Дмитриева Н.В. () - | |
Ключевое слово: |
|
Ключевое слово: |
|
|
Накопленный опыт полипараметрической диагностики функционального состояния в виде визуализированных образов позволил провести системный анализ этих образов на основе общей концепции построения и функционирования интеллектуальных систем [1,9]. Цель этого анализа – выявить возможности методологии полипараметрического когнитивного моделирования [3,5,7,10] для медико-биоло-гических исследований, прежде всего, возможности выявления взаимодействия, согласования электрофизиологических процессов в органах и физиологических системах целостного организма. Поиск такой возможности определяется тем, что современный физиологический эксперимент, а также средства функциональной диагностики не позволяют видеть информационные связи физиологических процессов. Разрабатываемая нами интеллектуально-образная модель функционального состояния человека дает возможность не только видеть, но и количественно определять соотношения параметров электрофизиологических процессов, “выдавая” о них новые зна- ния [3]. Показано, что образная совокупность многомерных данных позволяет проводить индивидуальный синдромальный анализ образов в интерактивном режиме [4]. При этом учитываются не только изменения абсолютных величин параметров и их количество, не только степень изменений соотношений параметров, которые выступают как новые диагностические признаки, но “додумываются”, какие параметры, в каком сочетании изменены и зрительно определяется координированность процессов и др. Еще более продуктивным для data mining и knowledge engineering представляется использование таких интеллектуальных методов, как процедуральные правила [8]. Отсюда вытекает возможность решения насущной задачи полипараметрической преклинической (ранней) функциональной диагностики – выявление новых объективных знаний о преклинических дисфункциях в организме для поддержки принятия диагностических решений. В данной работе для этих целей проведен анализ накопленных данных с помощью известных процедуральных правил как одного из перспективных в настоящее время методов генерации новых знаний о предмете. Полипараметрическая интеллектуально-образная модель функционального состояния человека В качестве алфавита для описания функционального состояния человека и элементов модели интеллектуальной системы используется унифицированный набор параметров комплекса электрофизиологических показателей (ЭКГ, ЭРВГ, ЭМГ и др.). Абсолютные величины амплитудных и временных параметров (на рис. 1 – Х1-Х20) представлены в виде векторов в полярных координатах. Каждый вектор имеет свой масштаб, определяемый модальным уровнем (средней окружностью, Xo). Обобщенный контур, ограниченный максимальными (Хmax) и минимальными (Xmin) величинами параметров, не имеющими патогномоничного значения (наружная и внутренняя окружности), является интеллектуальным преобразователем, осуществляющим непрерывный анализ характера поведения абсолютных величин параметров и формирующим в соответствии с этим необходимые классификационные действия. Активная часть интеллектуального преобразователя обеспечивает дополнительные признаки – соотношения параметров, накладываемые на динамическую характеристику, которые выступают как новые диагностические признаки функционального состояния организма, связанные с балансом взаимодействия физиологических систем и регуляторного влияния симпатического и парасимпатического отделов вегетативной нервной системы. Последние находят свое отражение в сдвиге образа (на рис. 1 окружности, обозначенные прерывистой линией) и в нарушении его контура [2,4]. Представление врачу комплекса физиологических показателей осуществляется в виде наглядных графических образов состояния индивида, что позволяет проводить клинический анализ многомерных данных. В качестве примера на рисунке 2 дан протокол полипараметрического обследования. Интерпретация изменений параметров основана на базе накопленного опыта функциональной диагностики и специальных исследований указанных показателей при различных функциональных состояниях человека [2-4]. Дифференциация обследуемых полипараметрическим методом производится по 4 классам в соответствии с основными стадиями развития адаптационного синдрома. Data mining and knowledge engineering в полипараметрической интеллектуально-образной системе В результате автоматизированного анализа аналоговых сигналов и преобразования в указанной интеллектуальной системе получаются три основных вида диагностических признаков: традиционные для функциональной диагностики – измеряемые абсолютные величины параметров; новые диагностические признаки, генерируемые системой – соотношения параметров электрофизиологических подсистем (внутрисистемные связи ЭКГ, РВГ и др.) и соотношения параметров подсистем (межсистемные связи кардиоваскулярной, кардиореспираторной и других систем). Эти группы представляют собой достаточно самостоятельные физиологические показатели и диагностические признаки, но вместе с тем все они взаимосвязаны, поэтому конечное диагностическое решение должно учитывать эту многомерную взаимосвязь.
Абсолютные значения параметров даны слева, временные параметры (светлые) в мс; амплитудные (заштрихованы) – ЭКГ в мкВ, РВГ – в Ом, Рs и Рд – артериальное давление систолическое и диастолическое — в мм рт. ст.; С°е и С°i – температура кожная и подмышечная. Каждый вектор соответствует параметру (отсчет против часовой стрелки от «третьего часа»).
Как показал опыт сопоставления полипараметрических данных с традиционными клинико-физиологическими результатами, такие многомерные данные с достаточной вероятностью позволяют диагностировать физиологический статус индивида [4]. Однако для прогноза состояния определяемых дисфункций необходимы представления динамики параметров в их взаимосвязи со средой. Одним из подходов к выявлению такого рода знаний для поддержки конечных решений является анализ накопленных данных с помощью известных процедуральных правил типа (if S then A) [8]. Для некой совокупности условий ставится в соответствие некоторое множество вариантов поведения системы «ЕСЛИ (Xi £ Ci) И…
Однако верификация логически построенных образов-эталонов функционального состояния может быть осуществлена на основе экспертных оценок и апробации данных результатов анализа в практических условиях полипараметрического обследования, которая проводится среди студентов МГУ. Подытоживая, отметим, что в статье дано концептуальное описание полипараметрической функционально-диагностической системы, моделируемой на базе интеллектуально-образных систем, и описано проведение анализа системы с помощью процедуральных правил. Список литературы 1. Городецкий В.И. Распределенный искусственный интеллект и многоагентные системы (обзор) // Междунар. семинар: DASMAS’97 “Новости искусственного интеллекта”. - 1997. - № 4. 2. Дмитриева Н.В. Полиметрический анализ вегетативного статуса человека при развитии стресса // Вестник РАМН. - 1995. 3. Дмитриева Н.В., Полипараметрический метод диагностики функционального состояния человека на основе интеллетуально-образных систем // Тр. нац. конф. по искусcтв. интеллекту. РАИИ. - Пущино-на-Оке. - 1998. 4. Дмитриева Н.В., Шевелев В.Ю. Системный анализ полипараметрических синдромов у студентов при развитии стресса в период учебы // Вестник РАМН. - 1998. - № 2. 5. Зенкин А.А. Когнитивная компьютерная графика. - М.: Наука, 1991. 6. Микони С.В. Взаимодействие базы знаний и системы выбора // Новые интеллектуальные технологии в задачах управления. – М.: Наука, Физматлит, - 1999. 7. Koono Zenya, Takashi Sugimoto, Toshio Tonaka, and Behroutz H.Far. A systemic approach for acquisition of human design knowledge // Procrrdings of JCKBSE’94. Japan-CIS Symposium on Knowledge Based Software Engineering’94. Ed. Haruki Ueno, Vadim L.Stefanuk. — Pereslavl-Zalesski, 1994. 8. Newell A., Simon H.A. Human problems solving. Englewood Cliffs: Prentice Hall, 1972. 9. Поспелов Д.А. На пути к искусственному интеллекту. - М.: Наука, 1982. 10.Савин Г.И. Системный анализ сложных процессов. — М.: Радио, 1999. |
http://swsys.ru/index.php?id=691&lang=%E2%8C%A9%3Den&page=article |
|