук» (Нижний

Новгород – 2018); «Современные направления развития управления, экономики и

образования» (Пенза – 2018); «Физика и радиоэлектроника в медицине и

экологии» (Владимир–Суздаль – 2018); Proceedings of articles the III International

scientific conference. Czech Republic, Karlovy Vary - Russia, Moscow, 2018;

«Международный Славянский конгресс по электростимуляции и клинической

электрофизиологии сердца (Санкт-Петербург-2018); «Мотивационные аспекты

физической активности» (Великий Новгород – 2019); «Теоретические и

прикладные вопросы науки и образования» (Тамбов – 2019); на семинарах

кафедры биомедицинской инженерии ЮЗГУ (Курск – 2016-2019).

Публикации. Основные результаты диссертационного исследования

отражены в 19 научных работах, из них 3 статьи в ведущих рецензируемых

научных журналах.

Структура и объем работы. Диссертация состоит из введения, четырех

разделов, заключения и списка литературы, включающего 136 отечественных и 36

зарубежных наименований. Работа изложена на 148 страницах машинописного

текста, содержит 52 рисунка и 14 таблиц.

11

1 Аналитический обзор и постановка задачи на исследование

1.1 Анализ современных подходов к прогнозированию сердечно-

сосудистых осложнений

Прогнозирование заболеваний кардиологических больных использует в

различные методы: инструментальные и лабораторные исследования,

неинвазивные и инвазивные исследования, биологические маркеры и т.д.. По мере

развития медицинской науки вносятся коррективы в используемые подходы,

которые развиваются и углубляются. Важнейший задачей клинической практики

является количественная оценка ранних и отдаленных рисков у конкретных

больных. У пациентов с высоким риском проводится интенсивное лечение. При

низком риске сердечно-сосудистых осложнений (ССО) процесс лечения может

быть избирательным, позволяя экономить медико-технические ресурсы. В

современной медицинской литературе можно найти большое количество

информации, которая помогает врачам оценивать степень риска ССО и выбирать

рациональную тактику лечения больных с ишемической болезнью сердца (ИБС)

[8, 9, 83, 92].

Известные методы оценки степени риска ССО используют множество

инвазивных и неинвазивных методов, выявляющих пациентов с максимальным

риском летальных исходов от ССО. Современная медицина располагает рядом

методов ранней и оценки степени риска ССО как в условиях клиники, так и при

амбулаторном наблюдении [94].

Прогнозированной диагностике ИБС посвящены достаточно много

отечественных и зарубежных работ, однако, врачи кардиологи продолжают

активно работать в исследуемой области с учетом появления новой

диагностической техники, и инновационных технологий проведения лечебно-

оздоровительных мероприятий. В современной медицине при типовом течении

12

ССО добросовестно собранный анамнез при внимательном физикальном

обследовании с критическим анализом получаемых данных позволяет

обеспечивать правильный диагноз ИБС более чем в 80% случаев. Отсюда следует,

что при диагностике ИБС использование дорогостоящих инструментальных

методов исследования следует ориентировать на выявление патологии у 20%

пациентов, у которых клиническая картина течения не соответствует

классическим картинам. Ситуация сильно изменяется, если соответствуют

решается задача оценки степени тяжести патофизиологического процесса. Точная

информация о тяжести протекания ССО необходима при прогнозировании

заболевании и выборе оптимальной тактики лечения.

В настоящее время в клинической кардиологии выделяют [27, 28, 31, 103,

106, 112]: методы использования электрической активности миокарда; методы

оценки механической активности; интроскопические методы исследования,

методы оценки перфузии миокарда; методом неинвазивной визуализации

коронарных артерий. Основная проблема использования перечисленных методов

заключается в том, что региональные нарушения в работе сердца возникают

раньше, чем они становятся заметными при электрокардиографических и

клинических исследованиях [111].

В клинической практике используют различные методы прогнозирования

рисков пациентов с ИБС: тесты с физической нагрузкой: велоэргометрия,

тредмил-тест, стресс-тест с добутамином [7, 17, 103, 163, 165, 168]. Также

находят применение инвазивные методы диагностики, например

коронароангиография (КАГ) - проводимая с целью оценки состояния коронарных

артерий и коронарного кровотока, позволяющая давать качественные и

количественные характеристики пораженных сегментов артерий[27].

При решении задач прогнозирование неблагоприятных исходов ИБС

находит применение последовательная процедура А. Вальда, использующая

поэтапное раздельное определение прогностической значимости оценки

информативности выбранных показателей в отношении исследуемого конечного

13

результата. В этой процедуре проводится расчет диагностических коэффициентов

с созданием прогностических таблиц [18, 23, 83]. Мера информативности

определятся по известной формуле Кульбака:

10 lg( / ) 0,5 ( )I PA PB PA PB , (1.1)

где РА и РВ – частоты встречаемости признака в группах, различных исходов А и

В, (наличие повторных ИМ, повторная госпитализация и т.д.) [46, 85].

Достоверность отличий в группах, различным исходом, оценивается по

критерию Стьюдента [3].

В работах [6, 34, 37, 42, 48, 122] приводится таблица информативных

признаков построенная с использованием формулы Кульбака (таблица 1.1).

Таблица 1.1 – Информативность признаков в отношении исходов ИБС

14

Продолжение табл. 1.1

Диагностические коэффициенты (ДК), приведенные в таблице 1.1,

позволяют сравнить используемые факторы риска (ФР) по их роли в оценке

исходов заболевания. Кроме того, по данным таблицы 1.1 можно оценить

вероятность трех исходов для пациента.

Пациенты, сумма диагностических коэффициентов которых равна или

превышает +13, относятся к классу высокий риск неблагоприятных исходов, а

пациенты с суммой ДК -13 имеют невысокий риск неблагоприятных исходов.

Пациенты с 13ДК13 находятся в зоне неопределенного прогноза с

заданным уровнем достоверности. Для них рекомендуется проведение

дополнительных исследований.

15

1.2 Методы прогнозирования и диагностики, применяемые в

медицинской практике

В настоящее время в медицинских компьютерных системах используется

большое количество методов прогнозирования и распознавания образов.

Считается, что значительное число их “хорошо” работает при структуре данных

удовлетворяющей ограничениям, присущим выбранным математическим

моделям [18, 23, 29, 33, 40, 41, 69]. В этих работах структура данных (классов)

понимается в смысле геометрической конфигурации точек-объектов в

пространстве признаков [64, 67, 69]. С учетом этого при выборе

соответствующего метода распознавания образов рекомендуют в начале получить

хотя бы предварительную информацию о структуре классов решаемой задачи [64,

65, 68].

Выбор типа математических моделей для решаемой задачу

прогнозирования и диагностики является достаточно сложной и зависит от

многих разнородных факторов: от типа используемых шкал, структуры данных,

объема обучающих выборок, точности «указаний» учителя и т.д. [60, 62, 67, 69,

70].

В практике построения медицинских компьютерных систем большая доля

задач формулируется с эмпирических (эвристических) правил. В результате

формируются наборы некоторых суждений, устанавливающих принадлежность

исследуемого объекта к исследуемому классу состояния. Решающие правила в

этом варианте строятся на правилах четкого или нечеткого вывода, которые

получают с использованием литературных данных, обобщающих многолетний

врачебный опыт, с участием высококвалифицированных экспертов [6, 76, 144,

166].

При использовании вероятностного задания признаков и классов, изучается

возможность и целесообразность построения оптимальных “решателей” на основе

16

функций плотности вероятности с получением надежных оценок априорной

вероятности. Объект относят к тому классу, у которого выше значение плотности

в искомой точке пространства описания.

Следует иметь в виду, что на практике плотность распределения

вероятностей определить очень сложно, а иногда и не возможно в силу медико-

технологических ограничений, поэтому создают таблицы экспериментальных

данных (ТЭД) относительно небольшого объема (обучающие выборки) с

установленной классификацией. По этим выборкам восстанавливают или

оценивают функции плотностей вероятностей, с построением искомых решающих

правил [21, 23].

При решении такой задачи используют многочисленные алгоритмы. Из

всего алгоритмического разнообразия в медицинской практике при

геометрической интерпретации задач распознавания наиболее часто используют

три типа алгоритмов: локальной оценки плотностей; задания типа разделяющих

функций; интерактивные системы распознавания. Анализ специальной

литературы и собственные исследования показал, что “надежно” работающие

модели и алгоритмы можно получить, если формальные построения

соответствуют структуре данных решаемой задачи.

В работах [23, 29, 40, 41] было показано, что задачи состояния оценки

здоровья, включая состояния ССС, обладают рядом особенностей, значительно

затрудняющих синтез формальных моделей принятия решений: различную

разнородность структуры классов и признаков, недостаточность статистического

материала; наличие казуистических объектов; ошибки в описании объектов

исследования и др.. Для учета этих “сложностей” в работах [23, 29, 40, 41]

рекомендуют использовать аппарат изучения структуры классов с генерацией

гипотез о предпочтительных типах решающих правил. В анализе данных таким

аппаратом является вычислительный эксперимент. Для решения задач

классификации и диагностики вычислительный эксперимент, реализуемый

диалоговыми интерактивными системами распознания (ДСР). В таких системах

17

диалог ориентирован прежде на анализ структуры многомерных данных с

выбором соответствующих методов и алгоритмов обработки данных [23, 28, 40,

60].

В ДСР сложной и плохо формализуемой задачей является задача изучения

структуры классов, решаемая путем отображения многомерных данных в

наблюдаемые, чаще всего в двухмерные пространства. При этом человек

наблюдает структурные особенности изучаемых данных, сделать

соответствующие предположения, выдвигает гипотезы, а лучшие решения

определяет стратегию решения задач синтеза правил принятия решений [60, 69].

При этом, следует иметь ввиду, что способы отображения не должны искажать

информацию о возможности надежной классификации. При построении

отображающих пространств наибольшее распространение получили следующие

подходы:

1. Оси координат отображающего пространства пониженной размерности

выбираются в пространстве признаков [1, 2].

2. Оси координат отображающего пространства не связаны с исходными

признаками (развертки) [35, 40].

3. Методы многомерного шкалирования [1, 2, 10, 41].

Широкое практическое применение находит процедура уменьшения

размерности известная как метод анализа главных компонент [1, 2]. Иногда для

отображения многомерных данных применяют нелинейные методы [35, 40, 41]

1.3 Компьютерные технологии прогнозирования и диагностики в

медицинской практике

Современный этап прогнозирования средств вычислительной техники в

здравоохранении характеризуется несколькими направлениями. Основное

18

направление связано с построением экспертных систем для оценки состояния

здоровья с использованием данных клинического анамнеза и данных

инструментальных и лабораторных исследований. При этом большинство

экспертных систем ориентированы на решения ограниченного круга задач в

конкретной медицинской области [18, 19, 23, 33].

Второе направление связано с автоматизированным анализом медико-

биологических сигналов. Примерами таких систем являются:

автоматизированный кардиокомплекс КАД; прикладные программы

автоматизированной обработки ДЕКАРТО-ЭКГ, система анализа ЭЭГ

НЕЙРОВИЗОР, монитор-кардиоанализатор, анализатор электрореосигналов

РЕОВИЗОР и др. [37].

Алгоритмы обработки биологических сигналов решают задачу нахождения

информативных признаков (ИП) исследуемых сигналов, их математическую

обработку с отображением и т.д.. Некоторые из этих систем способны

формировать квалифицированное заключение с объяснением хода своих

решений. Для решения задач прогнозирования и диагностики ИБС применяют

теории распознавания образов, в которых в качестве ИП используются величины

миокардиальных повреждений, механическую активность левого желудочка и т.д.

[19, 20, 22, 36, 38, 46].

Высокой информативностью в задачах прогнозирования ССО обладают

методы диагностики функционального состояния миокарда, реализуемы с

использованием 2-3 размерной эхокардиографии. Хорошие результаты получают

при эхокардиографическом анализе при разложении эхокардиограммы в ряд

Фурье, что позволяет оценивать региональное стенное движение и с цветовым

кодировванием параметров потока крови в коронарных сосудах [146] ‚ известны

работы по оценке степени стенозирования коронарных артерий методом

регистрации эхокардиограмм в исходном состоянии и после воздействия

фармакологическими средствами [149]. В работе [148] описана обработка 2-

мерных эхокардиограмм с оценкой механической активности миокарда. Большое

19

количество работ посвящено применению ультразвукового исследования сердца и

допплеровской эхографии для прогнозирования возникновения ИБС [148, 151].

Множество отечественных и зарубежных исследователей для решения задач

прогнозирования и медицинской диагностики используют искусственные

нейронные сети (НС). При этом в прикладном значении используются два

способа реализации НС: программная и аппаратная модель. На современном

рынке изделия, основанные на использовании механизма действия НС,

преимущественно используются в виде нейроплат. На плате размещены

процессор цифровой обработки сигналов и оперативная память, что позволяет

использовать такую плату для реализации НС, содержащих до десяти тысяч

нейронов. Основными коммерческими аппаратными изделиями на основе НС

являются и, вероятно, в ближайшее время будут оставаться нейро-СБИС.

Подавляющее число используемых в исследованиях нейрокомпьютеров

представляют собой персональный компьютер или рабочую станцию, в состав

которых входит дополнительная нейроплата. Однако наибольший интерес

представляют специализированные нейрокомпьютеры, непосредственно

реализующие принципы НС.

При всей универсальности и инструментальной мощности систем

распознавания и прогнозирования, основанных на современных аппаратных и

программных реализациях НС, имеются определенные трудности,

препятствующие их повсеместному распространению в решении различных

медико-технических задач:

1. Высокая стоимость как нейрокомпьютеров, так и разработки решающих

правил, синтезируемых методами нейроматематики.

2. В процессе разработки моделей, методов и систем на базе современных

нейрокомпьютеров заведомо сужается круг пользователей данной работы‚ не

обладающих требуемой инструментальной мощью, что особенно актуально в

задачах медицинской диагностики.

20

Поэтому наиболее вероятно, что в ближайшее время при создании систем

поддержки принятия решения, решающих определенный круг диагностических и

прогностических задач, ведущей методологией останется теория распознавания

образов и математическое моделирование, реализованные в диагностических и

прогностических алгоритмах планирования процессов лечения [60, 126, 127, 128].

1.4 Нечеткие модели принятия решений в медицинских

диагностических системах

Одним из перспективных подходов к построению систем поддержки

принятия решений (СППР) в медицине является использование нечеткой логики

принятия решений, основоположниками нечеткой логики являлись Л. Заде и Е.

Шортлиф [43, 44, 45, 58, 68, 144, 166].

Классическим примером СППР с нечеткими решающими правилами

является экспертная система MYCIN [144, 166], разработанная Е. Шортлифом.

База знаний этой системы использует нечеткие продукционные правила (ПП),

множества предпосылок, описывающих медицинские ситуации и множества

действий, предрекаемых в ответ, на удовлетворительные предпосылки:

ЕСЛИ <предпосылки> ТО <действия>. (1.3)

Каждое правило имеет свой коэффициент уверенности (КУ), с областью

определения от 0 до 1, который определяет достоверность заключения эксперта.

При одинаковых направлениях рассуждений по двум правилам, но с

разными значениями КУ, объединенное правило усиливает уверенность двух

правил с КУ1 и КУ2:

2121 КУКУКУКУКУ . (1.4)

21

Если система не достигает требуемого уровня КУ, она запрашивает

дополнительную информацию по пациенту.

В работе [32] рассматривается механизм нечеткого вывода на основе

упорядочения по важности признаков, участвующих в диагностическом выводе.

Для упорядочивания нечетких рассуждений использует для этой цели текущую

меру обоснованности (доверия) для каждой из исследуемых гипотез.

Коэффициент уверенности как текущая мера доверия определяется

выражением:

КУ(Z|S) = МД(Z|S) - МНД(Z|S), (1.5)

где КУ(Z|S) – уверенность в гипотезе Z с учетом свидетельств S, МД(Z|S) – мера

доверия Z при учете свидетельств S, МНД(Z|S) – мера недоверия к Z с учетом S.

В основе использования правила (1.4) лежит предположение о том, что два

дополняющих друг друга свидетельства усиливают доверие к проверяемой

гипотезе увеличивая степень истинности. При этом, несколько свидетельств,

одного направления не должны полностью компенсированы свидетельством,

указывающим в сторону альтернативной гипотезы.

При КУ равном -1 принимается решение об абсолютной лжи, а при +1 - об

абсолютной истине, принимая все промежуточные значения, ноль означает

полное незнание.

Для уточнения МД и МНД, используют накопительную формулу вида:

МД(Z|S, s) = МД(Z|S) – МД(Z|s)(1 – МД(Z|S)), (1.6)

где запятая между S и s означает, что s следует за S. Аналогичную формулу

используют для расчета МНД.

При использовании выражения (1.6) эффект нового свидетельства (s) при

оценке гипотезы Z при известных свидетельствах S смещает МД в сторону

большей определенности на расстояние, определяемое новым свидетельством.

22

Формула (1.6) определяет свойством симметричности, поскольку порядок

следования S и s не имеет значения при оценке гипотезы Z.

В работах [144, 146] указывается, что МД и МНД не являются

вероятностными мерами, однако, они позволяют упорядочить гипотезы в

соответствии с той мерой обоснованности, которую им сообщает медицинские

эксперты.

В работах Л. Заде реализуется другой подход к синтезу нечетких

динамических правил на основе функций принадлежности с построением на их

основе правил нечеткого вывода [43, 44, 45, 58, 62, 64, 68, 76, 78].

В нечеткой теории множеств (ТНМ), применяемой в медицинских системах,

элемент может частично принадлежать к любому множеству. Степень

принадлежности к множеству А, представляющая собой обобщение

характеристической функции, называется функцией принадлежности µА(х),

причем µА(х) [0,1]. Значение функции принадлежности, вычисленное для

конкретных задач Х, называется степенью или коэффициентом принадлежности.

Степень может быть определена явным образом в виде функциональной

зависимости, или дискретно – заданием конечной последовательности типа:

.)(

,...)(

,)(

)(2

2

1

1

n

n

х

х

х

х

х

хХА

(1.7)

В ТНМ, кроме числовых переменных, используют лингвистические

переменные с приписываемыми им значениями - термами.

На основе функций принадлежности строят нечеткие правила логического

вывода со структурой «если – то», которые могут быть использованы для

решения задач прогнозирования и медицинской диагностики. Правило типа «если

– то» называют нечеткой импликацией:

если X это А, то Y это В, (1.8)

23

где А и В – это лингвистические значения идентифицированные нечетким

способом через соответствующие функции принадлежности для переменных Х и

Y.

Типичным представителем нечеткой медицинской системы является

программная оболочка FUZZY EXPERT, разработанную для проектирования

экспертных систем на базе нечеткой логики [144]. Оболочка решает задачи сбора,

хранения и использования знаний, полученных от медицинских экспертов, Она

состоит из двух основных частей: программной среды, для создания экспертных

систем и собственно экспертной системы.

Структура системы FUZZY EXPERT изображена на рисунке 1.1. FUZZY

EXPERT содержит 16 программных блоков, 8 блоков составляют экспертную

систему, а остальные блоки, - среду для разработки экспертных систем.

Рис. 1.4. Структурная схема программного обеспечения FUZZY EXPERT

Рисунок 1.1 – Структурная схема программного обеспечения FUZZY EXPERT

24

Построение экспертной системы производится с выполнением следующей

последовательности действий:

1. Определяются характеристики системы.

2. Формируются деревья логического вывода. Дерево логического вывода

формируется последовательным выполнением операций с добавлением и/или

удалением узлов. При добавлении узла запрашивается информация о названии,

обозначении, количестве термов и их названиях. При добавлении узла,

описывающего входную переменную, запрашивается информация о диапазоне ее

изменения. Пример дерева логического вывода приведен на рисунке 1.2.

Рис.1.5. Дерево логического вывода

Рисунок 1.2 – Скриншот дерева логического вывода

3. Определение функций принадлежности лингвистических термов.На этом

этапе определяются функции принадлежности. На рисунке 1.3 приведен пример

соответствующего диалогового окна.

25

Рис.1.6. Задание функций принадлежности

Рисунок 1.3 – Задание функций принадлежности

4. Определение экспертных правил ЕСЛИ-ТО, которые вносятся в матрицы

знаний (рисунок 1.4).

5. Настройка нечеткой экспертной системы путем решения задач

оптимизации с использованием обучающей выборки.

Ввод значений входных переменных при выполнении расчетов

осуществляется в количественной или качественной форме (рисунок 1.5).

В результате нечеткого логического вывода получаются функции

принадлежности выходной переменной по каждому из классов решений.

Соответствующее диалоговое окно содержит так же интерпретированный

результат.

26

Рис.1.7. Матрица знаний

Рисунок 1.4 – Матрица знаний

Рис.1.8. Ввод значений входных переменных

Рисунок 1.5 – Ввод входных переменных

27

В качестве конкретного примера рассмотрим реализацию разработанной на

кафедре БМИ ЮЗГУ системы дифференциальной диагностики ИБС. В этой схеме

тяжесть ИБС определяется на нескольких уровнях:

d1 - нейроциркуляторная дистония (НЦД) легкой степени;

d2 - НЦД средней степени;

d3 - НЦД тяжелой степени;

d4 - стенокардия первого функционального класса;

d5 - стенокардия второго функционального класса;

d6 - стенокардия третьего функционального класса.

Решение принимается в следующем пространстве информативных

признаков:

x1 -возраст больного (31-57 лет),

x2 -двойное произведение (ДП) пульса на артериальное давление

ЧСС*АД/100 (147…405 условных единиц - у.е.),

x3 -толерантность к физической нагрузке (90…1200 кгм/мин),

x4 -прирост ДП на один кг веса тела больного (0,6…3,9 у.е.),

x5 -прирост ДП на один кГм нагрузки (0,1…0,4 у.е.),

x6 -аденозинтрифосфорная кислота АТФ (34,5…66,2 ммоль/л),

x7 -аденозиндифосфорная кислота АДФ (11,9…29,2 ммоль/л),

x8 -аденозинмонофосфорная кислота АМФ (3,6…27,1 ммоль/л),

x9 -коэффициент фосфорилирования (1…5,7 у.е.),

x10 -максимальное потребление кислорода на один кг веса тела больного

(10,5…40,9 млитр/мин кг),

x11 -прирост ДП в ответ на субмаксимальную нагрузку (46…312 у. е.),

x12 -коэффициент отношения содержания молочной и пировиноградной

кислот (3,9…22,8 у.е.).

Задача диагностики состоит в сопоставлении значениям параметров одного

из решений: ( 1,6)j

d j .

28

Параметры

1 12x x рассматриваются как лингвистические переменные, с

которыми добавляются лингвистические переменные типа:

d - опасность ИБС, которая измеряется уровнями 1 6

d d ; y -

инструментальная опасность, которая зависит от параметров2 3 4 5 10 11

{ , , , , , }x x x x x x ;

z - биохимическая опасность, которая зависит от параметров 6 7 8 9 12

{ , , , , }x x x x x .

Структура модели для дифференциальной диагностики ИБС приведена на

рисунке 1.6

Рис.1.9. Дерево логического вывода

Рисунок 1.6 – Дерево логического ввода

Анализ литературных данных и наши исследования показывают, что

существует множество методов и средств позволяющих решать задачи

прогнозирования и медицинской диагностики. Их анализ показал, что системы,

решающие поставленные в работе задачи в полном объеме, отсутствуют

29

1.5 Постановка задачи на исследование

Основываясь на анализе современного состояния проблемы можно сделать

вывод, что в настоящее время сложились все необходимые методологические

предпосылки для решения задачи по построению автоматизированных систем

прогнозирования ишемических рисков. В тоже время, нами не обнаружено четких

критериев решения данной задачи, что и стало основанием для формирования

цели исследования.

Анализ ряда современных работ, посвященных методам изучения факторов

риска ИБС позволил сформулировать ряд специфических требований, которым

должна удовлетворять соответствующая автоматизированная система

диагностики ишемического риска.

1. Учитывая, что результаты тестирования требуются непосредственно в

реальном времени, анализ сигналов и данных так же должен осуществляться в

реальном времени, а классификация и диагностика - по мере формирования

входных диагностических переменных в процессе эксперимента.

2. В реальных медико-биологических исследованиях довольно сложно

учесть весь спектр факторов, влияющих на исходное значение уровня

ишемического риска. В этой связи необходимо обеспечить расширение

диагностических возможностей известных детерминистских моделей, например,

привлекая аппарат нечетких множеств, позволяющий работать в условиях

неопределенности, как на уровне признакового описания, так и на уровне

диагностических заключений.

В связи с вышеизложенным, целью работы является повышение качества

прогнозирования ишемических рисков посредством разработки методов, моделей,

алгоритмов и программного обеспечения для интеллектуальной поддержки

принятия решений врача-кардиолога.

30

Исходя из перечисленных требований, при разработке автоматизированной

системы прогнозирования ишемических рисков с целью улучшения качества и

точности были поставлены следующие задачи:

- выбрать и обосновать пространство информативных признаков для

прогнозирования ишемической болезни сердца;

- разработать математические модели ишемических рисков для частных

решающих правил по вычислению коэффициентов уверенности для

формирования решений в дублирующих классификаторах;

- разработать структурно-функциональную схему принятия решений по

прогнозу ишемических рисков с дублированием решений и ассоциативным их

выбором;

- разработать модули классификаторов в дублирующих каналах и алгоритм

ассоциативного выбора наиболее подходящего решения;

- разработать программное обеспечение для реализации классификаторов в

дублирующих каналах автоматизированной системы прогнозирования

ишемической болезни сердца;

- провести апробацию предложенных методов, моделей и алгоритмов для

автоматизированной системы прогнозирования ишемической болезни сердца в

клинических условиях.

Таким образом, результаты аналитического обзора показали, что, несмотря

на большой и хорошо апробированный арсенал методов и средств

прогнозирования сердечно-сосудистых заболеваний, в распоряжении врача

находятся весьма ограниченные, в смысле доступности и трудоемкости, средства

для скрининга риска и мониторинга эффективности профилактических

мероприятий ишемической болезни сердца. Учитывая высокий уровень

заболеваемости этой патологией в сочетании с высокой инвалидизацией и

летальностью ее осложнений, развитие компьютерных технологий

прогнозирования риска и осложнений ишемической болезни сердца позволит

решить актуальную задачу практического здравоохранения.

31

2 Разработка интеллектуальных агентов и моделей прогнозирования

возникновения и развития ишемии сердца

2.1 Структурный анализ и синтез признакового пространства для

математических моделей прогнозирования и развития ишемии сердца

Одной из важнейших задач прогнозирования и медицинской диагностики

является выбор списка ИП, адекватно описывающих исследуемые классы

состояний. Для определения ССО, в частности, ИБС, используют хорошо

исследованный и достаточно обширный пул информативных признаков и

функциональных проб. Например, в [67, 110, 111] их предложено более

шестидесяти. По совокупности различных публикаций, признаков, которые могут

быть использованы для решения поставленных задач, насчитывается более сотни.

С учётом сказанного, на первом этапе выбора состава ИП, пользуясь

общепринятым подходом к тестированию СППР, была сформирована группа

высококвалифицированных экспертов в составе 8 человек, согласованность

действий которой проверялась по коэффициенту конкордации на тестовых

заданиях [69]. По правилам, принятым в квалифицированной экспертной группе,

ориентируясь на рекомендации работ [16, 24, 38, 46, 50], отобраны более 100

признаков.

Анализ многочисленных работ и собственные исследования показали, что

задачи медицинского прогнозирования относятся к классу плохо формализуемых

задач с плохо определяемыми классами состояний. Экспертное оценивание и

разведочный анализ по структуре данных в пространстве признаков, выбранных

медицинскими экспертами, показал, что решаемые в работе задачи так же

относится к классу плохо формализуемых задач. Опыт решения задач с похожей

структурой данных, приобретённый на кафедре биомедицинской инженерии

ЮЗГУ, показал, что при синтезе моделей принятия решений при такой структуре

32

данных приемлемые для медицинской практике результаты достигаются путем

использования методологии синтеза гибридных нечетких решающих правил,

изложенной в работах [62, 64, 65, 65, 66, 70, 71, 72, 73, 101].

В рамках этой методологии было показано, что в условиях недостатке

информативности для оценки и выбора ИП целесообразно использовать нечёткие

модификации методов группового учёта аргументов (МГУА) [67, 101], теорию

измерения латентных переменных [11, 47, 67, 100, 101, 102], экспертное

оценивание [67, 101].

С учётом важности решаемой задачи, стремясь обеспечить максимальное

количество принимаемых решений, эксперты выбрали три группы признаков,

позволяющих описывать различные аспекты риска ИБС: 1) данные опросов,

осмотров, лабораторных и инструментальных исследований; 2) параметры

компьютерных электрокардиологических исследований; 3) параметры,

характеризующие энергетические характеристики меридианных структур,

организации «связанных» с сердечно-сосудистой системой (ССС).

При выборе состава ИП прогнозирования риска появления и развития ИБС

эксперты исходили из выводов доктора А. Быкова о том, что ишемические

поражения чаще всего носят системный характер, при котором развитие

периферических ишемических осложнений несёт за собой ишемию центральной

гемодинамической системы. При этом происходит нелинейное взаимовлияние

систем друг на друга, приводящее к взаимоотягощению ишемических процессов,

вплоть до летального исхода [14, 15, 42, 84, 99, 119, 120].

С учётом сказанного и следуя рекомендациям [42, 119, 120] для решения

задачи прогнозирования возникновения ИБС были выбраны следующие

показатели: степень тяжести развития ишемического процесса в центральной

гемодинамической системе (ЦГС); показатель степени риска развития ИБС по

группе гемодинамических показателей (SR); показатель перикисного окисления

липидов (ПОЛ); показатель антиокислительной активности (АОА), показатель

степени риска появления и развития ИБС по энергетическому разбалансу

33

биологически активных точек (БАТ), «связанных» с заболеванием сердца (SRB);

уровень психоэмоционального напряжения (YP); уровень функционального

резерва (YF).

Показатель ЦГС определяется как комплексный параметр, учитывающий

нелинейные процессы периферической и центральной гемодинамики [13]. С

учётом нелинейных мультипликативных взаимосвязей для синтеза формулы

оценки ЦГС в соответствии с рекомендациями [67, 86] была предложена нечеткая

модель для алгоритма МГУА в результате чего было получено выражение [15]:

2

103000 20

а

i

САД С ЧСС АД КМВЦГС

АЧТВ

, (2.1)

где САД - систолическое артериальное давление (АД) в момент оценки

ишемического поражения ЦГС (мм.рт.ст.); ЧСС - частота сердечных сокращений

(удары в минуту); АД - разница систолического АД в момент оценкм

ишемического поражения ЦГС и 3 дня назад (мм.рт.ст.); АЧТВ – активированное

частичное тромбопластиновое время (в секундах); 2

аС - концентрация 2

аС в

крови, моль/л; КМВ – коэффициент межрегионального взаимодействия,

определяющий взаимное влияние на тяжесть ишемического процесса ЦГС

наличия ишемических процессов в сердце, головном мозге и нижних

конечностях; i

- весовой коэффициент, определяющий взаимовлияние

периферийных органов на ЦГС (для сердца i

=2,5).

Коэффициент межрегионального взаимодействия (КМВ) определяется

выражением:

ПАД ДРКМВ

ПОВД СБВО

(2.2)

34

где ПАД – пульсовое АД, мм.рт.ст.; ПОВД – постокклюзионное венозное давление

в конечности, мм.рт.ст.; ДР - диагностический резерв до и после пробы;

СБВО - % снижение объёма кровотока в базальной вене в ортостазе.

В соответствии с рекомендациями [15] в качестве показателей,

характеризующих гемодинамику сердца (SR) и определяющих риск развития ИБС

выбраны: Х1 - амплитуда Т-зубца; Х2 – смещение сегмента ST относительно

изоляции; Х3 – концентрация креатинфосфокиназы; Х4 – концентрация тропанит

Т.

Интегральный показатель SR в соответствии с рекомендациями [15, 42, 67,

119] определяется через функции степени риска развития ИБС fc (Xi) с такой же

областью определения, как и функции принадлежности. На рисунке 2.1

приведены графики функций степени риска развития ИБС с базовыми

переменными Х1, …, Х4.

Рисунок 2.1 – Функции степени риска развития ишемической болезни:

а) 1

( )c

f X ; б) 2

( )c

f X ; в) 3

( )c

f X ; г) 4

( )c

f X (начало)

-5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 Х1 (мм)

fc (X1)

0,15

0,06

а)

35

Рисунок 2.1 – Функции степени риска развития ишемической болезни:

а) 1

( )c

f X ; б) 2

( )c

f X ; в) 3

( )c

f X ; г) 4

( )c

f X (окончание)

Графики функций ( )c i

f X описываются аналитическими выражениями типа

1

1 1

1 1

1 1

1

0,06, 3

0,02 , 3 0

( ) 0, 0 3

0,05 , 3 6

0,15, 6

c

если X

X если X

f X если X

X если X

если X

(2.3)

-5 -4 -3 -2 -1 0 1 2 3 4 5 6

fc (X

2)

0,25

0,02

Х2

(мм)

0,19 б)

380 400 100 120 140 16

0 180 200 220 240 260 280 300 320 340 360 Х

3 (ед/л)

fc (X

3)

0,2

в)

Х4

(мкг/л)

fc (X

4)

0,25

0,1 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5

г)

36

2

2 2

2

2 2

2

0,19, 2

0,095 , 2 0( )

0,125 , 0 2

0,25, 2

c

если X

X если Xf X

X если X

если X

(2.4)

3

3 3 3

3

0, 180

( ) 0,0009 0,16, 180 400

0,25, 400

c

если X

f X X если X

если X

(2.5)

4 4

4

4

0,5 , 0 0,5( )

0,25, 0,5c

X если Xf X

если X

(2.6)

В соответствии с рекомендациями [15, 42, 67, 84, 119, 120] показатель

степени риска развития ИБС по группе гемодинамических показателей

определяется выражением:

1( 1) ( ) ( )[1 ( )]

c iSR i SR i f X SR i

, (2.7)

где 1

(1) ( )c

SR f X , i = 2, 3.

В соответствии с рекомендациями [15, 83] для построения функций

принадлежности к классу «высокий риск развития ИБС» - ИБС

по показателям

перекисного окисления липидов (ПОЛ) и антиокислительной активности (АОА) в

качестве базовых переменных определены величины отклонения ПОЛ и АОА от

их номинальных значений. То есть:

100%Н Т

П П

П Н

П

x xx

x

, 100%

Н Т

А А

А Н

А

x xx

x

, (2.8)

где Н

Пx и

Н

Аx - ПОЛ и АОА, измеренные на репрезентативной группе здоровых

людей; Т

Пx и Т

Аx - ПОЛ и АОА у обследуемого пациента.

37

Выбор информативных БАТ проводился в соответствии методикой,

предложенной в [20, 61, 63, 67, 74, 75]. Для определения риска развития ИБС

использовались БАТ, связанные с меридианом сердца (С1 … С9) [61, 74, 81].

В таблице 2.1 представлены динамические диапазоны электрических

сопротивлений в информативных БАТ и соответствующие им прогностические

оценки степени риска развития ИБС [32, 38].

Таблица 2.1 - Прогностическая таблица по группе БАТ

В этой таблице * обозначены БАТ, которые составляют группы признаков,

исключающих все «мешающие» ситуации – диагностически значимые точки

(ДЗТ) БАТ.

При построении таблицы использовались данные, полученные по

результатам наблюдения больных ИБС. Контрольная группа в количестве

шестидесяти человек наблюдалась в течение года. Объектами исследования

являлись пациенты с завышенным уровнем отклонения электрических

сопротивлений главных точек меридиана сердца от их контрольных значений.

Оценка электрического сопротивления БАТ производилась ежемесячно.

Пациенты даже с небольшим ростом сопротивлений главных БАТ (более 10% от

номинального значения) относились к классу «высокий риск развития ИБС». В

конце периода наблюдения у 90% отобранных испытуемых отмечались

начальные клинические проявления ухудшения деятельности ССС [67, 74, 83].

Анализ таблицы 2.1, показывает, что при значениях сопротивлений БАТ

ниже 60 кОм обеспечивается надежный прогноз возникновения и развития ИБС -

38

SRB. Расчет осуществлялся с использованием модифицированной формулы Е.

Шортлифа в соответствии с рекомендациями [15, 67]

( 1) ( ) [1 ( )]jr

SRB j SRB j K SRB j , (2.9)

гдеjr

K - коэффициент, определяющий степень риска, выбираемый по таблице 2.1

для точки j и интервала сопротивлений с номером r.

Оценку уровня YP и YF и идентичных показателей рекомендуется

проводить в соответствии с методикой, изложенной в [12, 47, 58, 67, 68, 83, 85,

110, 133, 134]. В соответствии с рекомендациями [11, 67, 100, 101] оценка

информативности выбранных экспертами количественных показателей ЦГС(1),

SR(2), ПОЛ(3), АОА(4), SRB(5), YP(6), YF(7) осуществлялась с использованием

нечёткой модификации модели Г. Раша [67, 100].

В таблице 2.2 показаны результаты ранжирования оцениваемых

переменных по критическим значениям критерия Пирсона (ChiSq Prob).

Таблица 2.2 – Ранжирование индикаторных переменных по ChiSq Prob

Числа последнего столбца (Prob) таблицы 2.2 показывают, что

индикаторные переменные (ФР) имеют показатель 2 0,05критич

Prob ,

следовательно, все они удовлетворяют модели Г. Раша.

В работе доктора А. Быкова [84] показано, что одним из полезных

показателей, используемых врачами для прогнозирования исхода ишемического

39

поражения сердца, и выбора рациональных схем профилактики и лечения

является показатель степени тяжести ишемического поражения сердца.

Для оценки степени тяжести ИБС эксперты предлагают использовать две

модели.

В основу первой модели положена таблица субъективных наблюдений за

интенсивностью болевого синдрома в сердце. Эта модель характеризуется

простотой получения исходной информации, но ее точность в значительной

степени определяется субъективной компонентой оценки болевого синдрома.

Вторая модель основывается на данных лабораторных и инструментальных

исследований и является более точной, но требует проведения соответствующих

медицинских исследований.

Для реализации первой модели используется: степень тяжести

ишемического поражения ЦГС – S1; время сегрегированной (ВС) критической

ишемии в месяцах – S2; интенсивность болевого синдрома сердца (баллы) – S3.

В работе [99] описан вариант оценки интенсивности болевого синдрома

сердца (ИБСС) и исследована таблица (таблица 2.3) бальных оценок, полученная

в соответствии с опросником, который позволяет практически в ежедневном

режиме осуществлять мониторинг состояния пациента [99].

Таблица 2.3 - Расчетная таблица оценки ИБСС

40

В этой таблице: ВИ – временной интервал; Y1 – боли за грудиной; Y2 –

одышка; Y3 – тахикардия, тахиаритмия; Y4 – ишемическое ремоделирование (ХСН,

ОКС, ИМ); Y5 – кардинальный имболический синдром.

Таблица 2.3 составлена экспертным, что понижает объективность

получаемых оценок.

В работе [99] для оценки величины S3 предложено использовать

математическую модель:

5

1

3

i

iYS , (2.10)

где Yi – величины баллов, выбираемых по таблице 2.3 для каждого из признаков.

Информативность выбранных показателей была подтверждена с

использованием интерактивного пакета RUMM 2020, реализующего методы

теории измерения латентных переменных [11, 67, 100, 101] и МГУА [67, 86].

Для второй модели оценка степени тяжести ишемического поражения

сердца в ходе разведочного анализа эксперты сформировали два блока признаков.

Оценка информативности этих блоков производилась при использовании теории

измерения латентных переменных с моделью и МГУА-алгоритмов: блок

признаков, характеризующих ЦГС, и блок, характеризующий региональную

гемодинамику сердца (РГС).

Блок ЦГС включает признаки вычисления величины ЦГС по формуле 2.1.

Блок РГС включает признаки вычисления величины: Х1 – амплитуда Т зубца; Х2 –

смещение сегмента ST относительно изолинии; Х3 – концентрация

креатинфосфокиназы; Х4 – концентрация тропанина Т.

Полученные количественные показатели и информативные признаки,

состав которых минимизирован с использованием модели Г. Раша и МГУА-

алгоритмов, на втором этапе исследований используются для синтеза

соответствующих решающих правил.

41

С учётом сформированных групп ИП и структур полученных данных, при

разработке автоматизированной системы по прогнозу ИБС используется

мультиагентная концепция поддержки принятий решений с тремя автономными

интеллектуальными агентами (АИА) на нижнем уровне. Каждый агент выступает

в качестве эксперта по риску ИБС с вынесением уверенности по трем группам

предикторов КУ1, КУ2, КУ3. Теоретические и практические основы построения

мультиагентных систем изложены в работах [126, 128, 129].

Структурная схема АИА нижнего иерархического уровня, предназначенных

для организации автоматизированной системы прогнозирования ИБС,

представлена на рисунке 2.2.

Класс риска

ИБС

Запись для обучения интеллектуальных агентов верхнего

уровня

Объект i

Группа

признаков 1

Группа

признаков 2

Группа признаков 3

Решение

КУ1

Решение

КУ2

Класс Поле 1 Поле 2

Поле 3

……

……

……

……

Решение

КУ3

Формирователь обучающих

выборок для интеллектуальных

агентов верхнего иерархического

уровня

Рисунок 2.2 - Структурная схема интеллектуальных агентов нижнего

иерархического уровня

Несмотря на то, что на выходе АИА присутствует число, тем не менее, это

нечеткая переменная, поэтому ее динамический диапазон лежит в интервале [0,

42

…, 1], а для АИА верхнего иерархического уровня эта числовая переменная

должна быть трансформирована в лингвистическую. Это достаточно гибкое

техническое решение, так как выходы АИА нижнего иерархического уровня

зависят от ряда факторов, например, полноты группы предикторов в текущем

эксперименте, условиям эксперимента (функциональная проба, рецидив

сопутствующего заболевания, и т.п.), которые могут быть учтены при построении

фуззификатора на выходе АИА нижнего уровня.

Схема включает три решающих модуля, на входы которых подаются ИП из

соответствующих групп, поученные от объектов с известным риском ИБС в

режиме обучения или от неизвестного образца в режиме классификации.

Используя формирователь обучающих выборок для АИА верхнего

иерархического уровня, строится таблица объект-признак для обучения

классификаторов верхнего иерархического уровня.

2.2 Синтез математических моделей прогнозирования ишемических

рисков на основе традиционных предикторов сердечно-сосудистых

осложнений

Как отмечалось в разделе 2.1 в соответствии с рекомендациями [62, 64, 65,

66, 70, 71, 72, 73, 101] в качестве базового математического аппарата

прогнозирования ишемии сердца была выбрана методология синтеза гибридных

нечетких решающих правил [62, 65, 66, 67, 70, 101], которая позволила получить

нечеткие математические модели прогнозирования ИБС и оценки степени

тяжести его ишемического поражения, обеспечивающие приемлемую для

медицинской практики точности принятия решений.

Для синтеза моделей прогнозирования и оценки степени тяжести

ишемического поражения сердца на протяжении пяти лет (2014 ... 2018 г.) в БМУ

43

«Курская областная клиническая больница» наблюдались 400 больных с

ишемическим поражением различных органов, включая сердце. В качестве

контрольной группы наблюдались 100 здоровых волонтеров.

В соответствии с общими рекомендациями метода синтеза гибридных

нечетких решающих правил в гетерогенном пространстве признаком задачи

прогнозирования решаются как задачи нечеткой классификации отнесения через

выбранное (Т0) время (через выбранные Тi) интервалы времени. Задачи нечеткой

классификации решаются в их классической трактовке [67, 101].

Синтез прогностических и диагностических решающих правил для

выбранного класса задач в соответствии с рекомендациями [62, 67]

осуществляется с использованием следующих основных этапов.

1. Выбранные (сформированные по рекомендациям квалиметрии)

экспертной группой признаки оцениваются по информативности с

использованием теории измерения латентных переменных (пакет RUMM 2020,

«RUMM Laboratory», Австралия).

2. Используя выбранные признаки как базовые переменные, определяются

функции степени выраженности ( )r i

f x

исследуемой характеристики r

или

функции принадлежности к предельным (наиболее критическим, тяжёлым и др.)

состояниям ( )r i

x

.

3. На основании информации о структуре данных выбирается агрегирующая

нечеткая модель (комплексная нечеткая переменная), характеризующая степень

выраженности исследуемого состояния

)(, irr xfFSVrr . (2.11)

4. На нечетких шкалах r

SV определяются функции принадлежности

к

искомым классам состояний ( )r

SV

. Решение о прогнозе, степени тяжести,

классе состояние и т.д. принимается по максимальным значениям функций

принадлежности, то есть:

44

)(max rSVR . (2.12)

5. По выбранным классам состояний разрабатываются алгоритмы выбора

базовых схем лечения

)( RFS qq , (2.13)

которые уточняются с использованием теории измерения латентных переменных.

6. Синтезируются правила коррекции схем лечения в зависимости от

текущих значение r

SV скорости иx изменения r

V и текущего класса состояния R

),,( RVSVFkS rrkqq , (2.14)

В соответствии с предложенной модификацией метода синтеза гибридных

нечётких решающих правил, ориентированной на оценку системного

ишемического поражения, для задачи прогнозирования ИБС по показателям ЦГС,

SR, ПОЛ, АОА, SRB, YP и FR (модели 2.1, 2.3, 2.4, 2.5) получены функции

принадлежности к классу ИБС

– «высокий риск развития ИБС» - ( )ИБС iS :

ЦГСS 1 ; SRS 2 ; ПОЛS 3 ; 4

S АОА ; SRBS 5 ; YPS 6 ; 7

S YF .

Графики этих функций приведены на рисунке 2.3.

а)

Рисунок 2.3 – Графики функций принадлежности к классу КС

с базовыми

переменными: а) ЦГС; б) – SR; в) - П

x (ПОЛ); г) - А

x (АОА); д) – SRB; е) – YP;

ж) – YF (начало)

0,3

2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 ЦГС

ИБС (ЦГС)

45

б)

в)

г)

д)

Рисунок 2.3 – Графики функций принадлежности к классу КС

с базовыми

переменными: а) ЦГС; б) – SR; в) - П

x (ПОЛ); г) - А

x (АОА); д) – SRB; е) – YP;

ж) – YF (продолжение)

0,25

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 SRB

ИБС (SRB)

0,9 1,0

0,15

10 20 30 40 50 60 АX %

( )АИБС X

0,2

10 20 30 40 50 60 ПX %

( )ПИБС X

В

А

0,45

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 SR

ИБС (SR)

0,9 1,0

46

е)

ж)

Рисунок 2.3 – Графики функций принадлежности к классу КС

с базовыми

переменными: а) ЦГС; б) – SR; в) - АX (ПОЛ); г) -

Аx (АОА); д) – SRB; е) – YP;

ж) – YF (окончание)

С учетом того, что все факторы риска отбирались экспертами таким

образом, чтобы отклонение каждого из них от номинального состояния

увеличивало риск развития ИБС, интегральный показатель степени появления и

развития риска исследуемой патологии оценивается модифицированной

формулой Е. Шортлифа [62, 67, 70, 101, 120]:

1( 1) ( ) ( ) 1 ( )ИБС iISR q ISR q S ISR q , (2.15)

где 1(1) ( )ИБСISR S ; 1

S ЦГС ; 2

S SR ; 3 П

S x ; 4 А

S x ; 5

S SRB ; 6

;S YP

7S YF .

В ходе математического моделирования и проверке на контрольной

выборке показано, что при пороге в 0,6 уверенность в правильном принятии

решения о развитии ИБС превышает величину 0,9.

Для синтеза первой модели оценки степени тяжести ИБС эксперты выбрали

признаки: степень тяжести ишемического процесса ЦГС (модель 2.1) – S1; время

0,25

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 YF

ИБС (YF)

0,9 1,0

0,2

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 YP

ИБС (YP)

0,9 1,0

47

сегрегированной критической ишемии нижних конечностей в месяцах (ВС) – S2;

интенсивность болевого синдрома сердца (баллы) (модель 2.6) – S3 [99, 120].

По выделенным блокам признаков эксперты выделили четыре класса

степени тяжести ишемического процесса сердца:

н – нормальное состояние;

л – латентное состояние;

р – реверсивное состояние;

к – критическое состояние.

В режиме диалога с использованием технологии экспертного оценивания

Делфи и алгоритмов, минимизации прогностических ошибок в соответствии с

методом синтеза нечетных гибридных решающих правил [62] определяются

четыре группы функций принадлежности ( )н j

S , ( )л j

S , ( )р j

S , ( )к j

S , к таким

классам , отражающим исследуемые степени тяжести как: норма (н); латентное

(л); реверсивное (р); критическое (к). Индекс j определяет номер информативного

признака (j = 1, …, 3).

Графики соответствующих функций принадлежности приведены на рисунке

2.4.

0.9

5 10 15 20 25

а)

)( 1Sн )( 1Sл )( 1Sр )( 1Sк

S1

)( 1S

0.6

2 3 4 5

б)

)( 2Sн )( 2Sр )( 2Sк

6 7

)( 2Sл

S2

)( 2S

0.4

5 10 15 20 25

в)

)( 3Sн )( 3Sл )( 3Sр )( 3Sк

S3

)( 3S

Рисунок 2.4 - Графики функций принадлежности к классам ( = н, л, р, к) с

базовыми переменными: а) – S1; б) – S2; в) – S3 (начало)

48

0.9

5 10 15 20 25

а)

)( 1Sн )( 1Sл )( 1Sр )( 1Sк

S1

)( 1S

0.6

2 3 4 5

б)

)( 2Sн )( 2Sр )( 2Sк

6 7

)( 2Sл

S2

)( 2S

0.4

5 10 15 20 25

в)

)( 3Sн )( 3Sл )( 3Sр )( 3Sк

S3

)( 3S

Рисунок 2.4 - Графики функций принадлежности к классам ( = н, л, р, к) с

базовыми переменными: а) – S1; б) – S2; в) – S3 (окончание)

Проведенные исследования показали, что учет каждого из отдельных

признаков увеличивает уверенность в классификации по каждому их выбранных

классов степени тяжести. С учетом этого, в соответствии с рекомендациями [67,

86] в качестве агрегирующего правила для оценки степени тяжести ишемического

поражения сердца 1ST было выбрано итерационное выражение вида:

11 ( 1) 1 ( ) ( ) 1 ( )

jST j ST j S ST j

, (2.16)

где = н, л, р, к; j = 1,2,3; 1

1 (1) ( )ST S .

Решение о классификации принимается по максимальному значению 1ST :

arg(max( 1 , 1 , 1 , 1 ))н л р к

ST ST ST ST . (2.17)

Экспертные оценки и математическое моделирование позволили сделать

вывод, что уверенность в принимаемом решении по моделям (2.17) превышает

величину 0,9.

49

Для второй модели оценка степени тяжести ишемического поражения

сердца используются показатели, определяемые для классов (н

, л

, р

, к

) с

использованием модели (2.1) и признаков Х1, …, Х4 (блок РГС).

Степень тяжести ЦГС `Ц

ST определяется выражением:

.8,9,0

;218,55,007,0

;8,0

`

ЦГСесли

ЦГСеслиЦГС

ЦГСесли

ST Ц , (2.18)

Для ИБС (признаки Х1, …, Х4) получены функции уровня тяжести ( )c i

f x

вида:

.6,06,0

;63,06,002,0

;30,0

;03,05,0

;3,15,0

)(

1

11

1

11

1

1

Xесли

XеслиX

Xесли

XеслиX

Xесли

Xfc

.1,19,0

;10,19,0

;02,125,0

;2,2,0

)(

2

22

22

2

2

Xесли

XеслиX

XеслиX

Xесли

Xf c

3

3 3 3

3

0, 180;

( ) 0,011 0,2, 180 400;

0,25, 400.

c

если X

f X X если X

если X

4

2

4 4

4 2

4 4

4

0, 0,1;

0,0125( 0,1) , 0,1 2,5;( )

0,15 0,0125( 5) , 2,5 5;

0,15, 5.

c

если X

X если Xf X

X если X

если X

50

Интегральный уровень тяжести ишемического процесса в сердце

определяется накопительной формулой вида:

)(1)()()1( 1 iUXfiUiU ciccc , (2.19)

где )()( 1XfiU cc .

С учетом влияния ишемического процесса в ЦГС на развитие ишемии,

получаем выражение оценки степени тяжести с учетом гемодинамики ЦГС:

ЦcЦcc STUSTUST . (2.20)

С учетом рекомендаций [67, 84, 119, 120] используя показатель c

ST как

базовую переменную, были получены функции принадлежности к искомым

классам состояний ( н , л , р , к ): )( cн ST , )( cл ST , )( cр ST , )( cк ST .

Графики описанных функций принадлежности приведены на рисунке 2.5.

0.95

0.1 STс 0.2 0.3 0.4 0.5 0.6 0.7 0.8

)( cр ST )( cл ST )( cк ST

0.9 1.0

)( cST

)( cн ST

Рисунок 2.5 - Графики функций принадлежности к степени тяжести ишемии

сердца

Решение о классификации (о принадлежности одному из классов ( = н,

л, р, к) принимаются по величине максимальной функции принадлежности. При

равенстве двух функций принадлежности по исследуемому органу (сердце)

принимается решение в пользу более тяжелой степени.

51

Уверенность в правильной классификации степени тяжести ишемии сердца

оценивается по величине выбранной функции принадлежности. В случае двух

ненулевых функций принадлежности врачу сообщается о величине уверенности

(по величинам ( )c

ST ) в обоих классах, что позволяют более гибко формировать

схемы профилактики и лечения.

В ходе математического моделирования и экспертизы по методу Делфи

было показано, что уверенность в правильной классификации с использованием

предлагаемых моделей составляет 0,95, что является хорошим результатом для

исследуемого класса задач.

2.3 Метод оперативного контроля за динамикой развития ишемии

сердца по энергетическому разбалансу меридианных структур

Предложенный метод оценки степени тяжести ишемии сердца требует

проведения лабораторных и инструментальных исследований, сопряженных с

определенными материальными и временными затратами. В то же время,

возможность оперативного и качественного контроля функционального состояния

и функционального резерва сердца с помощью дешевых и доступных средств

самим пациентом позволит своевременно увидеть отрицательные тенденции в

развитии ишемического поражения и предпринять необходимые адекватные

меры. С другой стороны такой механизм контроля позволяет оценить

эффективность проводимых лечебно–оздоровительных мероприятий.

Одним из эффективных оперативных и дешевых методов контроля

состояния различных органов и систем, включая ССС, является анализ

энергетического баланса меридианных структур организма [20, 61, 63, 74, 75].

В работах [61, 74, 107] показано, что для оценки энергетического баланса

(разбаланса) меридианных структур с целью оценки состояния контролируемых

52

органов и систем целесообразно использовать относительные отклонения

электрического сопротивления БАТ от своих номинальных значений j

R , где j -

номер БАТ, связанных с ССС. В работах [61, 74, 107] убедительно показано, что

хорошие метрологические показатели обеспечиваются при использовании

переменного измерительного тока частотой 1кГц при силе тока 2 – 5 mA.

Отличительной характеристикой БАТ является то, что на них выводится

информация о множестве диагнозов, синдромов и симптомов. Чтобы выделить

исследуемую патологию из информации, выводимой на БАТ, в работах [20, 61,

63, 74] предлагается выделять списки ДЗТ c выполнением условия:

ЕСЛИ {[Для] всех i

Y ДЗТ ] j пор

R R } ТО

[Вычислять уверенность ] ИНАЧЕ (Класс не определен), (2.24)

где Yj – имена идентификаторы БАТ из списка информативных точек; пор

R –

пороговая величина j

R , превышение которой свидетельствует о выполнении

гипотезы ; – последний класс состояний ( = ИБС).

В работах [81, 83] определены списки БАТ, связанных с исследуемым

заболеванием. Это точки меридиана сердца (C1, … , C9), сочувственная точка

меридиана сердца V15 и аурикулярные точки уха AР19, AР21, AР60, AР100,

AР105, AР115.

Для оценки информативной ценности этих точек, с точки зрения их

чувствительности и специфичности к ишемическому поражению сердца, была

сформирована группа из пациентов с различными стадиями ИБС, всего 45

человек. В течение года ежемесячно проводился контроль сопротивления БАТ с

фиксацией степени ИБС объективными методами контроля. Проводились

сопоставления степени тяжести ИБС с диапазонами сопротивлений, которые

кодировались цифрами от 1 до 5. К классу И

относились люди, у которых

изменения сопротивления БАТ соответствовало изменениям состояния ССС. К

классу О

(контрольная группа) относились относительно здоровые пациенты и

53

пациенты, у которых изменения сопротивлений не соответствовали патологии

ИБС. По выбранным классам ИБС определялась информативная мера Кульбака

электросопротивлений БАТ (таблица 2.4).

Таблица 2.4 – Оценка информативности БАТ по Кульбаку

54

Продолжение табл. 2.4

В эту таблицу 2.4 вошли БАТ с мерой информативности не менее 300,

причём значение информативности умножались на коэффициент

пропорциональности аналогично тому, как это было сделано в работе [107]. Из

таблицы 2.4 следует, что точки С3, C4, C6, C7, C8 и C9 (рисунок 2.6) отражают

работоспособность сердца и его состояние здоровья. Это их особенность

позволяет считать, что электрическое сопротивление характеризует

функциональное состояние сердца, которое в свою очередь характеризует

развитие ишемических процессов в сердце при установленном диагнозе ИБС.

Рисунок 2.6 – Топология БАТ меридиана сердца

55

В работах [61, 74] показано, что из множества данных, «выводимых» на

БАТ, искомая патология точно устанавливается, если наблюдается выход за

пределы пороговых значений П

jR сопротивления всех точек, входящих в

специально определяемый список ДЗТ. Алгоритм определения списка ДЗТ описан

в работах [61, 74]. Для ССС в список ДЗТ входит пара точек С7 и С9. Величину

П

jR эксперты, используя рекомендации [20, 74], установили на уровне 15% от

номинального значения (100 кОм).

При этом эксперты считают, что появление и увеличение разбаланса

свидетельствует об ухудшении функционального состояния, а уровень

функционального состояния UFS целесообразно определять по величине

электрического разбаланса точек из списка ДЗТ в совокупности с другими

информативными БАТ (таблица 2.4).

В соответствии с рекомендациями [61, 74] электрический разбаланс БАТ

будем определять по относительному отклонению сопротивления БАТ от

номинального значения j

R в процентах.

56

Для оценки величины UFS в соответствии с рекомендациями [74, 133]

введем понятие уровня функционального состояния (ФС) по каждой из

информативных БАТ, типовой график которого приведен на рисунке 2.7.

Рисунок 2.7 – Типовой график поведения функции UFSB(j

R )

Величины Fmax

для различных точек, в общем случае, различны, и

выбираются экспертами и корректируется в ходе экспериментальных

исследований с учетом того, что различные БАТ несут различную информацию о

состоянии ССС и имеют различные возможности характеризовать ФС ССС. Они

определяются экспертами с учетом того, насколько по одной точке можно судить

о снижении уровня ФС. Учитывая, что по одной точке нельзя делать вывод об

отсутствии возможности системой выполнять свою работу, эксперты считают, что

Fmin

˃ 0.

В соответствии с рекомендациями [74, 133] оценку величины уровня ФС

ССС по энергетическому разбалансу БАТ будем определять по формуле:

ЕСЛИ [δRC7 > 15%) И (δRC9 > 15%)] ТО {UFS(j + 1) = UFS(j) +

+ UFSB(δRj+1)[1 – UFSB(j)]} ИНАЧЕ (UFS = UFS*),

где UFS* – величина, характеризующая минимальное значение уровня ФС,

определённое по точкам из списка ДЗТ для оценки функционального состояния

Fmax

Fmin

UFSB ( jR )

jR 10 60 30 40 50 20 70 80 90 100

57

сердечно–сосудистой системы. Для сердечно–сосудистой системы UFS

* = 0,9;

UFS(1) = UFSB(δRC4); δR2 = δRC6; δR3 = δRC7; δR4 = δRC8; δR5 = δRC9.

Используя рекомендации [61, 74], эксперты построили графики функций

UFSB )(j

R , приведенные на рисунке 2.8.

а)

б)

Рисунок 2.8 – Графики уровней функционального состояния ССС с базовыми

переменными: а) 4С

R , б) 6С

R , в) 7С

R , г) 8С

R , д) 9С

R (начало)

0,3

0,2

UFSB(6CR )

)

6CR 10 60 30 40 50 20 70 80 90 100

0,3

0,2

UFSB(4CR )

)

4CR 10 60 30 40 50 20 70 80 90 100

58

в)

г)

д)

Рисунок 2.8 – Графики уровней функционального состояния ССС с базовыми

переменными: а) 4С

R , б) 6С

R , в) 7С

R , г) 8С

R , д) 9С

R (окончание)

0,6

0,2

UFSB(9CR )

)

9CR 10 60 30 40 50 20 70 80 90 100

0,7

0,2

UFSB(8CR )

)

8CR 10 60 30 40 50 20 70 80 90 100

0,7

0,2

UFSB(7CR )

)

7CR

ȡRc7

10 60 30 40 50 20 70 80 90 100

59

Приведенные на рисунке 2.7 графики аналитически описываются

выражениями:

4

4 4 4

4

0,3, 15% ;

( ) 0,0018 0,33, 15% 70% ;

0,2, 70% ;

C

C C C

C

если R

UFSB R R если R

если R

6

6 6 6

6

0,3, 15% ;

( ) 0,0018 0,33, 15% 70% ;

0,2, 70% ;

C

C C C

C

если R

UFSB R R если R

если R

7

7 7 7

7

0,7, 15% ;

( ) 0,014 0,91, 15% 50% ;

0,2, 50% ;

C

C C C

C

если R

UFSB R R если R

если R

8

8 8 8

8

0,9, 15% ;

( ) 0,02 1,2, 15% 50% ;

0,2, 50% ;

C

C C C

C

если R

UFSB R R если R

если R

9

9 9 9

9

0,6, 15% ;

( ) 0,0089 0,79, 15% 60% ;

0,2, 60% ;

C

C C C

C

если R

UFSB R R если R

если R

В работах [74, 133] было показано, что одним из признаков,

характеризующих устойчивость органов и систем к появлению и развитию

заболеваний, включая ССС, является соответствующий функциональный резерв,

который может быть определен по энергетической реакции БАТ на дозированное

электрическое возмущение.

С учетом особенностей исследуемого заболевания традиционно

используемую нагрузку предлагается заменить на электрическую нагрузку,

подаваемую как физический «противоток» естественному току энергии

меридиана сердца по методике, описанной в работах [81, 133]. С учетом

60

выбранных ДЗТ «противоток» энергии следует подавать на точки C3, C9.

Согласно рекомендациям [74, 133] в качестве тормозящей нагрузочной пробы

выбираются однополярные прямоугольные импульсы частотой 80 Гц с

регулируемой длительностью, заполняемые частотой 700 кГц амплитудой 2V.

Базовую переменную для оценки величины функционального резерва по

электрическому разбалансу БАТ предлагается определять по формуле:

0

0

UFS

UFSUFSZ

N (2.25)

где 0UFS – уровень оценки функционального состояния до нагрузки,

NUFS –

после нагрузки.

При этом, если 0UFS =

NUFS , то Z = 0. Такая ситуация соответствует

тому, что «тормозящие сигнал» не изменяют энергетику меридиана сердца, что

соответствует максимальной величине функционального резерва, оцениваемого

по энергетическому разбалансу БАТ. При NUFS =

minUFS

(minUFS = 0.2) величина функционального резерва минимальная.

С учетом этого эксперты построили график уровня функционального

резерва UFR приведенной на рисунке 2.9.

Рисунок 2.8 - График уровня функционального резерва

1

0,2

UFR (Z)

)

Z 0,3 0,2 0,1 0,4 0,5

61

Аналитически график, приведенный на рисунке 2.8, описывается

выражением:

12 ZUFR . (2.26)

По показателям UFS и UFR текущее состояние пациента с ИБС по

энергетике БАТ удобно в соответствии с рекомендациями [74, 133] оценивать

выражением:

SI UFS UFR UFS UFR . (2.27)

С учетом сказанного и с учетом индивидуальных особенностей энергетики

меридианных структур организма оценку динамики развития ИБС удобно

проводить, используя два показателя:

1 K TОD SI SI ; (2.28)

1

( )K T

K

SI SIОD

T

; (2.29)

где SIK – показатель SI, измеренный в контрольное время с измерением степени

тяжести ишемического поражения в клинических условиях по методу,

описанному в работах [15, 119, 120]; SIT – текущее измерение, ТK – время между

текущим и контрольным измерением.

Знак и величина параметров OD1 и OD2 характеризуют направление и

величину изменения состояния пациента с ИБС и служат врачам ориентиром при

выборе схем профилактики и лечения.

Достижения современной микроэлектроники позволяют создавать простые

и дешевые приборы для контроля измерения электрического сопротивления БАТ

и создания тормозящих электрических импульсов [69].

На рисунке 2.10 приведен вариант структурной схемы такого вычислителя

с использованием аналогово интерфейса типа AD5933 [69]. Электрическая

62

нагрузка на пациента осуществляется посредством усилителя тока (УТ),

подключенного к биообъекту (БО) посредством токовых электродов.

Рисунок 2.10 - Структурная схема прибора для контроля динамики импеданса в

БАТ

Измеряемый импеданс БАТ - ZX. подключён к генератору тока (ГТ)

посредством пары измерительных электродов. Измерительный ток для оценки

активной и реактивной составляющих ZX формируется внутренним генератором

микросхемы AD5933. Сопротивление R0 задает коэффициент передачи

внутреннего усилителя этой микросхемы. Тестовый сигнал формируется

внутренним генератором по команде с микроконтроллера (МК), который

включает усилитель тока и, через интерфейс I2C, перестраивает режим работы

внутреннего генератора аналогового интерфейса.

Микроконтроллер производит все необходимые вычисления, включая

расчет OD1 и OD2, сопровождая их текстовыми комментариями.

Отображение данных осуществляется жидкокристаллическим

индикатором (ЖКИ). Задания режимов работы и команд управления

осуществляет блок клавиатуры (БК).

AD8531

УТ

БО (ZX)

VOUT

RFB

R0

VIN

I2C

БК AD 5933

МК ЖКИ

к токовым электродам

(БО)

ГТ

63

2.4 Модели и алгоритмы для прогнозирования ишемической болезни

сердца на основе анализа электрокардиосигнала

В [172] было показано, что в процессе суточного мониторинга эпизоды

ишемии могут влиять друг на друга в зависимости от интервала времени между

ними. Для диагностики степени тяжести ИБС посредством анализа ЭКС вначале

классифицируются кардиоциклы на ишемические и не ишемические, затем

определяются ишемические окна, после чего выделяются ишемические эпизоды,

на основании анализа которых диагностируется ишемический риск [46].

Последовательность технологических операций при принятии решений о степени

тяжести ИБС представлена схемой алгоритма на рисунке 2.11.

В блоке 1 выполняется ввод дискретизированного ЭКС, Частота

дискретизации ЭКС выбрана равной 360 Гц. Блок 2 осуществляет фильтрацию

ЭКС от помех и наводок. На этом же этапе осуществляется удаление дрейфа

изолинии посредством высокочастотной фильтрации. В блоке 3 выполняется

сегментация ЭКС [46]. Характерные точки кардиоциклов в ЭКС и

морфологические признаки, на основании которых осуществляется

классификация кардиоциклов на ишемические и не ишемические , определяются

в блоке 4 [46].

В блоке 6, в соответствии с рекомендацией Европейского Общества

Кардиологии (ЕОК), ищутся интервалы ЭКС длительностью 30 с, в которых

ишемических кардиоциклов больше 75 %. Пороговое значение в 75% позволяет

исключить ситуации, в которых разделению кардиоциклов на ишемические и не

ишемические мешают помехи.

64

Предварительная

обработка

Вычисление

морфологических признаков

Классификация

кардиоциклов

Сегментирование

Начало

Конец

4

5

2

3

Классификация

ишемических окон

6

Определение

ишемических эпизодов

7

Электрокар-

диосигнал 1

Определяется степень

тяжести ИБС

8

Рисунок 2.11 - Схема алгоритма работы автономного интеллектуального агента

нижнего иерархического уровня по классификации риска ишемической болезни

сердца на основании анализа электрокардиосигнала

65

В блоке 7 определяют ишемические эпизоды. Ишемический эпизод

формируется из ишемических окон путем их объединения, если интервал между

ними меньше 30 с. На выходе этого блока выдаются границы ишемических

эпизодов в ЭКС [46], на основе анализа которых принимаются решения о степени

тяжести ИБС (блок 8), то есть, на основе их анализа вычисляется КУ3.

Точность классификации кардиоциклов на ишемические и не ишемические

определяет формулирование ишемического эпизода, поэтому для их выделения

целесообразно использовать НС. Использование искусственных НС (ИНС)

повышает достоверность классификации кардиоциклов ЭКС. На рисунке 2.12

представлен алгоритм классификации кардиоциклов на основе НС.

Формирование признакового

пространства

Классификация кардиоциклов

Начало

Конец

2

3

1 Набор информативных

признаков кардиоциклов

База знаний

4

5 Набор кардиоциклов

Рисунок 2.12 - Алгоритм классификации кардиоциклов на основе нейронных

сетей

66

Методы и алгоритмы предварительной обработки, выделения характерных

точек и вычисления ИП кардиоциклов ЭКС рассмотрены в [46]. На входе системы

классификации кардиоциклов подается набор ИП, вычисленных на основе

координат выделенных характерных точек электрокардиоцикла (блок 1).

Формирование признакового пространства выполняется блоком 2. ИП

вычисляются на основе морфологического анализа выделенных

электрокардиоциклов.

Блок 3 выполняет классификацию кардиоциклов ЭКС на основе выбранной

НС из базы знаний (БЗ). Блок 4 представляет собой БЗ, содержащую модели НС.

В итоге на выходе алгоритма (блок 5) получается двумерный массив Сij, где

переменная С1j определяет координаты начало кардиоцикла, в переменных С2j

записаны индексы принадлежности кардиоцикла С1j к ишемическому или не

ишемическому (0 – не ишемический, 1 – ишемический), i = [1, 2], j – номер

кардиоцикла в ЭКС [46].

После классификации кардиоциклов в ЭКС на ишемические и не

ишемические, осуществляется формирование ишемических окон. Алгоритм

формирования ишемических окон в ЭКС показан на рисунке 2.13.

На вход алгоритма подается массив Сij, в (блок 1). В блоке 2 анализируются

координаты границ ишемических кардиоциклов на тридцати секундном

интервале ЭКС (в соответствии с рекомендацией ЕОК). Количество кардиоциклов

в тридцати секундных интервалах зависит от ЧСС. Тридцати секундный интервал

ЭКС назовем окном. Окно может быть ишемическим или не ишемическим.

Классификация ишемических окон выполняется следующим образом

(вычисляем порог окна Y):

%,1002

1 V

VY (2.30)

где V1 – число ишемических кардиоциклов в окне, V2 – общее число кардиоциклов

в окне.

67

Начало

Конец

3

1 Ввод массива

Сij

Ишемическое ?

Определение границы

ишемического окна

4

5

Конец массива ?

Да

Да

Нет

Нет

Окно – последовательность значений индексов

кардиоциклов в интервале 30с; V1 – число ишемических кардиоциклов в окне;

V2 – общее число кардиоциклов в окне.

%75%1002

1 V

VY ?

j – номер кардиоцикла; C1j – координаты начала кардиоциклов;

C2j – индексы кардиоциклов:

ишемические/неишемические.

Формирование окна и

определение V1, V2

2

Набор границ

ишемических окон Кm,n

6

Рисунок 2.13 - Алгоритм выделения ишемических окон в электрокардиосигнале

Если Y> 75%, то окно считается ишемическим (блок 3). Границы окна

определяются на временных шкалах. Границы окна записываются в трехмерный

массив K. Каждый элемент массива является трехкомпонентным вектором, первая

компонента которого является идентификатором номера ишемического окна, а

две других компоненты – координаты левой и правой границ окна.

Классификация ишемических окон продолжается до тех пор, пока значение

текущей конечной границы окна меньше чем значение границы исследуемого

сигнала (блок 5). Таким образом, алгоритм рисунок 2.13 реализует продвижение

окна вдоль ЭКС с шагом равным одному кардиоциклу (величиной около одной

секунды) до конца ЭКС.

68

После классификации ишемических окон в холтеровском ЭКС выделяются

ишемические эпизоды. Схема алгоритма выделения ишемических эпизодов в

холтеровском ЭКС показана на рисунке 2.14.

i = 1;

j = 0

Начало

Конец

Набор границ

ишемических окон

K1, K2, m

i < m

К2i = К1i+1

Нет

Да

KK < 30

Да

Нет

j = j + 1

U = m - j

1

2

4

5

6

8

9

К1 – массив левых границ окон

К2 – массив правых границ окон

m – число ишемических окон

KK = K1i+1 - K2i

3

i = i + 1

7

Вывод числа ишемических

эпизодов

Счётчик ишемических эпизодов

Выбираем следующее ишемическое

окно

Рисунок 2.14 - Схема алгоритма выделения ишемических эпизодов в

холтеровском электрокардиосигнале

69

Сущность алгоритма состоит в том, что в цикле, организованном блоками 4

и 7, просматриваются координаты границ ишемических окон. Если координаты

границ ишемических окон отличаются менее чем на 30 с, то эти ишемические

окна объединяются (блок 4). Процесс просмотра ишемических окон ведётся до

последнего окна (блок 8).

На вход алгоритма подается трехмерный массив K, определяемый

посредством алгоритма рисунок 2.13. Алгоритм рисунок 2.14 анализирует

границы ишемических окон (двумерный вектор n с компонентами K1 и K2). Если

по результатам этого анализа интервал между смежными ишемическими окнами

меньше 30 с, то объединяются границы этих окон. В результате такого

объединения структура массива K не меняется, но изменяется число элементов

массива. Конечным выходом алгоритма являются модифицированный массив K.

Сущность модификации состоит в том, что по мере объединения ишемических

окон уменьшается число элементов массива. Число объединенных ишемических

окон накапливается в переменной j, а в конце алгоритма осуществляется пересчет

элементов массива K (блок 9).

2.5 Выводы второго раздела

1. В результате разведочного анализа получено пространство

информативных признаков для прогнозирования ишемических рисков, состав

которого был минимизирован с использованием методов экспертного оценивания,

статистической меры Кульбака в сочетании с моделью Г. Раша теории измерения

латентных переменных и метода группового учета аргументов, отличающиееся

использованием трёх групп предикторов, оценивающих различные уровни

регулирования сердечно-сосудистой системы, что позволяет синтезировать

70

надежные работоспособные решающие правила с минимальным набором

исходных данных.

2. Получены нечеткие математические модели прогнозирования

возникновения и оценки степени тяжести ишемической болезни сердца,

отличающиеся агрегацией специфических признаков, характеризующих

различные аспекты функционирования сердечно-сосудистой системы,

позволяющие обеспечивать уверенность в принимаемых решениях не ниже 0,9.

3. Предложена структурно-функциональная схема интеллектуальных

агентов нижнего иерархического уровня, построенная на основе трёх решающих

модулей, предназначенных для работы только с одной из групп выделенных

информативных признаков, каждый из которых характеризуется своей

математической моделью риска ишемической болезни сердца, позволяющая

формировать пространство информативных признаков для дублирующих каналов

автоматизированной системы прогнозирования ишемических рисков.

4. Разработаны две математические модели оценки степени тяжести

ишемической болезни сердца на основе субъективных суждений, состояния

центральной гемодинамической системы и региональной гемодинамики

динамики сердца, отличающиеся возможностью надежной классификации

четырех уровней тяжести ишемической болезни сердца (норма, латентное,

реверсивное и критическое состояния) с уверенностью в принятии решений для

первой модели 0,9 и по второй модели 0,95.

4. Разработан метод оперативного контроля за динамикой развития ишемии

сердца по энергетическому разбалансу меридианных структур, отличающийся

тем, что для оперативной оценки функционального состояния и функционального

резерва сердца у пациентов с ишемической болезнью сердца используется анализ

динамических электрических характеристик биологически активных точек

меридиана сердца при электрических возмущающих нагрузках, который

позволяет оперативно и с высокой степенью точности контролировать развитие

ишемических процессов.

71

5. Предложена математическая модель ишемического риска, основанная на

анализе ишемических эпизодов электрокардиосигнала, отличающаяся

алгоритмами выделения ишемических эпизодов из электрокардиосинала,

позволяющая формировать компоненты пространства информативных признаков

для дублирующих классификаторов автоматизированной системы

прогнозирования ишемических рисков.

72

3 Методы и модели структурно - функциональных решений при

прогнозировании ишемических рисков

3.1 Структурно - функциональная модель принятия решений для

дублирующих решениях и ассоциативном выборе

Для принятия решений по ишемическому риску (ИР) в разделе 2 были

предложены и исследованы три гетерогенных модели принятия решений,

построенные в различных сегментах информативных признаков. Первая модель

риска ИБС использует в качестве пространства ИП традиционные предикторы

риска ИБС (опросники врач-пациент, лабораторные исследования,

инструментальные исследования и т.д.). Вторая модель ишемического риска

построена на основе биоимпедансных исследований в БАТах, релевантных для

ССЗ. Третья модель риска построена на основе электрокардиологических

исследований и рассматривает их как одни из важнейших предикторов роста

риска ИБС. Каждая из этих моделей даёт на выходе коэффициенты уверенности

риска ИБС, которые являются нечёткими числами.

Этап дефуззификации, то есть преобразования нечетких коэффициентов

уверенности KУi в четкие номера классов Y в большинстве распространенных

систем реализуется с использованием критерия нечёткого «или»

1 1( .. ) arg(max( .. ))

n nf KУ KУ KУ KУ . (3.1)

Однако в ходе исследований было выяснено, что применительно к задаче

прогнозирования ишемических рисков данный подход обладает существенными

недостатками. Наиболее существенным недостатком является тот факт, что при

использовании данного принципа не учитывается величина разности между

полученными коэффициентами уверенности для разных классов. На основании

указанных фактов для повышения точности прогнозирования ИБС было принято

73

решение использовать метод дублирования принятия решений с ассоциативным

выбором. Сущность предлагаемого метода состоит в том, что решение

принимается на основе анализа решений двух независимых экспертов-

классификаторов, построенных на основе парадигм нейросетевого моделирования

и нечеткого логического вывода. Структурно функциональная схема модели

принятия решений по прогнозу рецидива ИБС представлена на рисунке 3.1.

Метод принятия решений, реализуемый представленной моделью,

отличается тем, что анализ классификаторов нижнего иерархического уровня

осуществляется посредством двух каналов, реализованных: на нейросетевой

модели и посредством блока нечеткого логического вывода (БНЛВ). Эти решения

поступают на схему квазинечёткого “ИЛИ”, посредством которой выбирается

наиболее подходящее решение.

«Решение1» принимает обучаемая НС. На ее входы подаются девять

лингвистических переменных, поступающих с трех фуззификаторов.

Фуззификаторы преобразуют четкие числа триады {KУ1, KУ2, KУ3} в

соответствующие термы лингвистических переменных. В данном модуле

используются три лингвистические переменные: Min, Med, Max. Значение этих

лингвистических переменных определяется по функциям принадлежности,

пример которых представлен на рисунке 3.2.

Построив фуззификаторы для трех моделей, настраиваем нейронную сеть

NET на обучающей выборки, представленной множеством 1 2 3X X X X .

Параллельно определяется «Решение2». Принцип прогнозирования риска в

нём основывается на схеме Шортлиффа [88].

Выбор из этих двух решений осуществляется посредством блока

управления бустингом (БУБ), который управляет мультиплексором

(квазинечётким «ИЛИ»), подключающим к выходу «Решение» выход NET или

выход БНЛВ.

74

Рисунок 3.1. – Структурно-функциональная схема модели принятия решений по прогнозу ишемического риска

X3

Модель

ПР1

Модель

ПР2

Модель

ПР3

NETZ

Фуззифи-

катор 2

Фуззифи-

катор 3

БУБ

X2

X1 Фуззифи-

катор 1

База

решающих

правил

Схема

Шортлиффа

ЛПР

База NET -

моделей

База

фуззификаторов

Му

льти

плек

сор

X1

X2

V

Решение 1

Решение 2

Решение

Квазинечеткое “ИЛИ”

КУ1

КУ2

КУ3

75

Рисунок 3.2. – Функции принадлежности для лингвистических переменных для

коэффициента уверенности i-ой модели

Таким образом, метод принятия решения заключается в определении трех

коэффициентов уверенности, полученных посредством трех моделей принятия

решения, реализованных АИА нижнего иерархического уровня (рисунок 2.2),

фуззификации этих коэффициентов и получении двух агрегированных решений

на основе выходов анализа фуззификаторов. Окончательное решение

принимается на основе анализа выходов трех моделей принятия решений. Но это

решение принимается не по риску ИБС, а по предпочтению решения одного из

двух каналов: «Решение 1» и «Решение 2».

Схема алгоритма принятия решений с ассоциативным выбором

дублирующих каналов представлена на рисунке 3.3. В блоке 1 вычисляются

коэффициенты уверенности по признаковым пространствам Х1, Х2, Х3, способы

формирования которых рассмотрены в подразделе 2.1. В блоке 2 реализуются

математические модели, согласно которым вычисляются коэффициенты

уверенности КУ1, КУ2 и КУ3, синтез которых рассмотрен в подразделах 2.2, 2.3 и

2.4. После выполнения этих процедур ЛПР оценивает значения КУ1, КУ2 и КУ3 и

1

KУi KУimax

MIN MED MAX

0,5

0

(KУi)

76

из базы фуззификаторов и базы нейросетевых моделей формирует каналы

«Решение 1» и «Решение 2».

Рисунок 3.3 – Схема алгоритма принятия решений с ассоциативным выбором

дублирующих каналов

Вычисление

векторов ИП Х1,

Х2, Х3

1

Получение КУ1, КУ2, КУ3 согласно

выбранным математическим

моделям

2

Начало

Выбор фуззифи-

катора для канала

1

3

Выполняет

ЛПР

Выбор модели

NET для канала 2

4

Фуззизикация КУ1,

КУ2, КУ3

5

Решение 1

6 Решение 2

7

Оценка предпочтения {КУ1,

КУ2, КУ3} дублирующих

каналов

8

Решение

9

Конец

Математичес

кие модели

раздела 2

Алгоритм

управления

бустинга

Выполняет

ЛПР

77

После построения дублирующих каналов осуществляется фуззификация

элементов множества {КУ1, КУ2, КУ3}. Согласно примеру на рисунке 3.2(в

примере используются только три терма) (блок 5). В блоках 6 и 7 получают

решения в дублирующих каналах, в блоке 8 выбирается предпочтительное

решение на основе ассоциативного выбора в блоке БУБ (рисунок 3.1), которое

выдаётся ЛПР в блоке 9.

3.2 Модель принятия решений с использованием нейронных сетей

Экспериментальные исследования, приведенные в [126, 128, 129],

показывают, что для корректной работы сети в качестве классификатора

достаточно наличие двух внутренних слоев с четырьмя нейронами в каждом из

них (рисунок 3.4).

Рисунок 3.4 - Структура нейронной сети, используемой в качестве

дефуззификатора

Для синтеза нейросетевого решающего модуля (НСРМ) было использовано

программное обеспечение (ПО) для настройки нейронных сетей прямого

распространения (НСПР), разработанного на кафедре БМИ ЮЗГУ [121].

Для разделения на два класса использовалась НСПР, интерактивное окно

для настройки которой показано на рисунке 3.5.

«Решение 1»

риск ИБС

A9

A2

A1

78

Рисунок 3.5 – Интерактивное окно для настройки нейронной сети модуля и

принятия решений

Для обучения НСПР использовались обучающие выборки, представленные

таблицами экспериментальных данных со структурой, показанной в таблице 3.1.

Таблица 3.1 – Структура данных для обучения НСПР

Обучающие и контрольные выборки загружались из файлов *.txt. Для

получения этих файлов необходимо использовать модели принятия решений (ПР),

полученные в разделе 2.

79

3.3 Модуль принятия решений по ишемическому риску на основе

нечеткого логического вывода

Данный решающий модуль строится на основе экспертных знаний.

Однако, на его входах присутствуют независимые переменные, полученные в

результате постпроцессинговой обработки “сырых” данных, что требует

использовать при его синтезе приемов, характерных для обучаемых

классификаторов. Наиболее перспективным способом решения поставленной

задачи является построение экспертной системы с набором «свидетельств»,

которые характеризовали бы принадлежность объекта наблюдения к

определенному классу. Причем различные свидетельства относятся к

компетенции различных экспертов. В конечном счете, каждый эксперт

анализирует некоторое множество косвенных признаков (индикаторных

переменных) и на основе их анализа делает заключение о принадлежности

объекта наблюдения (латентной переменной «риск ИБС») к некоторому

интервалу на соответствующей шкале.

За основу построения модуля нечеткого логического вывода (МНЛВ) взята

схема Шортлиффа, описанная в [88]. Основу этой модели составляют ПП типа

if Антецедент then Гипотеза with CF, (3.2)

где if, then, with – ключевые слова-разделители; Антецедент – формула,

построенная из факторов или гипотез с помощью операций конъюнкции,

дизъюнкции или отрицания при этом операнды в этой формуле лежат в диапазоне

0…1; конструкция «Гипотеза with CF» - консеквент ПП R; Гипотеза ПП R – одна

из гипотез решающего модуля; CF – коэффициент уверенности ПП R.

Так как на входе МНЛВ всего лишь три лингвистических переменных,

которые могут принимают только три нечетких значения, то в базе решающих

80

правил в этом случае может находиться не более 27 ПП. Если число термов

больше трех (см. рисунок 3.2), то число ПП в базе может увеличиваться.

Так как в моделях принятия решений, формирующих KУi, могут

отсутствовать некоторые информативные признаки ввиду их недоступности в

настоящий момент, то в зависимости от их комплектности фуззификаторы и ПП

могут быть модифицированы. Поэтому у лица, принимающего решения (ЛПР),

есть возможность выбрать из базы данных фуззификаторы, наиболее подходящие

к текущей ситуации. При этом в базе решающих правил автоматически

активируются ПП, соответствующие этой конфигурации фуззификаторов.

В модели Шортлиффа набор операций и отношений над операциями

фиксирован (операции осуществляются только над двумя операндами):

),min( ba ; (3.3)

),max( ba ; (3.4)

( , )def

rge a b nop a ; (3.5)

( , )def

tms a b a b ; (3.6)

;0,0

;0),min(1

;0,0

),(

baприbaba

baприba

ba

baприbaba

bacmbdef

(3.7)

Косвенные признаки только подтверждают, но не опровергают гипотезу о

принадлежности латентной переменной к нечеткому интервалу. Поэтому они

последовательно включаются в ПП в произвольном порядке. Коэффициенты

уверенности ПП оцениваются экспериментально.

81

На рисунке 3.6 представлена схема обработки i-го ПП. Схема состоит из

четырех секторов. В секторе А вычисляется антецедент i-го ПП.

В секторе В сравнивается по А данным результат с пороговым значением.

Пороговое значение подбирается эмпирически в каждом подмножестве

косвенных признаков и зависит от максимального значения функции

принадлежности латентной переменной по данному подмножеству к данному

терму нечеткой шкалы. Если результат меньше порогового, то данное ПП не

участвует в формировании итогового коэффициента уверенности данного

«сильного» классификатора, то есть не приводит к изменению гипотезы H

. Если

результат больше порогового, то его нормируют (взвешивают) в секторе С в

соответствии с коэффициентом уверенности этого ПП посредством операции tms.

В секторе D принимают гипотезу H

в соответствии с (i + 1)- м ПП посредством

формулы (3.7).

Правило продукции i

антецедент

ППi

tms

rge ? cmb

Правило продукции i+1

Hi

Hi+1

Да

Нет

A

B

C

D

b a

Рисунок 3.6 – Обработка i-го продукционного правила

На рисунке 3.7 представлена схема алгоритма работы МНЛВ,

осуществляется ввод количества правил продукции, хранящегося в базе

решающих правил для гипотезы H

.

82

Рисунок 3.7 – Схема алгоритма работы модуля нечёткого логического вывода

Начало

H = 0 1

a

2

Ввод k

3

j =1, k 4

Ввод ПП j 5

ППj 6

Антицедент ППj = rge 7

rge > nop 8

tms (ППj, Hj) 9

H =cmb (j

, Hj)

10

Начало

H

11

Да

Нет

Да

Нет

83

В блоке 1 осуществляется подготовка итерационного процесса накопления

свидетелей в пользу гипотезы H

. В блоке 2 осуществляется ввод порогового

уровня антицедента. В блоке 3 вводят число правил нечёткой продукции.

В блоке 4 организуется цикл просмотра правил продукции для гипотезы

H

. Блок 5 осуществляет ввод текущего ПП, а в блоке 6 осуществляется

проверка принадлежности этого ПП гипотезе H

.

В блоке 7 вычисляется антецедент ПП согласно (3.5), в блоке 8 ПП

активируется в зависимости от результата сравнения с порогом. Если решающее

правило активировано, то осуществляется взвешивание его антецедента в блоке 9

в зависимости от его коэффициента уверенности j

H . В блоке 10 осуществляется

вычисление текущего значения коэффициента уверенности в гипотезе, а в блоке

11 выводится окончательное значение коэффициента уверенности по МНЛВ

классификатору.

3.4 Блок управления бустингом и алгоритмы его работы

Как было показано в разделе 3.1, для улучшения показателей качества

прогнозирования ИР в структурной функциональной модели принятия решений

используются два параллельных канала, что позволяет использовать технологию

бустинга. Каждый канал выдает свое решение по прогнозу ишемического риска

(ИР). Для того, чтобы выбрать лучшее из них, необходим блок управления

бустингом (БУБ), позволяющая осуществить такой выбор.

При построении БУБ необходимо учитывать, что принятие решений по ИР

осуществляется на основе коэффициентов уверенности КУ1, КУ2, КУ3,

поступающих с выходов математических моделей ИР, построенных во втором

разделе.

84

Для построения БУБ воспользуемся методологией обучаемых

классификаторов. Для построения обучаемого классификатора необходимо

построить таблицу “объект – признак”. В таблице 3.2 представлена структура

данных для БУБ.

Таблица 3.2 - Структура данных обучаемого классификатора для блока

управления бустингом

Таблица 3.2 показывает, что для каждого объекта из обучающей выборки

необходимо запомнить, какое решение из двух классификаторов

предпочтительно. Так как каждое сочетание {КУ1, КУ2, КУ3} уникально, то БУБ

должен быть построен на основе аппроксиматора, позволяющего выполнить

обобщение свойств множеств {КУ1, КУ2, КУ3} в окрестностях точек

четырехмерного пространства, принадлежащих обучающей выборки. Такое

обобщение можно сделать на базе радиальных или вероятностных НС [95, 131].

Однако при решении данной задачи прогнозировать структуру пространства

признаков очень сложно, так как оно само порождается моделями с неизвестной

адекватностью. Нерегулярность таких экспериментальных данных накладывает

определенные ограничения на использование классических НС, так как новые

наблюдения могут потребовать переобучение сети [30]. Поэтому в качестве БУБ

выбрана модель, которая позволяет неограниченно наращивать число

запоминаемых точек, то есть до минимума снижать размеры окрестности у

объектов обучающей выборки.

85

В одном из крайних (частных) случаев все точки четырехмерного

пространства {КУ1, КУ2, КУ3} – пространства (n + 1) можно разделить одной

гиперплоскостью (в данном случае имеем дело с двумя классами: “Решение 1

верно” и “Решение 2 верно”). Если это удастся сделать, то разделяющая

(дискриминантная) гиперплоскость f-f может быть найдена на основе алгоритма

линейного дискриминантного анализа Фишера (ЛДА) [1, 2]:

3КУw2КУw1КУw0КУw)3КУ,2КУ,1КУ,0КУ(f 3210*** , (3.8)

где KУ0 = 1; w0, w1, w2, w3 - весовые коэффициенты.

В соответствии с этим алгоритмом весовым коэффициентам присваивают

начальные (как правило, нулевые) значения, а затем последовательно

рассчитывается значения дискриминантной функции (3.8).

Если закодировать классы числами +1 и -1, то решение в БУБ для не

нулевого образца {KУ1*, KУ2

*, KУ3

*}

))3КУ,2КУ,1КУ,0КУ(f(signD *** , (3.9)

где sign – функция знака, равная +1 для положительных и -1 для отрицательных

значений аргумента.

Алгоритмы ассоциативного выбора решений заключается в следующем:

1. Формируется обучаемый классификатор, желательно построенный на

парадигме, отличной от парадигмы, используемых в классификаторах,

используемых в каналах «Решение 1» и «Решение 2».

2. Формируется контрольная выборка для классификаторов «Решение 1» и

«Решение 2».

3. По результатам классификации по контрольной выборке формируется

множество целей переменной ass:

,121

;2≥10

ii

ii

iddпри

ddприass (3.10)

86

где iii YDd 1 -1 , ,2-2 iii YDd iD - цель для i-го образца, iY1 - выход канала 1

для i-го образца, iY 2 - выход канала 2 для i-го образца.

4. Формируем новую обучающую выборку для классификатора

дублирующих каналов путем объединения множества { }iii КУКУКУ 3,2,1 и

множества iass , где элементы первого множества являются независимыми

переменными, а элемент второго множества являются множеством элементов

цели.

5. Настраиваем классификатор дублирующих каналов по обучающей

выборке 1 , 2 , 3i i i iКУ КУ КУ ass при Мi ,1= , где M – число образцов в

контрольной выборке, используемой для формирования множества (3.10).

За основу построения классификатора БУБ возьмем промежуточный

вариант, лежащий между запоминанием всех образцов и ЛДА. Предлагаемый

алгоритм базируется на построении множества локальных моделей линейного

вида, предложенных в [105].

Для аппроксимации пространства {KУ1, KУ2, KУ3, Y} используется

аппроксимирующая функция:

Y = F (КУ1, КУ2, КУ3), (3.11)

состоящая из суперпозиции функции вида:

0 1 2 3{ 1 2 3}i i i i

iZ a a KУ a KУ a KУ . (3.12)

В силу нелинейности (3.11) зависимости (3.12) строятся для некоторой

области i аргументов {KУ1i, KУ2

i, KУ3

i}, в которой с заранее установленной

погрешностью выражение (3.11) может быть адекватно приближению линейной

зависимости (3.12). Таким образом, задача построения БУБ сводится к

построению алгоритма кусочно-линейной аппроксимации нелинейной

зависимости в четырехмерном пространстве.

87

Набор аппроксимирующих функций строится последовательно, для

обучающих образцов, образующих в многомерном пространстве выпуклые

области (базовые элементы), а с поступлением новых наблюдений корректируется

в соответствии с алгоритмом, включающим следующую последовательность

действий:

1) на основе серии экспериментов определить первый базовый элемент в

пространстве данных и включить соответствующие ему точки в базу обучающих

образцов, то есть определяем четыре точки в пространстве (3.11) и строим

гиперчетырехугольник;

2) провести новый эксперимент и получить новые данные, следующую

точку в четырехмерном пространстве;

3) проверить условие попадания новых данных в область базовых

элементов;

4) если новые данные выходят за пределы области базовых элементов,

добавить их в базу обучающих образцов и сформировать новую совокупность

базовых элементов, расширяя, таким образом, область покрытия функции (3.11) и

перейти к п. 2 алгоритма;

5) если новые данные попадают в область базовых элементов, то провести

оценку адекватности базы обучающих образцов по новым данным;

6) если база обучающих образцов адекватна новым данным, то перейти к

п. 2 алгоритма;

7) если база обучающих образцов неадекватна новым данным, включить

их в базу и провести ее разбиение на новые базовые элементы с учетом этих

данных;

8) перейти к п.2 алгоритма и т.д. до обработки всей совокупности таблицы

«объект – признак» типа таблицы 3.2.

Так как данные таблицы 3.2 представляют собой точки в четырехмерном

пространстве, то для построения моделей (3.12) необходимо не менее четырех

таких точек. Для определения уравнения гиперплоскости используем одно из

88

уравнений множества (3.12). Из этого множества образуем базовые элементы,

которые назовем гиперчетырехугольниками, покрывающие область построения

модели (область, определяемую тремя первыми и последним столбцами таблицы

3.2). При добавлении нового образца из таблицы 3.2 необходимо проверить его

попадание в область базовых элементов уже созданных на основе

предшествующих данных таблицы 3.2. Существует несколько решений такой

задачи (методы трассировки луча; суммирование углов; подсчета числа оборотов

границы и др.) [5].

В диссертации используется упрощенный способ ее решения, который

базируется на свойстве выпуклых многоугольников [5]. Так, из рисунка 3.8 видно,

что если некоторая точка P0 не принадлежит к области, ограниченной выпуклым

гипермногоугольником P1, P2, P3, P4, то она всегда может быть разделена с ним в

пространстве линией (гиперплоскостью) f-f.

Рисунок 3.8 – Оценка принадлежности точки базовому элементу

Точка P0

1234 является проекцией некоторого экспериментального

наблюдения P0 на плоскость, проходящую через точки P1, P2, P3, P4. Координаты

проекции P01234 могут быть найдены по уравнению, списывающему

гиперплоскость P1, P2, P3, P4 (базовый элемент). Построение соответствующих

Y

KУ

f

f

P1

P3

P2

P4 P0

P01234

89

зависимостей хорошо разработано и может базироваться, например, на

применении метода наименьших квадратов [1, 2].

Для определения коэффициентов a0, a1, a2, a3, определяющих положение

четырехмерной плоскости, использовалась система уравнений:

0 1 2 3

2

0 1 2 3

2

0 1 2 3

2

0 1 2 3

1 2 3 ,

1 1 1 2 1 2 3 1 ,

2 1 2 2 2 3 2 ,

3 1 3 2 3 3 3 ,

ka a KУ a KУ a KУ Y

a KУ a KУ a KУ KУ a KУ KУ KУ KY Y

a KУ a KУ KУ a KУ a KУ KУ KY Y

a KУ a KУ KУ a KУ KУ a KУ KY Y

(3.13)

где k – количество экспериментальных наблюдений, через которые проведена

гиперплоскость (при использовании описанных выпуклых базовых элементов

применительно к системе (3.12) оно равно четырем). Если точка P0 не

принадлежит к классу точек {P1, P2, P3, P4}, то значения признаков (3.10) будут

иметь разные знаки.

При условии линейной разделимости точек P1, P2, P3, P4 и точки P0, что

справедливо для выпуклых базовых элементов, значения признака D будут иметь

разные знаки для класса точек P1, P2, P3, P4 и класса, содержащего точку P0.

Значение весовых коэффициентов в процессе обучения будут

корректироваться по формуле:

kДЕЙСТВТРnk

nk KУDDww )(1 , (3.14)

где wn

k и wn+1

k – значение коэффициента wk на n -м и (n+1)-м этапе обучения;

- мера обучения (число от 0 до 1, характеризующее скорость и точность

обучения); ТР

D и ДЕЙСТВ

D – требуемое и действительное значения

классификационного признака (например, требуемое значение для класса точек

P1, P2, P3, P4 – значение +1; для класса, содержащего точку P0, требуемое

значение: -1); КУk- значение координаты, соответствующей коэффициенту .k

w

90

При малом количестве точек, что характерно для решаемой задачи,

итерационные вычисления (3.14) сходятся очень быстро. В результате после

заранее заданного количества повторений классификация оказывается успешной

для всех точек обоих классов, если проекция P01234 располагается внутри базового

элемента.

Если наблюдение попадает за пределы области базовых элементов, его

добавляют в базу обучающих образцов и формируют новую совокупность

базовых элементов (рисунок 3.9). Так, при добавлении точки P0 в базу обучающих

образцов, содержавшую ранее точки P1, P2, P3, P4 и, соответственно, список

базовых элементов, содержащий единственный элемент P1P2P3P4, поступают

следующим образом.

Для добавляемой точки P0

в четырехмерном пространстве задачи находят

три ближайших к ней точек из базы обучающих образцов и соединяют ее с ними,

образуя новый базовый элемент (рисунке 3.8). Этот элемент заносят в

соответствующий список, который в соответствии с рисунком 3.3 станет

содержать два базовых элемента - P1P2P3P4 и P0P2P3P4.

Рисунок 3.9 – Иллюстрация формирования нового элемента

Если образец попадает в область одного из базовых элементов, то

проверяют адекватность этого базового элемента данному образцу. Получаем

Y

KУ

P1

P3

P2

P4

P0

91

новое наблюдение P0(KУ1

0, KУ2

0, KУ3

0, Y

0). При попадании его в область

базового элемента необходимо определить его расстояние d0 от соответствующей

этому базовому элементу гиперплоскости (образец в частном случае может

лежать и в ней). Величина такого расстояния является мерой адекватности

базового элемента текущему наблюдению.

Для нахождения расстояния d0

используется аппроксимирующая

зависимость (3.12), найденная путем решения соответствующей системы

уравнений (3.13).

Если для расстояния d0 выполняется условие:

0 0 0 0 0( 1 , 2 , 3 )d Y Y KУ KУ KУ , (3.15)

где 0Y - фактическое положение наблюдения в пространстве;

0 0 0( 1 , 2 , 3 )Y KУ KУ KУ - проекция наблюдения на гиперплоскость базового

элемента; - заранее принятая мера неадекватности модели экспериментальным

наблюдениям, то точка находится вблизи от гиперплоскости и соответствующий

базовый элемент адекватно описывает новое наблюдение. В этой связи добавлять

указанное наблюдение в базу обучающих образцов не имеет смысла, и

соответствующая точка исключается из рассмотрения (п.6 алгоритма).

Если проверка выявила неадекватность базы обучающих образцов новому

наблюдению, следует включить его в базу и провести ее повторное разбиение на

базовые элементы с учетом нового наблюдения (п.7 алгоритма).

Если 0d > , то базовый элемент P1P2P3P4 не адекватен нелинейной

зависимости (3.10) в области, ограниченной точками P1, P2, P3, P4 (рисунок 3.9).

Поэтому на поверхности отклика располагаем кроме образцов P1, P2, P3, P4, и

образец P0.

С этой целью для точки P0 в четырехмерном пространстве находят все

возможные комбинации из четырёх точек неадекватного базового элемента и

соединяют ее с ними, образуя, таким образом, четыре новых базовых элемента.

92

Эти элементы заносят в соответствующий список, из которого затем удаляется

прежний, неадекватный, базовый элемент.

Список, ранее включавший только элемент P1P2P3P4, после корректировки

станет содержать четыре базовых элемента – P0P1P2P4, P

0P1P3P4, P

0P1P2P3,

P0P2P3P4, а кусочно–линейная поверхность отклика станет иметь локальный

экстремум в точке P0.

Описанные операции алгоритма повторяются применительно ко всей

совокупности наблюдений или до получения удовлетворительного результата

работы обученной программы. При этом в ее памяти сохраняются списки базовых

элементов, а также уравнения, описывающие элементы.

Использование обученной программы для решения практических задач

сводится к многомерной интерполяции данных, когда для заданного набора

аргументов 000 3,2,1 KУKУKУ требуется определить значение выходной

переменной 0Y .

В этом случае программой просматривается список базовых элементов и

проверяется условие попадания текущего набора аргументов внутрь одного из

элементов. Значение выходной переменной 0Y находится из уравнения,

описывающего соответствующий элемент.

3.5 Выводы третьего раздела

1. Разработана структурно-функциональная модель принятия решений по

прогнозу ишемического риска, включающая два канала дублирующих решений,

отличающихся третьим каналом ассоциативного выбора решений, позволяющая

выбрать лучший вариант из двух классификаторов риска, построенных на

различных парадигмах.

93

2. Разработан метод и алгоритм дублирования решений с ассоциативным

выбором, отличающийся использованием трёх математических моделей,

построенных на трёх блоках информативных признаков, и использованием двух

дублирующих каналов с ассоциативным выбором, построенных в интерактивном

режиме на основе показаний результатов моделирования, позволяющих

построить автоматизированную систему прогнозирования ишемической болезни

сердца.

3. На основе программной оболочки, разработанной на кафедре

биомедицинской инженерии ЮЗГУ, разработано алгоритмическое и программное

обеспечение для синтеза нейросетевых моделей канала «Решение 1» и для

нечёткого логического вывода канала «Решение 2».

4. Разработан алгоритм ассоциативного выбора решений, отличающийся

формированием обучающей выборки для классификатора дублирующих каналов

на основе результатов классификации дублирующих каналов на контрольной

выборке, позволяющий синтезировать классификатор дублирующих каналов.

5. Разработан ассоциативный классификатор дублирующих каналов,

отличающийся формированием базовых элементов в пространстве [{КУ1, КУ2,

КУ3}+1] с последующим их альтернативным наращиванием посредством

использования линейного дискриминантного анализа Фишера, позволяющий

осуществить альтернативный выбор дублирующих решений.

94

4 Экспериментальные исследования автоматизированной системы

прогнозирования ишемических рисков

4.1 Структурная схема автоматизированной системы прогнозирования

ишемических рисков

Структурная схема автоматизированной системы прогнозирования ИР

приведена на рисунке 4.1.

Рисунок 4.1 - Структурная схема автоматизированной системы прогнозирования

ишемического риска

База

математических

моделей риска

ИБС

95

Отличительной особенностью предлагаемой автоматизированной системы

является то, что она позволяет синтезировать множество математических моделей

АИА нижнего иерархического уровня, построенных на трех автономных блоках

ИП таким образом, что отсутствие некоторых признаков в том или ином блоке

приводит только к изменению коэффициента уверенности по выбранной гипотезе

на выходе АИА. Автоматизированная система имеет три канала независимых

решений, причем решения по выбранной гипотезе принимаются в двух

независимых каналах, а в третьем канале принимается решение по

предпочтительности решений, предлагаемых первыми двумя каналами. Канал

«Решение 1» построен на парадигме нейросетевого моделирования, а канал

«Решение 2» построен на парадигме нечеткой логике принятия решений. ЛПР

может варьировать ФР и ИП в соответствующих информационных блоках, а

также выбирать из соответствующих баз данных наиболее подходящие

решающие модули в каналах принятия решений по прогнозированию ИР. ЛПР

также представляется селектировать процесс обучения по конкретному ФР,

например, пол, возраст, курение и т.д. путем модификации соответствующих

обучающих выборок. Таким образом, ЛПР может формировать модели принятия

решений «под себя».

Схема алгоритма работы автоматизированной системы прогнозирования

ИБС приведена на рисунке 4.2. Работа ЛПР с системой в режиме поддержки

принятия решений начинается с ввода исходных данных об обследуемом (блок 1).

На следующем шаге ЛПР выбирает то ССЗ, степень риска которой необходимо

определить (ишемический риск, ИМ, повторный ИМ).

В зависимости от наличия средств функциональной диагностики и

предпочтений ЛПР в блоке 3 формируется пространство информативных

признаков на основе “сырых данных”, которые доступны ЛПР.

96

Выбор

дифференцируемых

патологий

Выбор математических

моделей АИА нижнего

иерархического уровня

Выбор моделей

нейронных сетей и

нечеткого логического

вывода

Формирование

пространства

информативных

признаков

Начало

Конец

4

5

2

3

Ввод

данных

1

Ввод

дополнительных

факторов риска

6

Запуск

модели?

7

Вывод класса

риска

8

Продолжить

исследование?

9

CASE 10

нет

да

нет

4

3

2

1

да

Риск атеросклероза,

ИБС, ИМ

4-ввести дополнительные факторы

риска

3-выбор моделей классификатора

“Решение 1” и “Решение 2”

2-изменить модели АИА

ишемического риска

1-изменить диагностическую

патологию

Рисунок 4.2 - Схема алгоритма работы автоматизированной системы

прогнозирования ишемической болезни сердца

97

В зависимости от текущей структуры пространства информативных

признаков и предпочтений ЛПР, ЛПР выбирает математические модели для АИА

нижнего иерархического уровня(блок 4).

В зависимости от исследуемой патологии, выбирается соответствующие

модели решающих модулей в каналах «Решение 1» и «Решение 2» (блок 5). При

необходимости, ЛПР включает в процесс исследования дополнительные ФР,

которые могут быть получены путем комплексирования уже используемых или

дополнительных ИП (блок 6). Дополнительные ФР должны быть адаптированы к

выбранным математическим моделям АИА и моделям принятия решений в

каналах «Решение 1», «Решение 2». В блоке 8 ЛПР предоставляется класс риска

исследуемого заболевания.

Если ЛПР не устраивают результаты тестирования, то используются ветви

«необходимо дальнейшее исследование». Четыре ветви в блоке 10 дают

возможность ЛПР модифицировать процесс принятия решений. Ветвь 4 позволяет

ЛПР поменять структуру данных в решающих модулях. Ветвь 3 позволяет ЛПР

изменить модели принятия решений в каналах дублирующих решений. изменить

модели решающих модулей в каналах дублирующих решений (ветвь 3 блок 10).

Для изменения математических моделей в АИА нижнего иерархического

уровня служит ветвь 2 блока 10. Ветвь 1 блока 10 позволяет ЛПР переключится на

исследование риска других ССЗ.

4.2 Программное обеспечение для автоматизированной системы

прогнозирования ишемической болезни сердца

При разработке программного обеспечения автоматизированной системы

прогнозирования ИБС в качестве инструментария использовалась среда Маtlab

(2008b) со встроенными пакетами Neural Network Toolbox и Fuzzy Logic Тооlbox.

98

Математические модели прогнозирования ИБС используют три группы ИП, каждая

из которых соответствует свой решающий модуль, формирующий посредством

АИА нижнего иерархического уровня соответствующий КУ. Для реализации

автоматизированной системы для прогнозирования ИР разработаны следующие

программные продукты.

4.2.1 Модуль автоматизированного анализа электрокардиосигнала

Модуль автоматизированного анализа электрокардиосигнала (МААЭ)

разработан для выполнения автоматизированного анализа ЭКС, на основе

которого осуществляется прогноз ИР АИА, работающим с третьей группой ИП.

Графический интерфейс указанного модуля представлен на рисунке 4.3.

Рисунок 4.3 - Графический интерфейс модуля автоматизированного анализа

электрокардиосигнала

99

МААЭ позволяет импортировать исходные данные (отсчеты

дискретизированного ЭКС) из внешнего файла в форматах «.txt» или «.mat».

Исходный файл содержит две группы данных и имеет структуру двумерного

массива. Первый элемент массива содержит координаты отсчета ЭКС в секундах,

а второй – величину отсчета ЭКС в вольтах.

МААЭ выполняет следующие процедуры:

- выполнение сегментирования кардиоциклов в ЭКС согласно методу

морфологического преобразования, рассмотренному в [80];

- выполнение классификации кардиоциклов на ишемические и не

ишемические и определение границ ишемических окон и ишемических эпизодов;

- визуальное отображение ЭКС и границ выделенных кардиоциклов,

ишемических окон и ишемических эпизодов.

МААЭ построен на основе нейросетевого моделирования посредством

НСПР (раздел 3.2). Для его тестирования используются 14 холтеровских ЭКС из

базы данных Европейского Общества Кардиологии (ESC ST-T database): e0103,

e0104, e0105, e0108, e0113, e0114, e0118, e0119, e0121, e0124, e0127, e0147, e0162

и e0206. Обучающая выборка содержала 9000 кардиоциклов, половина из которых

была отнесена экспертами к ишемическим. Контрольная выборка формировалась

из 3000 ишемических кардиоциклов и 3000 нормальных кардиоциклов.

В качестве расчетных показателей качества классификации использовались:

диагностическая чувствительность (ДЧ), диагностическая специфичность (ДС),

прогностическая значимость положительных результатов (ПЗ+), прогностическая

значимость отрицательных результатов (ПЗ), диагностическая эффективность

решающего правила (ДЭ), которые определялись согласно рекомендаций [93].

Согласно алгоритмам морфологического анализа ЭКС, предложенным в

разделе 2, было сформировано пространство информативных признаков для

выделения ишемических кардиоциклов из ЭКС. При построении ИП на основе

анализа ЭКС использовались следующие обозначения морфологических

признаков кардиоциклов:

100

Описание вычисленных морфологических признаков представлено на

рисунке 4.3 и рисунке 4.4.

.

101

S1(мВс-1

) S2(мВс-1

)

Ap(мВc)

An(мВc)

In(c)

W (c)

Q

rOn

rOff

S

R

pW(c)

sPR(c)

iPR(c)

Ip(c)

iST(c)

sST(c)

tW(c)

iQT(c)

hP(мВ) hT(мВ)

Рисунок 4.3 - Морфологические признаки электрокардиоцикла

jA

J

J80(J60)

T a

b c

Рисунок 4.4 - Морфологические признаки, выделенных из сегмента-ST

электрокардиоцикла

Согласно вышеприведенным обозначениям, морфологические признаки

электрокардиоцикла вычисляются по следующим формулам:

102

103

104

НС для классификации электрокардиоциклов по морфологическим

признакам построена на основе блочной структуры, включающей в себя 2

отдельных блока НС. Блоки построены по принципу нейронных сетей прямого

распространения сигнала и имеют два скрытых слоя в каждом блоке. НС обучена

и тестирована на выборках, построенных по структуре [P1-P17+P21-P23]. Полный

состав ИП этого признакового пространства представлена в таблице 4.1.

Структурная схема нейронной сети, предназначенная для работы с этим

пространством ИП, представлена на рисунке 4.5.

Нейросетевой блок 1

Век

тор

при

знак

ов к

арди

оц

иклов Э

КС

max

(yim

) yi1

yi2

Нейросетевой блок 2

Рисунок 4.5 - Структура нейронной сети ( i – номер образца входного вектора, m

– количество классов)

105

Таблица 4.1 - Состав признаков для классификации электрокардиоциклов

Структура признакового пространства для третьей группы АИА нижнего

иерархического уровня содержит двадцать ИП: [P1-P17 и P21-P23]. В него

106

включены все выделенные в результате морфологического анализа ИП,

представленные в таблице 4.1, кроме ИП, выделенные из сегмента-ST, и признаки

ЧСС. Пример вектора цели НС рисунок 4.5 представлен в таблице 4.2.

Таблица 4.2 - Вектор цели нейронной сети - классификатора кардиоциклов

Выход

нейронной сети

Вектор

цели Класс электрокардиоцикла

И [1] ишемия

Н [0] норма

Для выделения ишемических кардиоциклов использовались двадцать три

ИП. Первые двадцать ИП [P1, P2, …, P20] получены в результате анализа из QRS-

комплексов, P-волн и T-волн электрокардиоциклов. ИП [P21, P22, P23]

определялись на основе контроля ЧСС. Состав полного ИП для классификации

электрокардиоциклов показан в таблице 4.1.

Результаты обучения и тестирования нейронной сети рисунок 4.5

приведены в таблице 4.3.

Таблица 4.3 - Результаты обучения и тестирования нейронной сети NET

107

Анализ результатов работы нейронной сети показывает, что при

классификации электрокардиоциклов на ишемические и не ишемические ДЧ

превышает 90%, а ДС – 83%.

После классификации кардиоциклов выполняется выделение ишемических

окон, из которых формируются ишемические эпизоды. Ишемическое окно

представляет собой интервал ЭКС длительностью 30 с (в соответствии с

рекомендацией ЕОК), в котором ишемических кардиоциклов больше 75 %. Если

интервал между ишемическими окнами менее 30 с, то они объединяются в

ишемические эпизоды.

Для тестирования АИА по обнаружению ишемических эпизодов

использованы двух часовые записи четырнадцати холтеровских ЭКС из базы

данных Европейского Общества Кардиологии (ESC ST-T database): e0103, e0104,

e0105, e0108, e0113, e0114, e0118, e0119, e0121, e0124, e0127, e0147, e0162 и

e0206.

Таким образом, АИА прогнозирования риска ИБС, построенный на основе

анализа ЭКС, выполняет следующие процедуры: загружает двухчасовой фрагмент

холтеровского ЭКС; сегментирует двухчасовой фрагмент ЭКС на кардиоциклы;

формирует пространство ИП на основе морфологического анализа ЭКС для

каждого каодиоцикла холтеровского ЭКС; на основе сформированного

пространства ИП для текущего электрокардиоцикла относит текущий кардиоцикл

к ишемическому или не ишемическому, формирует массив ишемических

кардиоциклов; анализируя координаты ишемических кардиоциклов, формирует

ишемические окна; анализируя координаты ишемических окон, формирует

ишемические эпизоды; анализирует длительность и частоту ишемических

эпизодов и принимает решения о степени риска ИБС, формируя числовое

значение КУ3 по этому пространству ИП.

Результаты обнаружения ишемических эпизодов в ЭКС посредством АИА

прогнозирования риска ИБС, построенного на основе анализа ЭКС, приведены в

таблице 4.4.

108

Таблица 4.4 – Показатели качества выявления ишемических эпизодов в ЭКС

автономным интеллектуальным агентом

n – число ишемических эпизодов, определенных на основе экспертного

заключения по анализу холтеровского ЭКС (истинных ишемических эпизодов).

t1 – число пропущенных ишемических эпизодов (ошибки первого рода).

t2 – число ложно обнаруженных ишемических эпизодов (ошибки

второго рода).

k = (n–t1) – число истинных ишемических эпизодов, обнаруженных

АИА.

m = (n–t1+t2) – число ишемических эпизодов, обнаруженных АИА.

109

4.2.2 Программное обеспечение для модуля нечеткого логического

вывода

Программное обеспечение для МНЛВ (ПОМНЛВ) помимо модуля принятия

решений «Решение 2» по классификации ИБС, включает в себя шесть

интерфейсных окон, каждое из которых обеспечивает выполнение определенного

этапа построения МНЛВ, предназначенного для работы во втором канале

дублирующих решений.

Окно редактора ПОМНЛВ предназначено для предварительной подготовки

при построении МНЛВ. Интерфейсное окно редактора МНЛВ представлен на

рисунке 4.6.

Рисунок 4.6 - Интерфейсное окно редактора МНЛВ

Основными функциональными возможностями данного окна являются:

- создание нового МНЛВ;

- вызов МНЛВ из внешнего файла базы данных с уже разработанным

МНЛВ;

110

- добавление и удаление входной и выходной переменных в

редактируемый МНЛВ;

- формирование нечетких ПП, способов агрегирования нечетких ПП,

способов дефуззификации;

- сохранение редактируемой МНЛВ в БД.

Интерфейсное окно редактирования функций принадлежности представлено

на рисунке 4.7.

Рисунок 4.7 - Интерфейсное окно редактора функций принадлежности

Окно редактора функций принадлежности позволяет пользователю

анализировать и модифицировать все функции принадлежности МНЛВ. В этом

окне можно добавлять и удалять функции принадлежности для выбранной

нечеткой переменной и просматривать их в графическом редакторе.

Окно редактора правил нечеткого вывода предназначено формирования

нечетких ПП и последующего помещение их в БД МНЛВ. Интерфейсное окно

редактора нечетких ПП показано на рисунке 4.8.

111

Рисунок 4.8 - Интерфейсное окно редактора правил нечеткого вывода

Окно решения МНЛВ позволяет контролировать значения выходных

переменных МНЛВ в зависимости от состояний входов МНЛВ. Интерфейсное

окно решения МНЛВ представлено на рисунке 4.9.

Рисунок 4.9 - Интерфейсное окно решения МНЛВ

112

Окно решения МНЛВ дает возможность ЛПР вводить и изменять

конкретные значения входных переменных и отображать в виде трехмерного

графика поверхности, получаемые в результате фуззификации.

Интерфейсное окно просмотра поверхности МНЛВ представлено на рисунке

4.10а. Окно просмотра поверхности МНЛВ позволяет получить трехмерную

картину зависимости выходных переменных от отдельных входных переменных.

а) б)

Рисунок 4.10 - Интерфейсное окно просмотра поверхности модуля

нечеткого логического вывода (а) и интерфейсное окно просмотра структуры

модуля нечеткого логического вывода (б)

Окно просмотра структуры МНЛВ предназначено для визуализации

структуры МНЛВ. Графический интерфейс указанного окна просмотра структуры

МНЛВ представлен на рисунке 4.10б.

113

4.3 Экспериментальные исследования качества принятия решений

модулей автоматизированной системы по прогнозированию ишемических

рисков

Для проведения апробации автоматизированной системы по оценке ИР

были выбраны пациенты, проходившие обследование или находящиеся на

стационарном лечении в Курской областной клинической больницы №1. В

исследование были включены мужчины и женщины всех возрастов с

относительно стабильным (вне обострения) состоянием здоровья и с

установленным диагнозом основного заболевания.

Обучающие и контрольные выборки формировались на основе проведения

всестороннего тестирования квалифицированными экспертами (врачами –

терапевтами, врачами - кардиологами, врачами - сосудистыми хирургами)

пациентов, включенных в выборки, на риск ИБС. Для оценки состояния ССС

использовалось стандартное оборудование, находящееся в распоряжении

медицинского персонала больницы.

В экспериментальные исследования были включены 380 мужчин и женщин

в возрасте от 21 до 84 лет. По результатам оценки ИР было установлено, что

среди пациентов экспериментальной группы у 47% установлен высокий риск

ИБС, средний риск установлен у 23% пациентов из экспериментальной группы,

низкий риск — у 20% пациентов из экспериментальной группы. Из полученной

экспериментальной группы были сформированы обучающие и контрольные

выборки для получения показателей качества принятия решений

сформированных с применением предлагаемых методов и моделей и

разработанной на их основе компьютерной программе решающих модулей.

оценки риска ИБС.

Для оценки качества прогноза риска ИБС определялись диагностические

показатели автоматизированной системы при работе в следующих режимах:

114

канал «Решение 1», канал «Решение 2», работа системы с ассоциативным

выбором каналов. В качестве известного метода прогноза ИР, по сравнению с

которым осуществлялись показатели качества прогнозирования, выбрана шкала

SCORE [117]. В качестве расчетных показателей качества диагностических

решающих правил были выбраны: ДЧ, ДС и ДЭ решающего правила [93].

Результаты работы канала «Решение 1» на обучающей выборке по

прогнозированию ИБС приведены в таблице 4.5.

Таблица 4.5 - Экспериментальные данные по прогнозированию ИБС в

канале «Решение 1» на обучающей выборке

В таблице 4.6 приведены показатели качества диагностики в канале

«Решение 1» на обучающей выборке.

Таблица 4.6 – Показатели качества прогнозирования ИБС на обучающей

выборке по каналу «Решение 1»

115

В таблице 4.7 приведены показатели качества диагностики в канале

«Решение 1» и шкалы SCORE на одной и той же контрольной выборке при оценке

риска ИБС.

Таблица 4.7 - Показатели качества прогнозирования ИБС на контрольной

выборке по каналу «Решение 1»

Результаты работы по каналу «Решение 2» на обучающей выборки при

прогнозировании ИБС приведены в таблице 4.8.

Таблица 4.8 - Экспериментальные данные по прогнозированию ИБС канала

«Решение 2» на обучающей выборке

В таблице 4.9 приведены показатели качества диагностики в канале

«Решение 2» на обучающей выборке.

116

Таблица 4.9 – Показатели качества прогнозирования ИБС на обучающей

выборке по каналу «Решение 2»

В таблице 4.10 приведены показатели качества диагностики в канале

«Решение 2» и шкалы SCORE на одной и той же контрольной выборке при оценке

риска ИБС.

Таблица 4.10 - Показатели качества прогнозирования ИБС по каналу

«Решение 2» на контрольной выборке

Результаты работы классификатор при использовании ассоциативного

выбора каналов на обучающей выборке при определении риска ИБС приведены в

таблице 4.11.

117

Таблица 4.11 - Экспериментальные данные по прогнозированию ИБС на

обучающей выборке при ассоциативном выборе каналов

В таблице 4.12 приведены показатели качества диагностики в канале

«Ассоциативный выбор» на обучающей выборке.

Таблица 4.12 – Показатели качества прогнозирования ИБС на обучающей

выборке по каналу «Ассоциативный выбор»

В таблице 4.13 приведены показатели качества диагностики классификатора

при использовании ассоциативного выбора каналов и шкалы SCORE на одной и

той же контрольной выборке при оценке риска ИБС.

118

Таблица 4.13 - Показатели качества прогнозирования ИБС на контрольной

выборке

В таблице 4.14 приведены результаты классификации ишемических рисков,

полученные с помощью миннесотовских решающих правил. Контрольная

выборка формировалась на тех же данных, которые были использованы при

формировании обучающих и контрольных выборках для классификатора с

дублирующими каналами и ассоциативным выбором. Представленные результаты

были получены в программном модуле «rusfis», разработанным на кафедре БМИ

ЮЗГУ аспирантом Зо Зо Туном в 2010 году и реализующим решающие правила

диагностики ИБС на основе миннесотовых кодов 4 и 5 и нечеткой логики

принятия решений.

Таблица 4.14 - Таблица контрольных испытаний для нечеткой нейронной

сети при прогнозировании ИБС на основе миннесотовых кодов 4 и 5

119

Анализ таблицы 4.14 показывает, что использования прогностической

модели рисков ИБС на основе миннесотовых кодов и нечеткой логики принятия

решений позволяет получить ДЧ = 77%, ДС = 76%, ДЭ = 76,6%.

Для оценки эффективности предложенных методов и моделей принятия

решений по ишемическому риску сравним результаты прогнозирования ИБС

посредством разработанных и известных методов: «Решение 1», «Решение 2» и

ассоциативный выбор решений, и двумя известными методами: шкалой SCORE и

системой прогнозирования на основе метода миннесотового кодирования и

нечеткой логике принятия решений, на одних и тех же контрольных выборках.

Показатели качества прогнозирования риска ИБС посредством

разработанных и известных методов приведены на диаграммах, представленных

рисунке 4.11.

Рисунок 4.11 – Сравнительная характеристика показателей качества

предложенных и известных методов принятия решений по прогнозированию

ишемических рисков

120

Анализ диаграмм на рисунке 4.11 показывает, что показатели качества

классификатора с ассоциативным выбором выше на 8% показателей качества

классификаторов в каналах «Решение 1» и «Решение 2». При этом по основным

показателям качества классификации: ДЧ, ДС и ДЭ предложенные модули

принятия решений превосходят известные на 10…16%.

Полученные сравнительные характеристики экспертных оценок риска ССО

и предлагаемых моделей интеллектуальных систем позволяют рекомендовать

полученные технические и алгоритмические решения для практического

использования в системах диагностики функционального состояния сердечно-

сосудистой системы.

4.4 Выводы четвертого раздела

1. Разработана структурная схема автоматизированной системы

прогнозирования ишемических рисков, включающая систему управления базами

данных, ЭВМ и интерфейсные модули, отличающаяся наличием базы

математических моделей ишемического риска, как на верхнем, так и на нижнем

иерархических уровнях принятия решений, что позволяет ЛПР модифицировать

модели и критерия решения в зависимости от доступных исходных данных и

осуществить дублирование решений с ассоциативным выбором.

2. Разработано программное обеспечение для формирования

математических моделей прогноза ишемического риска, основанных на анализе

ишемических окон и ишемических эпизодов в электрокаридиосигнале, и

нейросетевых моделях классификации кардиоциклов, отличающихся

алгоритмами формирования информативных признаков, основанных на

морфологическом анализе электрокардиосигнала, позволяющее построить

121

автономные интеллектуальные агенты для принятия решения на нижнем

иерархическом уровне по третьему блоку информативных признаков.

3. Разработано программное обеспечение для формирования моделей

ишемического риска, основанных на нечетком логическом выводе, отличающееся

интерфейсными окнами и интерактивным управлением формированием и

агрегированием правил нечеткой продукции и функций принадлежности,

позволяющие синтезировать модель классификации ишемического риска для

канала «Решения 2».

4. Проведены экспериментальные исследования показателей нечетких

моделей принятия решений в автоматизированной системе по прогнозированию

ишемических рисков. Сравнение результатов прогнозирования схемы с

дублирующими решениями и ассоциативным выбором с известными

прогностическими моделями показало, что по показателям диагностической

эффективности модели с ассоциативным выбором превосходит известные на

10…16%, а использование ассоциативного выбора и дублирующих каналов

позволяет повысить диагностическую эффективность на 8% по сравнению с

диагностической эффективностью в отдельных дублирующих каналах.

122

Заключение

В диссертационной работе получены следующие основные результаты:

1. Выбрано и обосновано пространство информативных признаков для

прогнозирования ишемической болезни сердца, включающее три

информационных блока, построенных на традиционных факторах риска, на

предикторах, характеризующих энергетические характеристики биоактивных

точек, и на основе анализа ишемических окон и ишемических эпизодов в

электрокардиосигнале, что позволило синтезировать математические модели

автономных интеллектуальных агентов нижнего иерархического уровня,

предназначенных для построения классификаторов верхнего иерархического

уровня автоматизированной системы прогнозирования ишемических рисков.

2. Разработана структурно-функциональная модель принятия решений

по прогнозу ишемического риска, включающая два канала дублирующих

решений и третий канал ассоциативного выбора решений, позволяющая выбрать

лучший вариант из двух классификаторов риска, построенных на различных

парадигмах.

3. Разработан метод дублирования решений с ассоциативным выбором,

предназначенный для автоматизированной системы прогнозирования

ишемической болезни сердца, включающий:

- математические модели для определения ишемических рисков по трем

группам информативных признаков на нижнем иерархическом уровне принятия

решений;

- алгоритмическое обеспечение для синтеза нейросетевых моделей канала

«Решение 1» и для нечёткого логического вывода канала «Решение 2»;

- алгоритм ассоциативного выбора решений, позволяющий синтезировать

классификатор дублирующих каналов;

123

- классификатор дублирующих каналов, позволяющий осуществить

ассоциативный выбор дублирующих решений.

4. Проведены экспериментальные исследования показателей качества

принятия решений в автоматизированной системе прогнозирования ишемических

рисков. Сравнение результатов прогнозирования решающего модуля с

дублирующими решениями и ассоциативным выбором с известными

прогностическими моделями показало, что по показателям диагностической

эффективности модели с ассоциативным выбором превосходит известные на

10…16%, а использование ассоциативного выбора и дублирующих каналов

позволяет повысить диагностическую эффективность на 8% по сравнению с

диагностической эффективностью в отдельных дублирующих каналах.

Рекомендации. Результаты диссертационного исследования могут быть

использованы для построений интеллектуальных систем поддержки принятия

решений по прогнозированию риска сердечно-сосудистых заболеваний и их

осложнений.

Перспективы дальнейшей разработки темы. Разработка методов и

алгоритмов мониторинга эффективности лечебно-оздоровительных мероприятий

при сердечно-сосудистых осложнениях.

124

Список сокращений и условных обозначений

АГ артериальная гипертония

АД артериальное давление

АИА автономные интеллектуальные агенты

АОА антиокислительная активность

БАТ биологически активные точки

ББИМ безболевая ишемия миокарда

БЗ база знаний

БИМ болевая ишемия миокарда

БК блок клавиатуры

БМИ биомедицинская инженерия

БНЛВ блок нечеткого логического вывода

БО биообъект

БУБ блок управления бустингом

ВС время сегрегирования

ВСУЗИ внутрисосудистое ультразвуковое исследование

ГТ генератор тока

ДЗТ диагностически значимые точки

ДК диагностический коэффициент

ДП двойное произведение

ДС диагностическая специфичность

ДЧ диагностическая чувствительность

ДЭ диагностическая эффективность

ЕОК Европейское Общество Кардиологии

ЖКИ жидкокристаллический индикатор

ИБС ишемическая болезнь сердца

125

ИБСС интенсивность болевого синдрома сердца

ИМ инфаркт миокарда

ИНС искусственная нейронная сеть

ИП информативный признак

ИР ишемический риск

КАГ коронароангиография

КАД кардокоплекс

КМВ коэффициент межрегионального взаимодействия

КУ коэффициент уверенности

ЛДА линейный дискриминантный анализ Фишера

ЛПР лицо, принимающее решения

МААЭ модуль автоматизированного анализа электрокардиосигнала

МГУА методы группового учёта аргументов

МД мера доверия

МК микроконтроллер

МНД мера недоверия

МНЛВ модуль нечёткого логического вывода

НС нейронная сеть

НСРМ нейросетевой решающий модуль

НЦД нейроциркуляторная дистония

ПЗ+

прогностическая значимость положительных результатов

ПЗ- прогностическая значимость отрицательных результатов

ПО программное обеспечение

ПОЛ перикисное окисление липидов

ПОМНЛВ программное обеспечение для модуля нечёткого логического

вывода

ПП продуктивные правила

ППЖ потенциал желудочка миокарда

ПР принятие решений

126

РГС региональная гемодинамика сердца

САД систолическое артериальное давление

СНВ система нечёткого вывода

СППР система поддержки принятия решений

ССЗ сердечно-сосудистые заболевания

ССО сердечно-сосудистые осложнения

ССС сердечно-сосудистая система

СУ сигнал усреднённый

ТЭД таблицы экспериментальных данных

УТ усилитель тока

ФР фактор риска

ФС функциональное состояние

ЦГС центральная гемодинамическая система

ЧСС частота сердечных сокращений

ЭКГ электрокардиограмма

ЭКС электрокардиографический сигнал

ЮЗГУ Юго-западный государственный университет

SR гемодинамический показатель

SRB заболевания сердца

YF функциональный резерв

YP психоэмоциональное напряжение

127

Список литературы

1. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник

для вузов [Текст]: в 2 т. / С.А. Айвазян, В.С. Мхитарян. - 2-ое изд., испр. - М.:

ЮНИТИ-ДАНА, 2001. - Т.1: Теория вероятностей и прикладная статистика. – 656

с.

2. Айвазян, С.А. Прикладная статистика. Основы эконометрики: учебник

для вузов [Текст]: в 2 т. / С.А. Айвазян, В.С. Мхитарян. - 2-ое изд., испр. - М.:

ЮНИТИ-ДАНА, 2001. – Т. 2: Основы эконометрики. - 432 с.

3. Ананич, В.А. Впервые возникшая стенокардия: исходная характеристика

и результаты наблюдения в течение 6-12 мес [Текст] /

В.А. Ананич [и др.] // Cor et vasa. - 1990. - №2. - С. 99-106.

4. Аксельрод, А.С Нагрузочные ЭКГ-тесты: 10 шагов к практике. Учебное

пособие [Текст] /А.С. Аксельрод, П.Ш. Чомахидзе, А.Л. Сыркин; под ред А.Л.

Сыркина. – 5-ое изд. - М: МЕДперсс-информ, 2016. – 208 с.

5. Алгоритмы. Построение и анализ: пер. с англ. / Т. Кормен [и др.]. – 3-е

изд. – М.: Вильямс, 2013 – 1328 с.

6. Алгоритмы и шкалы риска тромбоза и кровотечения в кардиологии и

неврологии: Практическое пособие [Текст]/ Л.И. Бурячковская,

Н.В. Ломакин, А. Б. Сумароков, Е. А. Широков. — М.: ООО «Др. Редди’с

Лабораторис», 2018. — 424 с.

7. Аронов, Д.М. Функциональные пробы в кардиологии [Текст] /

Д.М. Аронов, В.П. Лупанов. – 2-е изд. - М.: "МЕДпресс-информ", 2003. -С. 148-

156.

8. Аронов, Д.М. Кардиологическая реабилитация на рубеже веков [Текст] /

Д.М. Аронов // Сердце: журнал для практикующих врачей. – 2002. - Т.1, №3. - С.

123-125.

128

9. Аронов, Д.М. Постстационарный этап реабилитации больных

ишемической болезнью сердца [Текст] / Д.М. Аронов, М.Г. Бубнова,

Г.В. Погосова // Сердце: журнал для практикующих врачей. – 2005. - Т.4, №2. - С.

103-107.

10. Белялов, Ф.И. Алкоголь и профилактика сердечно–сосудистых

заболеваний [Текст] / Ф.И. Белялов // Кардиология. - 2004. – Т.44, № 4. -

С. 78- 82.

11. Бойцов, А.В. Применение теории измерения латентных переменных для

формирования пространства информативных признаков в задачах оценки

функционального состояния человека [Текст] / А.В. Бойцов [и др.] // Известия

Юго-Западного государственного университета. Серия Управление,

вычислительная техника, информатика. Медицинское приборостроение. – 2014. –

№6 (57). – С. 52-58.

12. Бойцова, Е.А. Оценка уровня функциональных резервов организма на

основе технологии мягких вычислений и модели Г. Раша [Текст] /

Е.А. Бойцова [и др.] // Системный анализ и управление в биомедицинских

системах. – 2015. – Т.14, №3. – С. 577-584.

13. Быков, А.В. Метод и нечёткая модель оценки степени тяжести

ишемической болезни центральной гемодинамической системы [Текст] /

А.В. Быков // Вестник новых медицинских технологий. – 2017. – Т.24, №4. – С.

144-150.

14. Быков, А.В. Метод оценки функционального состояния центральной

гемодинамической системы [Текст] / А.В. Быков, Н.А. Кореневский,

Е.А. Бойцова // Известия Юго-Западного государственного университета. Серия

Управление, вычислительная техника, информатика. Медицинское

приборостроение. – 2017. – Т.7, №3. – С. 66-77.

15. Быков, А.В. Прогнозирование развития критического состояния

кровообращения сердца на основе нечетких моделей [Текст] / А.В. Быков [и др.] //

Известия Юго-Западного государственного университета. Серия Управление,

129

вычислительная техника, информатика. Медицинское приборостроение. – 2018. –

Т.8, №1 (26). – С. 55-66.

16. Быков, А.В. Формирование пространства информативных признаков для

оценки состояния пациентов с хроническими облитерирующими заболеваниями

артерий нижних конечностей / А.В. Быков // Известия Юго-Западного

государственного университета. Серия: Управление, вычислительная техника,

информатика. Медицинское приборостроение. – 2018. – №1 (26). – С. 97-108.

17. Васильев, А.Ю. Диагностика стенозирующего поражения коронарных

артерий при гипертонической болезни. Какой стресс-тест выбрать? [Текст] / А.Ю.

Васильев, Н.Н. Михеев, М.В. Жарикова // Функциональная диагностика. - 2004. -

№4. - С.17-22.

18. Викторов, Н.В. Современные компьютерные системы для

автоматического анализа электрокардиосигнала [Текст] / Н.В. Викторов //

Медицинская техника. - 1996. - № 1. - С.34-35.

19. Воронцов, И.М. Здоровье. Опыт разработки и обоснование применения

автоматизированных систем для мониторинга и скринирующей диагностики

нарушений здоровья [Текст]: монография / И.М. Воронцов,

В.В. Шаповалов, Ю.М. Шерстюк. – СПб.: ИПК «Коста», 2006. – 432 с.

20. Гадалов, В.Н. Математические модели рефлекторных систем организма

человека и их использование для прогнозирования и диагностики заболеваний

[Текст] / В.Н. Гадалов, Н.А. Кореневский, В.Н. Снопков // Системный анализ и

управление в биомедицинских системах. – 2012. – Т.11, №2. – С. 515-521.

21. Гайдышев, И.П. Анализ и обработка данных. Специальный справочник

[Текст] / И.П. Гайдышев. - СПб.: Питер, 2001. – 752 с.

22. Гаранин, А.А. Биомеханика сердца и малого круга кровообращения на

фоне факторов риска сердечно-сосудистых заболеваний [Текст] / А.А. Гаранин,

А.Е. Рябов, О.В. Фатенкова // Российский журнал биомеханики. – 2012. – Т.16,

№3(57). – С. 65-74.

130

23. Генкин, А.А. Новая информационная технология обработки данных

(программный комплекс ОМИС) [Текст] / А.А. Генкин. - СПб.: Политехника,

1999. - 191 с.

24. Гибридные нечеткие модели для прогнозирования возникновения и

осложнений артериальной гипертензии с учетом энергетических характеристик

биоактивных точек [Текст] / М.А. Ефремов [и др.] // Известия ЮЗГУ. Серия:

управление, вычислительная техника, информатика. Медицинское

приборостроение. – 2018. – Т.8. № 4(29) – С. 104-119.

25. Гибридные нечёткие модели оценки степени тяжести ишемии сердца /

И.А. Комлев [и др.] //«Мотивационные аспекты физической активности»:

Материалы III Всероссийской Междисциплинарной конференция студентов,

молодых ученых и преподавателей. - НовГУ им. Ярослава Мудрого. – Великий

Новгород, 2019. – С. 42-49.

26. Гимаров, В.А. Нейро-нечеткий метод классификации объектов с

разнотипными признаками [Текст] / В.А. Гимаров, М.И. Дли, С.Я. Битюцкий //

Системы управления и информационные технологии. - 2004. - №4 (16). -

С. 13-18.

27. Гитун, Т.В. Диагностический справочник кардиолога [Текст] / Т.В.

Гитун. - М: АСТ, 2007. - 512 с.

28. Голухова, Е.З. Неинвазивная аритмология [Текст] / Е.З. Голухова. - М.:

Издательство НЦССХ им. А.Н.Бакулева, РАМН, 2002. - 148 с.

29. Горелик, А.Л. Методы распознавания [Текст] / А.Л. Горелик,

В.А. Скрипкин. - М.: Высшая школа, 1989. – 232 с.

30. Горбань, А.Н. Обучение нейронных сетей [Текст] / А.Н. Горбань. - М.:

ПараГраф, 1990. – 160 с.

31. Горбаченков, А.А. Коронарная реабилитация – от покоя до

физических тренировок и многофакторной профилактики [Текст] /

А.А. Горбаченков // Российский кардиологический журнал. - 2006. - № 2(58). - С.

6-10.

131

32. Грахов, А.А. Модель модуля нечеткого вывода для ранней диагностики

ишемической болезни сердца [Текст] / А.А. Грахов, В.В. Жилин, С.А. Филист //

Физика и радиотехника в медицине и экологии: Доклады 8-й межд. научн. техн.

конф. Книга 1. - Владимир, 2008. - С. 208-211.

33. Грахов, А.А. Система поддержки принятия решений для врача-

терапевта на основе нечетких сетевых моделей [Текст] / А.А. Грахов,

Л.А. Жилинкова, Е.В. Шевелева // Вестник новых медицинских технологий. -

Тула, 2006. - Т.XIII, №2. - С. 43-46.

34. Гурылева, М.Э. Критерии качества жизни в медицине и кардиологии

[Текст] / М.Э. Гурылева, М.В. Журавлева, Г.Н. Алеева // Русский медицинский

журнал. - 2006. - Т.14, №10. - С. 761-763.

35. Губанов, В.В. Основы проектирования автоматизированных систем

анализа медико-биологических сигналов [Текст] / В.В. Губанов,

Л.В. Ракитская, С.А. Филист. – Курск: ГУИПП «Курск», 1997. - 134 с.

36. Дабровски, А. Суточное мониторирование ЭКГ [Текст] /

А. Дабровски, Б. Дабровски. - М.: Медпрактика, 2000. - 208 с.

37. Диагностика ишемической болезни сердца интеллектуальной системой

«АРМ-Кардиолог» [Текст] / О.А. Ефремова [и др.] // Курский научно-

практический вестник 2. Человек и его здоровье». – 2014. - №1. – С. 69-74.

38. Динамика дисперсии интервала Q-T и вариабельности сердечного ритма

при остром инфаркте миокарда и их прогностическое значение [Текст] / С.Н.

Ерофеев [и др.] // Вестник новых медицинских технологий. - 2000. - Т.7, № 1. -

С.61-63.

39. Дмитриева, Н.В. Индивидуальное здоровье и полипараметрическая

диагностика функциональных состояний организма (системно – информационный

подход) [Текст] / Н.В. Дмитриева,

О.С. Глазачев. - М., 2000. - 214 с.

40. Дуда, Р. Распознавание образов и анализ сцен [Текст] / Р. Дуда,

Р. Харт. - М.: Мир, 1976. – 509 с.

132

41. Дюк, В. Обработка данных на ПК в примерах [Текст] / В. Дюк. -СПб:

Питер, 1997. - 240 с.

42. Емельянов, С.Г. Прогнозирование степени тяжести развития

ишемического процесса в сердце, головном мозге и нижних конечностях на

основе нечётких моделей [Текст] / С.Г. Емельянов, Н.А. Кореневский,

А.В. Быков // Биомедицинская радиоэлектроника. – 2016. - №9. – С. 4-9.

43. Жилин, В.В. Прогнозирование артериальной гипертензии на основе

гибридных нечетких моделей, учитывающих энергетические характеристики

биоактивных точек [Текст] / В.В. Жилин, И.А. Комлев, Е.А. Старцев //

Актуальные направления научных исследований XXI века: теория и практика:

сборник научных трудов по материалам заочной научно-практической

конференции. – Воронеж: ВГЛТУ, 2017. - №10 (36). – С. 194 -197.

44. Заде, Л.А. Основы нового подхода к анализу сложных систем и

процессов принятия решений [Текст] / Л.А. Заде // Математика сегодня. - М.,

1974.

45. Заде, Л.А. Понятие лингвистической переменной и ее применение к

принятию приближенных решений [Текст] / Л.А. Заде. - М.: Мир, 1976. - 312 с.

46. Зо Зо, Тун Способы и алгоритмы морфологического анализа в задачах

распознавания QRS-комплексов [Текст] / Тун Зо Зо, С.А. Филист, О.В. Шаталова

// Научные ведомости БелГУ. Серия: Экономика. Информатика. – 2011. –

№7(102). – Выпцск 18/1. – С. 50-60.

47. Использование теории измерения латентных переменных для оценки

уровня психоэмоционального напряжения [Текст] / Н.А. Кореневский [и др.] //

Известия Юго-Западного государственного университета. Серия: Управление,

вычислительная техника, информатика. Медицинское приборостроение. – 2015. –

№3 (11). – С. 103-108.

48. Какие «новые» факторы целесообразно учитывать при оценке сердечно-

сосудистого риска? [Текст] / М.Д. Смирнова [и др.] // Кардиоваскулярная терапия

и профилактика. – 2018. - №17(6). – С. 77-85.

133

49. Канищев, И.И. Модели электрического сопротивления биоматериалов в

аномальных зонах проводимости при циклическом изменении зондирующего тока

[Текст] / И.И. Канищев, И.А. Комлев,

О.В. Шаталова // Современные информационные технологии в управлении

качеством: сборник статей V Международной научно-прикладной конференции. –

Пенза: Приволжский Дом знаний, 2016. – С.51-55.

50. Козлов, С. Г. Значение чреспищеводной кардиостимуляции левого

предсердия в диагностике ишемической болезни сердца [Текст] / С.Г. Козлов, И.

Ю. Миронова, А. А. Лякишев. - Тер. арх., 1991. - №1. - С.108-111.

51. Коломоец, Н.М. Гипертоническая болезнь и ишемическая болезнь

сердца: Руководство для врачей, обучающих пациентов в школе больных

гипертонической болезнью и ишемической болезнью сердца [Текст] /

Н.М. Коломоец, В.И. Бакшеев. - М.: Медицина, 2003. - 336 с.

52. Комлев, И.А. Динамические модели для прогнозирования

профессиональных заболеваний [Текст] / И.А. Комлев, О.В. Шаталова // Лазерно-

информационные технологии в медицине, биологии, геоэкологии и транспорте:

труды XXV Международной конференции. – Новороссийск: РИО ГМУ имени

адмирала Ф.Ф. Ушакова, 2017. – С. 94-95.

53. Комлев, И.А. Интеллектуальная система прогнозирования ишемических

инсультов на основе мультиагентных принципов [Текст] /

И.А. Комлев, Д.Ю. Савинов, Е.С. Шкатова // Cборник тезисов XIII

Международного Славянского конгресса по электростимуляции и клинической

электрофизиологии сердца «КАРДИОСТИМ-2018». – СПб., 2018. – 202 с.

54. Комлев, И.А. Модель четырехпроходной вольт-амперной

характеристики биоматериалов [Текст] / И.А. Комлев // Медико-экологические

информационные технологии: сборник материалов XX Международной научно-

технической конференции. – Курск: ЮЗГУ, 2017. – С. 144-146.

55. Комлев, И.А. Параметрические модели биоимпеданса в аномальных

зонах проводимости [Текст] / И.А. Комлев // Актуальные вопросы

134

биомедицинской инженерии: сб. материалов VI Всерос. науч. конф. для молодых

ученых, студентов и школьников. - Саратов: Сарат. гос. техн. ун-т, 2017. – С. 173-

175.

56. Комлев, И.А. Прогнозирование развития сердечных катастроф на основе

анализа нечетких моделей данных / И.А. Комлев // Лазерно-информационные

технологии в медицине, биологии, геоэкологии и транспорте: труды XXVI

Международной конференции. – Новороссийск: ГМУ имени адмирала Ф.Ф.

Ушакова, 2018. – С. 105-106.

57. Комлев, И.А. Теоретико-множественная модель структурирования

обучающей выборки, построенного на основе обучения агентов – сателлитов на

фрагментах данных [Текст] / И.А. Комлев, Т.В. Петрова, О.В. Шаталова //

Современные направления развития управления, экономики и образования:

сборник статей Международной научно-прикладной конференции. – Пенза:

Приволжский Дом знаний, 2018. – С. 109-112.

58. Комплексная оценка уровня функциональных резервов организма

человека на основе нечётких моделей принятия решений [Текст] /

Н.А. Кореневский [и др.] // Биомедицинская электроника. – 2010. – №2. –

С. 30-36.

59. Конева, Л.В. Оценка уровня психоэмоционального напряжения и

утомления по показателям, характеризующим состояние внимания человека

[Текст] / Л.В. Конева, С.Н. Кореневская, С.В. Дегтярев // Системный анализ. –

2012. – Т.11, №4. – С. 993-1000.

60. Кореневский, Н.А. Автоматизированные медико-технологические

системы [Текст]: монография. В 3 ч. / Н.А. Кореневский, А.Г. Устинов,

В.А. Ситарчук; под ред. А.Г. Устинова. – Курск: гос. техн. ун-т. Курск, 1995. - 390

с.

61. Кореневский, Н.А. Интеллектуальные системы поддержки принятия

решений для врачей рефлексотерапевтов [Текст]: монография /

Н.А. Кореневский, Р.А. Крупчатников. – Старый Оскол: ТНТ, 2013. - 424 с.

135

62. Кореневский, Н.А. Использование нечёткой логики принятия решений

для медицинских экспертных систем [Текст] / Н.А. Кореневский // Медицинская

техника. – 2015. - №1. – С. 33-35.

63. Кореневский, Н.А. Компьютерные системы ранней диагностики

состояния организма методами рефлексологии [Текст]: монография /

Н.А. Кореневский, В.В. Буняев, С.М. Яцун. – Новочеркасск: Юж. Рос. гос. Ун-т

(НПИ) «Изв. Вузов. Электромеханика», 2003. – 206 с.

64. Кореневский, Н.А. Метод прогнозирования и диагностики состояния

здоровья на основе коллективов нечётких решающих правил [Текст] /Н.А.

Кореневский, Р.В. Руцкой, С.Д. Долженков // Системный анализ и управление в

биомедицинских системах. – 2013. – Т.12, №4. –

С. 905-909.

65. Кореневский, Н.А. Метод синтеза гетерогенных правил для анализа и

управления состоянием биотехнических систем [Текст] / Н.А. Кореневский //

Известия Юго-Западного государственного университета. Серия: Управление,

вычислительная техника, информатика. Медицинское приборостроение. – 2013. –

№2. – С. 99-103.

66. Кореневский, Н.А. Метод синтеза нечётких решающих правил оценки

состояния сложных систем по информации о геометрической структуре

многомерных данных [Текст] / Н.А. Кореневский, Е.Б. Рябкова // Вестник

Воронежского государственного технического университета. – 2011. – Т.7, №8. –

С. 128-137.

67. Кореневский, Н.А. Методология синтеза гибридных нечётких решающих

правил для медицинских интеллектуальных систем поддержки принятия решений

[Текст]: монография / Н.А. Кореневский, С.Н. Родионова, И.И. Хрипина. –

Старый Оскол: ТНТ, 2019. – 472 с.

68. Кореневский, Н.А. Применение гетерогенных начётких моделей для

комплексной оценки уровня функционального резерва человека [Текст] / Н.А.

Кореневский, А.Н. Коростелев // Вестник Воронежского государственного

136

технического университета. – 2011. – Т.7, №8. – С. 142-147.

69. Кореневский, Н.А. Проектирование биотехнических систем

медицинского назначения. Общие вопросы проектирования [Текст]: учебник /

Н.А. Кореневский, З.М. Юлдашев. – Старый Оскол: ТНТ, 2018. – 312 с.

70. Кореневский, Н.А. Проектирование систем принятия решений на

нечётких сетевых моделях в задачах медицинской диагностики и

прогнозирования [Текст] / Н.А. Кореневский // Вестник новых медицинских

технологий. – 2006. –Т.13, №2. – С. 6-10.

71. Кореневский, Н.А. Проектирование систем принятия решений на

нечётких сетевых моделях в задачах медицинской диагностики и

прогнозирования [Текст] / Н.А. Кореневский // Телекоммуникаци. – 2006. -№6. –

С. 25-31.

72. Кореневский, Н.А. Синтез коллективов гибридных нечётких моделей

оценки состояния сложных систем [Текст] / Н.А. Кореневский,

К.В. Разумова // Известия Юго-Западного государственного университета. Серия:

Управление, вычислительная техника, информатика. Медицинское

приборостроение. – 2012. – №2. – С. 223-227.

73. Кореневский, Н.А. Синтез нечётких классификационных правил в

многомерном пространстве признаков для медицинских приложений [Текст] /

Н.А. Кореневский, К.В. Разумова // Наукоёмкие технологии. – 2014. – Т.15, №12.

– С. 31-39.

74. Кореневский, Н.А. Теоретические основы биофизики акупунктуры с

приложениями в медицине, психологии и экологии на основе нечётких сетевых

моделей [Текст] / Н.А. Кореневский, Р.А. Крупчатников, Р.Т. Аль-Касасбех. –

Старый Оскол: ТНТ, 2013. - 528 с.

75. Кореневский, Н.А. Энергоинформационные модели

рефлексодиагностики [Текст] / Н.А. Кореневский, Л.П. Лазурина. – Курск:

ОМПЦ, 2000. – 177 с.

137

76. Круглов, В.В. Интеллектуальные информационные системы.

Компьютерная поддержка систем нечеткой логики и нечеткого вывода [Текст]:

учебное пособие / В.В. Круглов, М.И. Дли. – М.: Изд-во Физико-математической

лит-ры, 2002. – 227 с.

77. Круглов, В.В. Нечеткая логика и искусственные нейронные сети [Текст] /

В.В. Круглов, М.И. Дли, Р.Ю. Голунов. – М.: Физматлит, 2001. – 198 с.

78. Кузнецов, Д.А. Интеллектуальная система поддержки принятия решений

прогнозирования заболеваний на основе нечёткой логики [Текст] / Д.А. Кузнецов

// Искусственный интеллект. – 2004. - №3 – С. 337-342.

79. Кушаковский, М.С. Аритмии сердца [Текст] / М.С. Кушаковский. -СПб.:

Фолиант, 1998. – 720 с.

80. Леоненков, А.В. Нечеткое моделирование в среде Matlab и fuzzyTECH

[Текст] / А.В. Леоненков. - СПб.: БХВ – Петербург, 2005. - 736 с.

81. Лувсан, Г. Очерк методов восточной рефлексотерапии [Текст] / Гаваа

Лувсан. – 3-е изд, перераб и доп. - Новосибирск: Наука. Сиб. Отд-ние, 1991. – 432

с.

82. Мальцева, О.В. Прогностическая мощность различных моделей в

определении уровня коронарного риска у больных с острым коронарным

синдромом без стойких подъемов сегмента ST [Текст] / О.В. Мальцева,

З.М. Саифуиллина, С.В. Шалаев // Кардиология. – 2012. – Т.52, №4. – С. 4-9.

83. Математические модели прогнозирования и профилактики рецедивов

инфаркта миокарда в реабилитационном периоде [Текст]: монография / С.П.

Серёгин [и др.] // Известия Юго-Западного государственного университета. –

2015. – 166 с.

84. Метод оценки степени тяжести ишемического поражения анатомических

зон нижних конечностей по показателям гемостаза и кровенаполнения сосудов

[Текст] / А.В. Быков [и др.] // Медицинская техника. – 2019. – №2. – С. 47-49.

85. Метод оценки функционального резерва человека-оператора на основе

комбинированных правил нечёткого вывода [Текст] /

138

Н.А. Кореневский [и др.] // Биотехносфера. – 2012. –№1 (19). – С. 44-49.

86. Метод синтеза нечётких решающих правил на основе моделей

системных взаимосвязей для решения прогнозирования и диагностики

заболеваний [Текст] / Н.А. Кореневский [и др.] // Системный анализ и управление

в биомедицинских системах. – 2014. – Т.13, №4. – С. 881-886.

87. Модели формирования пространства информативных признаков для

прогнозирования инсультов по результатам исследования переходных процессов

в аномальных зонах электропроводности в экспериментах in vivo [Текст] / М.А.

Ефремов [и др.] // Известия Юго-Западного государственного университета.

Серия: управление, вычислительная техника, информатика. Медицинское

приборостроение. – 2017. – Т.7, №3(24). – С. 120-131.

88. Моросанова Н.А. Формальные свойства схемы Шортлифа /

Н.А. Моросанова, С.Ю. Соловьев // Управление большими системами: сборник

трудов. - Выпуск 36. - 2012. – С. 5-38.

89. Мохаммед, А.А. Моделирование импеданса биоматериалов в среде

MATLAB [Текст] / А.А. Мохаммед, С.А. Филист, О.В. Шаталова // Известия Юго-

Западного государственного университета. Серия: управление, вычислительная

техника, информатика. Медицинское приборостроение. - 2013. - №4. - С. 73-78.

90. Мухатаев, Ю.Б. Интеллектуальная система поддержки принятия

решений по прогнозированию инсультов [Текст] / Ю.Б. Мухатаев,

О.В. Шаталова, И.А. Комлев // Актуальные вопросы неврологии и

соматоневрологии: сборник статей Международной научно-прикладной

конференции. – Пенза: Приволжский Дом знаний, 2017. – С. 62 -67.

91. Новые технологии прогнозирования риска развития ИБС [Текст] /

С. Горохова [и др.] // Врач. – 2011. - №14 – С. 22-25.

92. О возможности прогнозирования рецидива инфаркта миокарда [Текст] /

Ю.М. Бала [и др.] // Терапевтический архив. – 1972. – Т.34, №3. –

С. 6-9.

139

93. Омельченко, В.П. Практикум по медицинской информатике [Текст] /

В.П. Омельченко, А.А. Демидова // Серия учебники. Учебные пособия/Ростов на

Дону. Феникс, 2001. - 304 с.

94. Основные классификации и шкалы риска в кардиологии [Текст]:

практическое пособие / Ю.А. Баланова [и др.]; под ред. РАН Е.В. – М.:

Кардиологи, 2015. – 19 с.

95. Осовский, Станислав.; пер. с польского Л.Д. Рудинского. – М.: Финансы

и статистика, 2002. - 344с.

96. Опыт применения интеллектуальных компьютерных технологий в

лечебно- диагностической практике [Текст] / Ю.В. Немытин [и др.] // Военно-

медицинский журнал. - 2006. – Т.327, №10. - С. 8-11.

97. Острый коронарный синдром без подъема сегмента ST у пожилых лиц:

нерешенные проблемы диагностики [Текст] / М.Я Красносельский [и др.] //

Клиническая геронтология. - 2007. – Т.13, №6. - С. 52- 56.

98. Орлов, А.И. Экспертные оценки [Текст]: учебное пособие /

А.И. Орлов. - М., 2002. – 31 с.

99. Оценка интенсивности болевого синдрова при ишемии сердца [Текст] /

А.В. Быков [и др.] // Системный анализ и управление в биомедицинских системах.

– 2017. – Т.16, №4. – С. 848-856.

100. Оценка и управление состоянием здоровья на основе модели Г. Раша

[Текст] / Н.А. Кореневский [и др.] // Медицинская техника. – 2015. - №6. – С. 37-

40.

101. Оценка и управление состоянием здоровья обучающихся на основе

гибридных интеллектуальных технологий [Текст]: монография /

Н.А. Кореневский [и др.]. – Старый Оскол: ТНТ, 2016. – 472 с.

102. . Оценка функционального состояния здоровья человека с

использованием теории измерения латентных переменных на основе моделей Г.

Раша [Текст] / А.Н. Шуткин [и др.] // Системный анализ и управление в

биомедицинских системах. – 2014. – Т.13, №4. – С. 927-932.

140

103. Пакулин, И.А. Дипиридамоловый тест в диагностике ишемической

болезни сердца [Текст] / И.А. Пакулин, Ю.А. Суровов, Б.А. Сидоренко. –

Кардиология, 1991. - № 2. - С. 99-100.

104. Пашкевич, В.М. Автоматизация построения сложных эмпирических

зависимостей при исследованиях технологических объектов / В.М. Пашкевич //

Вестник ГГТУ им. П.О. Сухого. – 2019. - №1. – С. 10-17.

105. Петрова, Т.В. Автономные интеллектуальные агенты в мониторинге

эффективности лекарственных назначений [Текст] /

Т.В. Петрова, И.А. Комлев, Д.Ю. Савинов // Перспективы и технологии развития

в области технических наук: сборник научных трудов по итогам международной

научно-практической конференции. - Нижний Новгород, 2018. – №3. – С. 59-62.

106. Погосова, Г.В. Депрессия — фактор риска развития ишемической

болезни сердца и коронарной смерти: 10 лет научного поиска [Текст] /

Г.В. Погосова // Кардиология. – 2012. - №12. – С. 4-11.

107. Порохна, В.С. Некоторые аспекты рефлексодиагностики и

рефлексотерапии [Текст] / В.С. Порхна // Вестник новых медицинских

технологий. - 2003. - Т.10, №3. - С. 45-47.

108. Портнов, Ф.Г. Электропунктурная рефлексотерапия [Текст] /

Ф.Г. Портнов. – 3-е изд., перераб. и доп. – Рига: Зинатне, 1988. – 352 с.

109. Прогнозирование и оценка степени тяжести ишемии сердца на основе

гибридных нечётких моделей [Текст] / И.А. Комлев, [и др.] // Известия Юго-

Западного государственного университета. Серия: Управление, вычислительная

техника, информатика. Медицинское приборостроение. – 2019. – Том 8. №1 (26).

– С. 55-66.

110. Программно-технический комплекс для исследования основных

параметров внимания и памяти [Текст] / Н.А. Кореневский [и др.] // Медицинская

техника. – 2010. – №1. – С. 32-35.

141

111. Симоненко, В.Б. Функциональная диагностика [Текст]: руководство

для врачей общей практики / В.Б. Симоненко, А.В. Цоколов, А.Я. Фисун. - М.:

ОАО "Издательство "Медицина", 2005. – 304 с.

112. Синдром слабости синусового узла [Текст] / B.A. Шульман [и др.] –

Санкт-Петербург - Красноярск, 1995. - 438 с.

113. Синтез нечетких решающих правил для медицинских экспертных

систем с сетевой базой знаний [Текст]: коллективная монография / Е.Б. Рябкова [и

др.]. – Краснодар: Российское энергетическое агентство, 2010. - С. 166- 187.

114. Синтез нечетких решающих правил для прогнозирования и ранней

диагностики заболеваний, вызываемых состоянием окружающей среды с учетом

индивидуальных особенностей организма [Текст] / Н.А. Кореневский [и др.] //

Системный анализ и управление в биомедицинских системах. - 2007. - Т.6, №2. -

С. 395- 401.

115. Синтез решающих правил для прогнозирования и ранней диагностики

по прогностическим таблицам с использованием методов рефлексодиагностики

[Текст] / В.И. Серебровский [и др.] // Системный анализ и управление в

биомедицинских системах. - 2008. - Т.7, №3. - С. 643- 648.

116. Смертность от основных болезней системы кровообращения в России

(аналитический обзор официальных данных РосКомСтата, МинЗдрава России,

ВОЗ и экспертных оценок по проблеме) [Текст] / В.И. Харченко [и др.] //

Российский кардиологический журнал. - 2005. - №1. - С. 5- 15.

117. Смирнова, М.Д. Прогностические факторы развития сердечно-

сосудистых осложнений во время аномальной жары 2010 г. (когортное

наблюдательное исследование) [Текст]/ М.Д. Смирнова, Т.В. Фофанова, Ф.Т.

Агеев и др.// Кардиологический вестник. – 2016. - №11(1). – С. 43-51.

118. Сороколетов, П.В. Построение интеллектуальных систем поддержки

принятия решений [Текст] / П.В. Сороколетов // Известия Южного федерального

университета. Технические науки. – 2009. – С. 117-124.

119. Способ комплексной терапии при сочетанной ишемии центральной

142

гемодинамической системы, нижних конечностей, сердца и головного мозга

[Текст]: пат. 2673481 РФ: МПК7 А61К 31/192, А61К 31/33, А61Р 9/10 / А.В.

Быков [и др.]; заявитель и патентообладатель Федеральное государственное

бюджетное образовательное учреждение высшего образования "Юго-Западный

государственный университет" (ЮЗГУ). - №2017143027; заявл. 11.12.2017; опубл.

27.11.2018, Бюл. №33.

120. Способ прогнозирования степени тяжести ишемического процесса

сердца, головного мозга и нижних конечностей [Текст]: пат. 2648178 РФ: МПК7

А61В 5/00, А61В 5/02 / А.В. Быков, Н.А. Кореневский; заявитель и

патентообладатель Федеральное государственное бюджетное образовательное

учреждение высшего образования "Юго-Западный государственный университет"

(ЮЗГУ). - №2016151743; заявл. 28.12.2016; опубл. 22.03.2018, Бюл. №9.

121. Способ моделирования нечетких моделей в пакете MATLAB для

биомедицинских приложений [Текст] / В.В. Жилин, [и др.] // Медицинская

техника. - 2008. - №2. - С. 15-17.

122. Табакокурение и риск сердечно–сосудистых заболеваний среди

трудоспособного населения г. Москвы [Текст] / Ш.М. Гайнулин [и др.] //

Российский кардиологический журнал. - 2006. - №1(57). - С. 5-7.

123. Титомир, Л.И. Анализ ортогональной электрокардиограммы [Текст] /

Л.И. Титомир, И. Рутткай-Недецкий, Л. Бахарова. - М.: Наука, 1990. – 238 с.

124. Уоссерман, Ф. Нейрокомпьютерная техника: теория и практика

[Текст] / Ф. Уоссерман; пер. с англ. Ю.А. Зуев, В.А. Точенов. - М.: Мир, 1992. -

240 с.

125. Усков, А.А. Интеллектуальные технологии управления.

Искусственные нейронные сети и нечеткая логика [Текст] / А.А. Усков,

А.В. Кузьмин. - М.: Горячая линия - Телеком, 2004. – 143 с.

126. Филист, С.А. Гибридная нейронная сеть с макрослоями для

медицинских приложений [Текст] / С.А. Филист, О.В. Шаталова,

143

М.А. Ефремов // Нейрокомпьютеры. Разработка и применение. - 2014. - №6. - С.

35-39.

127. Филист, С.А. Метод классификации сложных объектов на основе

анализа структурных функций медленных волн [Текст] / С.А. Филист,

И.И. Волков, С.Г. Емельянов // Биомедицинская радиоэлектроника. - №4. - 2012. -

С.6-11.

128. Филист, С.А. Универсальные сетевые модели для задач

классификации биомедицинских данных [Текст] / С.А. Филист,

Р.А. Томакова, Яа Зар До // Известия Юго-Западного государственного

университета. - Курск: Изд-во ЮЗГУ, 2012. – №4(43). – Ч. 2. – С. 44-50.

129. Филист, С.А. Нейросетевой решающий модуль для исследования

живых систем [Текст] / С.А. Филист, С.Г. Емельянов, А.Ф. Рыбочкин // Известия

Курского государственного технического университета. – 2008. - №2 (23). - С. 77-

82.

130. Хайкин, С. Нейронные сети: полный курс [Текст] / Саймон Хайкин;

пер. с англ. Н.Н. Куссуль. - 2-е изд., испр. – М.: ООО

«И.Д. Вильямс», 2018. - 1104 с.

131. Частота пульса и смертность от сердечно - сосудистых заболеваний у

российских мужчин и женщин. Результаты эпидемиологического исследования

[Текст] / С.А. Шальнова [и др.] // Кардиология. - 2005. – Т.45, №10. - С. 45-50.

132. Частота сердечных сокращений и её ассоциации с основными

факторами риска в популяции мужчин и женщин трудоспособного возраста

[Текст] / С.А. Шальнова [и др.] // Рациональная фармакотерапия в кардиологии. –

2017. - №13(6). – С. 819-826.

133. Шкатова, Е.С. Оценка функционального состояния и функционального

резерва организма по энергетической сбалансированности меридианных структур

[Текст] / Е.С. Шкатова, М.А. Магеровский,

Ю.Б. Мухатаев // Современные тенденции развития техники и технологии: сб.

науч. трудов конф. – Белгород, 2015. – Ч.2, №8. – С. 132-135.

144

134. Шуткин, А.Н. Оценка уровня психоэмоционального напряжения на

основе комбинированных нечётких моделей и модели Г. Раша [Текст] / А.Н.

Шуткин // Фундаментальные и прикладные проблемы техники и технологии. –

2015. - №6 (314). – С. 122-129.

135. Ясницкий, Л.Н. Интеллектуальные системы [Текст]: учебник / Л.Н.

Ясницкий. – М.: Лаборатория знаний, 2016. – 221 с.

136. Яхъяева, Г.Э. Нечеткие множества и нейронные сети: учебное

пособие [Текст] / Г.Э. Яхъяева. - М.: Интернет-университет информационных

технологий; БИНОМ. Лаборатория знаний, 2006. – 316 с.

137. ACC/AHA Guidelines for Coronary Angiography: Executive Summary

and Recommendations [Text]: A Report of the Ameri-can College of Cardiology / P. J.

Scanlon [and ect]. - American Heart Association Task Force on Practice Guidelines

(Committee on Coronary Angiography) Developed in collaboration with the Society for

Cardiac Angiography and Interventions. Circulation 1999. – Vol.99. – P. 2345-2357.

138. Albert, C.M. Phobic anxiety and risk of coronary heart disease and sudden

cardiac death among women [Text] / C.M. Albert, C.U. Chae,

K.M. Rexrode [and ect] // Circulation. – 2005. - Р. 111-480.

139. A method for creating fuzzy neural-network models using the matlab

package for biomedical applications [Text] / S.A. Filist [and etc] // Biomedical

Engineering. - 2008. - Vol.42, № 2. - P. 64-66.

140. Association between heart rate and subclinical cerebrovascular disease in

the elderly [Text] / K. Nakanishi [and etc] // Stroke. – 2018. – Vol.49, №2. –

P. 319-324.

141. Barnett, A.G. Effects of extreme temperatures on years of life lost for

cardiovascular deaths: a time series study in brisbane, Аustralia [Text] /

A.G. Barnett, C. Huang, X Wang et al. // Circ Cardiovasc Qual Outcomes. – 2012. –

V.1, №5(5). – P. 609-614.

142. Berman, D.S. Relationship between stress-induced myocardial ischemia

and atherosclerosis measured by coronary calcium tomography [Text] / D.S. Berman,

145

N.D.Wong, H.Gransar. // J Am Coll Cardiol. - 2004. –№44(4). –

P. 923-930.

143. Biondi, B. The clinical significance of subclinical thyroid dysfunction

[Text] / B. Biondi, D.S. Cooper // Endocr Rev. – 2008. - №29(1). – Р. 76-131.

144. Buchanan, G.B. Rule-Based Expert Systems: The MYCIN Experiments of

the Stanford Heuristic Programming Projext [Text] /

G.B. Buchanan, E.H. Shortliffe. – Massachusetts: Addison–Wesley,1984. –

P. 123-128.

145. Chaker, L Thyroid Function Within the Reference Range and the Risk of

Stroke: An Individual Participant Data Analysis [Text] / L Chaker,

C Baumgartner, den WP Elzen, et al. // J Clin Endocrinol Metab. – 2016. - №101(11). –

Р. 4270-4282.

146. Combination of transesophageal atrial pacing and echo-dipyridamole test in

the diagnosis of coronary disease in patients with suspected angina pectoris and

negative exercise test] [Text] / R. Manfredini [and ect]. - G Ital Cardiol, 1994.

Vol.24(11). – P. 1379-1386.

147. Comparison oftune domain and spectral temporal mapping analysis of the

signal-averaged electrocardiogram in the prediction of ventricular tachycardia [Text] /

R. Brooks [and ect]. – Circulation, 1999. - Vol.84, No4. – 11 p.

148. Cortigiani, L. Diagnostic value of exercise electrocardiography and

dipyridamole stress echocardiography in hypertensive and normotensive chest pain

patients with right bundle branch block [Text] / L. Cortigiani, R. Bigi, F. Rigo //

J Hypertens. - 2003. – Vol.21(11). – P. 2189-2194.

149. Cortigiani, L. Safety, feasibility, and prognostic implications of

pharmacologic stress echocardiography in 1482 patients evaluated in an ambulatory

setting.Am Heart [Text] / L. Cortigiani, E. Picano, C. J. Coletta. – 2001. – Vol.141(4). –

P. 621-629.

150. Diagnostic and prognostic value of dipyridamole echocardiography in

patients with suspected coronary artery disease. Comparison with exercise

146

electrocardiography [Text] / S. Severi [and ect] // Circulation. - 1994. - No89(3). – P.

1160-1173.

151. Dipyridamole-echocardiography and thallium exercise myocardial

scintigraphy in the diagnosis of obstructive coronary or microvascular disease in

hypertensive patients with left ventricular hypertrophy and an-gina [Text] /

C. Astarita [and etc] // G Ital Cardiol. - 1998. - No28(9). - Р. 996-1004.

152. Heart rate reduction in cardiovascular disease and therapy [Text] /

J.C. Reil [and etc] // Clinical Research in Cardiology. – 2011. – Vol.100, №1. –

P. 11-19.

153. Hennig, B. Lipid peroxidation and endothelial cell injury: implications in

atherosclerosis / B. Hennig, C.K. Chow // Free radical biology & medicine. - 1998. -

Vol.4, №2. – P. 99-105.

154. Gligorova, S. Pacing stress echocardiography [Text] / S. Gligorova,

M. Agrusta // Cardiovascular Ultra-sound. - 2005. – Vol.3. – 36 p.

155. Guidelines for perioperative cardiovascular evaluation for noncardiac

surgery: report of the ACC [Text] / K.A. Eagle [and ect] // AHA task force on practice

guidelines. J Am Coll Cardiol. - 1996. – Vol.27. – P. 910-948.

156. Improved cardiac risk stratification in major vascular surgery with

dobutamine-atropine stress echocardiography [Text] / D. Poldermans [and ect] //

J Am Coll Cardiol. - 1995. – Vol.26. – P. 648-653.

157. Metaanalytic comparison of echocardiographic stressors. Int J Cardiovasc

Imaging [Text] / Y. Noguchi [and ect]. – 2005. – Vol.21(2-3). P. 189-207.

158. Lutgers, HL. Skin autofluorescence provides additional information to the

UK Prospective Diabetes Study (UKPDS) risk score for the estimation of

cardiovascular prognosis in type 2 diabetes mellitus. [Text] / HL Lutgers, EG Gerrits, R

Graaff, et al. //Diabetologia. 2009;52:789-97. doi:10.1007/s00125-009-1308-9.

159. Management of acute coronary syndromes in patients presenting without

persistent ST segment elevation; recommendations of the Task Force of the European

147

Society of Cardiology [Text] / M.E. Bertrand [and etc] // European Heart Journal. –

2000. – Vol.21, №17. - 1406-1432.

160. Nedeljkovic, I. Comparison of exercise, dobutamine-atropine and

dipyridamole-atropine stress echocardiography in detecting coronary artery dis-ease

Cardiovasc Ultrasound [Text] / I. Nedeljkovic, M.Ostojic. - Beleslin, 2006. – Vol.4. –

22 p.

161. Negative predictive value of dipyridamole vs. dobutamine stress

echocardiography in the long-term follow-up of patients undergoing major vascular

surgery [Text] / L. Moura, [and ect] // Rev Port Cardiol. - 2004. – Vol.23(1). – P. 17-27.

162. Pharmacological stress echocardiography in the diagnosis of coronary

artery disease and myocardial ischemia: a compari-son between dobutamine and

dipyridamole [Text] / A. Salustri [and ect] // Eur Heart J. - 1992. – Vol.13(10). –

P. 1356-1362.

163. Prognostic value of dipyridamole stress echocardiography in hypertensise

patients with left ventricular hypertrophy, chest pain and resting electrocardiographic

repolarization abnormalities [Text] / S. Mondillo [and ect] // Can. J. Car-diol. - 2001. -

Vol. 5. -P. 571-577.

164. Piepoli, M.F. European Guidelines on cardiovascular disease prevention in

clinical practice: The Sixth Joint Task Force of the European Society of Cardiology and

Other Societies on Cardiovascular Disease Prevention in Clinical Practice (constituted

by representatives of 10 societies and by invited experts) [Text] / M.F. Piepoli, Hoes

A.W., Agewall S. et al. // Eur Heart J. – 2016. - №37(29). – Р. 2315-81.

165. Selection of the optimal stress test for the diagnosis of coronary artery

disease [Text] / J. A. S. Roman [and ect] // Heart. - 1998. – Vol.80. – P. 370-376.

166. Shortliffe, E.H. Computer – Based medical Consultation: MYCIN [Text] /

E.H. Shortliffe // New York: American Elseviver. - 1976. – 548 p.

167. Standards for analysis of ventricular late potentials using high -resolution or

signal – averaged eiectrocardiography: astatement by a task force committee of the

European Society of Cardiology, the American College of Cardiology [Text] / G.

148

Breithardt [and ect] // J.Amer.Col.Cardiol. - 1991. - Vol. 17 – P. 999-1006.

168. Stress echocardiography. Curr Pharm Des [Text] / E. Picano [and ect]. –

2005. – Vol.11(17). – P. 2137-2149.

169. The TIMI risk score for unstable angin a/non-ST elevation MI: a method

for prognostication and therapeutic decision making [Text] / E.M. Antman [and etc] //

JAMA. – 2000. –Vol. 284. – P. :835–842.

170. The Global Registry of Acute Coron ary Events Investigators. Predictors of

hospital mortality in the global registry of acute coron ary events [Text] / C.B. Granger

[and etc] // Arch Intern Med. – 2003. – Vol.163. –

P. 2345–2353.

171. Varga, A. Safety of stress echocardiography (from the Inter-national Stress

Echo Complication Registry) [Text] / A. Varga, M.A. Garcia, E. Picano. - Am J

Cardiol, 2006. - No98(4). – P. 541-543.

172. Veronese, N. Relationship Between Low Bone Mineral Density and

Fractures With Incident Cardiovascular Disease: A Systematic Review and Meta-

Analysis[Text] / N. Veronese, B. Stubbs, G. Crepaldi et al.// J Bone Miner Res. – 2017.

- №32(5). – Р. 1126-1135.