Методология синтеза гибридных классификаторов для прогнозирования состояния здоровья и профессиональной пригодности при работе в экстремальных условиях тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Шуткин, Александр Николаевич

  • Шуткин, Александр Николаевич
  • кандидат науккандидат наук
  • 2018, Курск
  • Специальность ВАК РФ05.11.17
  • Количество страниц 444
Шуткин, Александр Николаевич. Методология синтеза гибридных классификаторов для прогнозирования состояния здоровья и профессиональной пригодности при работе в экстремальных условиях: дис. кандидат наук: 05.11.17 - Приборы, системы и изделия медицинского назначения. Курск. 2018. 444 с.

Оглавление диссертации кандидат наук Шуткин, Александр Николаевич

Введение........................................................6

1 Основные принципы построения систем поддержки принятия решений,

предназначенных для оценки показателей здоровья и профессиональной пригодности работников экстремальных профессий.................26

1.1 Современные методы и средства для оценки адаптационных

возможностей и уровня здоровья организма человека..............26

1.2 Системы поддержки принятия решений....................33

1.3 Особенности профессионального отбора в предметной области .... 39

1.3.1 Основные понятия профотбора...........................39

1.3.2 Инструментарий для проведения психофизиологического отбора .. 48

1.3.3 Компьютерные системы профессионального тестирования...57

1.3.4 Особенности профессиональной деятельности в МЧС России.62

1.4 Цели и задачи исследования.............................67

2 Теоретические и экспериментальные модели прогнозирования

профессиональной пригодности работников экстремальных профессий.70

2.1 Концептуальные модели живых систем, основанные на

качественной оценки их способности к самоорганизации ......... 70

2.2 Формализованные математические описания поведения систем для

их базовых моделей.............................................76

2.3 Метод синтеза решающего модуля для классификации текущего состояния сложной системы в пространстве «резерв СФЕ - ресурс СФЕ» .... 81

2.4 Синтез модели ФСС на основе СФЕ для определения эффекта

экстремальных воздействий..................................... 94

2.5 Методы моделирования адаптационного потенциала с учетом

менеджмента в формировании моделей функциональныхь систем .... 99

2.5.1 Модель формирования функциональных систем с учетом врожденных способностей и приобретенных знаний.............100

3

2.5.2 Трехфазный эксперимент по определению адаптационных

возможностей организма.....................................105

2.5.3 Классификационные модели на основе трехфазного эксперимента 108

2.6 Выводы второго раздела...............................113

3. Методология синтеза коллективов решающих правил для оценки и управления состоянием живых систем на основе технологий мягких вычислений....................................................116

3.1 Обоснование подхода к синтезу нечетких гибридных решающих

правил........................................................116

3.2 Метод оценки уровня информативности разнородных признаков в

условиях плохой формализации..................................126

3.3 Синтез гибридных нечетких решающих правил принятия решений

на основе логики Л. Заде и Е. Шотрлифа........................131

3.4 Синтез нечетких правил принятия решений с разделяющими

гиперповерхностями и многомерными эталонами...................150

3.5 Синтез нечетких правил принятия решений на основе идеологии

метода групповые учета аргументов.............................161

3.6 Синтез правил нечеткого вывода с использованием теории

измерения латентных переменных................................169

3.7 Использование методов разведочного анализа для оценки структуры данных с целью выбора формы и параметров нечетких решающих

правил ............................................................. 186

3.8 Выводы третьего раздела...................................208

4 Разработка прототипов решающих модулей и моделей принятия решений для системы интеллектуальной поддержки прогнозирования профессиональной пригодности работников экстремальных профессий .... 210

4.1 Гибридные решающие модули для формирования виртуальных потоков 211

4

4.2 Метод синтеза виртуального потока для нейронной сети прямого

распространения.................................................226

4.3 Метод синтеза аппроксиматоров, формирующих виртуальный

поток на основе обучаемой нейронной сети........................232

4.4 Метод построения универсального аппроксиматора на основе

МГУА-моделей....................................................244

4.5 Структура гибридной прогнозирующей системы.............255

4.6 Выводы четвертого раздела..............................261

5.1 Структурная организация системы поддержки принятия решений

для прогнозирования профессиональной пригодности работников экстремальных профессий.........................................264

5.2 Интеллектуальные агенты для исследования адаптационного

потенциала человека.............................................267

5.3 Интеллектуальные агенты для прогнозирования профессиональных

заболеваний.....................................................278

5.3.1 Метод и алгоритм прогнозирования релевантных заболеваний для

экстремальных профессий......................................280

5.3.2 Алгоритм формирования интеллектуального агента для определения профессиональной пригодности по риску профессиональных заболеваний 289

5.3.3 Конкретный пример реализации алгоритма формирования интеллектуального агента для определения профессиональной

пригодности по риску профессиональных заболеваний ......... 293

5.4 Интеллектуальные агенты для прогнозирования психологической

устойчивости работника экстремальных профессий ............... 303

5.5 Выводы пятого раздела ............................... 315

6. Программная реализация методов и алгоритмов прогнозирования профессиональной пригодности работников экстремальных профессий в интеллектуальных системах поддержки принятия решений...........318

5

6.1. Система поддержки принятия решений для профессионального

отбора работников МЧС..........................................318

6.2 Веб-сервис............................................321

6.3 Пример реализации стартовой анкеты....................334

6.4 Иллюстрация использование методики в блоке экспресс - оценки

...............................................................353

6.5 Экспериментальные исследования тестов группы «Здоровье».369

6.6 Пример работы блока нечеткого моделирования...........379

6.7 Результаты экспериментальной проверки решающих правил

прогнозирования профессиональной пригодности курсантов МЧС.....392

6.8 Выводы шестого раздела................................400

Заключение ................................................... 402

Список сокращений и условных обозначений...................... 406

Список литературы ............................................ 409

Приложения ................................................... 437

6

Рекомендованный список диссертаций по специальности «Приборы, системы и изделия медицинского назначения», 05.11.17 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методология синтеза гибридных классификаторов для прогнозирования состояния здоровья и профессиональной пригодности при работе в экстремальных условиях»

Введение

Актуальность исследования. Профессиональная пригодность - это наличие у человека качеств, обеспечивающих успешное выполнение профессиональных обязанностей при сохранении здоровья на всем протяжении трудовой жизни. Профессиональная пригодность определяется по совокупности критериев, среди которых важное место занимают медицинские показатели, а также наличие профессионально важных психофизиологических и психологических качеств.

Проблема профессиональной пригодности, ее оценки и формирования занимает в науке особое место не только в связи с ее большой практической значимостью, но и необходимостью ориентации и использования результатов фундаментальных исследований в области общей, когнитивной, социальной, дифференциальной психологии, медицине труда и т.д. Наиболее остро проблема определения и прогноза профессиональной пригодности встает в экстремальных условиях деятельности человека. Перечень профессий, предъявляющих к человеку значительные, экстремальные требования (с экстремальными условиями работы) в последнее время неуклонно растет. Для этих профессий необходим особо тщательный профотбор. Его отсутствие может привести не только к частым ошибкам в работе, малой производительности труда, но и к возможным человеческим жертвам, причинению вреда здоровью работника и окружающих. При этом достаточно часто встает вопрос не только о профессиональном отборе, а также и динамическом сопровождении медико-психологического состояния работников данных профессий.

Результаты анализа средств профотбора, учитывающих особенности работы в экстремальных ситуациях, свидетельствуют о необходимости использования интеллектуальной информационной поддержки принятия решений. Для поддержки принятия решения по профпригодности работника

7

в настоящее время широкое распространение получили тестирующие системы, основанные на использовании современных компьютерных технологий. С их помощью проверяется уровень знаний, осуществляется подбор квалифицированных кадров, проводится сертификация персонала, производится анализ способностей человека и др. Бурное развитие компьютерных и телекоммуникационных средств, а также создание всемирной сети Интернет, позволило использовать персональный компьютер не только как помощника в работе и научных вычислениях, но и как инструмент оценки способностей и состояния здоровья кандидата, проходящего профотбор.

Современные методы поддержки принятия решений в условиях неопределенности и реализация алгоритмов поддержки принятия решений рассмотрены в работах В.И. Васильева, Б.Г. Ильясова, Н.А. Кореневского, В.В. Миронова, Н. Саймона, Б. Алена, Р. Бергмана и др. Применение интеллектуальных тестирующих систем позволяет значительно улучшить качество тестирования, подробно обосновывать человеку, прошедшему тестирование, полученную им оценку; и сократить время прохождения теста за счет завершения процесса тестирования после наступления значимого события.

В то же время разработанные к настоящему времени подходы в определении профессиональной пригодности и профессиональной успешности к различным видам деятельности показывают, что применяемые методы и алгоритмы контроля оценки в основном направлены на решение узкоспециализированных задач лишь психологического и психофизиологического отбора. При этом наблюдается неполнота решения проблемы профотбора на основе достижений современных интеллектуальных технологий, связанная с отсутствием единой методологии синтеза таких систем, учитывающей неполноту и нечеткость информации как об объекте управления, так и об лице, принимающем решение (ЛПР). Наличие такой методологии жизненно необходимо для сохранения здоровья

8

и жизни как работников МЧС и других экстремальных профессий, так и потенциальных жертв чрезвычайных ситуаций (ЧС). Решение этой проблемы может быть найдено в развитии методологии проектирования интеллектуальных систем поддержки принятия решений по профессиональному отбору (СППРПРО).

В связи с этим на основе интеграции системных принципов и общенаучных подходов к построению сложных многоуровневых систем актуальна разработка методологических основ для построения СППРПРО для оценки состояния здоровья и профессиональной пригодности работников экстремальных профессий. Это позволит с помощью новых современных методов исследования повысить точность и достоверность оценивания медицинских и личностных показаний к выбранной сфере деятельности.

Степень разработанности темы исследования. Для оценки профессиональной пригодности важно выдвинутое Б.Г. Ананьевым положение о том, что «... в качестве предпосылок успешности какой-либо деятельности надо рассматривать не только сумму необходимых свойств, а определенную структуру способностей и одаренности, сенсомоторики, мнемических, логических, эмоционально-волевых и других компонентов, неравномерно и своеобразно развивающихся в различных видах деятельности человека». Из этого положения следует, что профессиональная пригодность зависит не просто от совокупности профессионально важных качеств личности, но также от степени их выраженности и характера взаимосвязи, что приводит к необходимости решать плохо структурируемые и слабо формализуемые задачи. В связи с чем применение традиционных методов моделирования сложных систем является малоэффективным, что в свою очередь делает целесообразным использование специально разработанных механизмов СППРПРО на базе методов теории алгебры логики, нейронных сетей и нечеткого логического вывода.

Классические методы принятия решений в условиях неопределенности, развитые в работах таких ученых, как: Р. Кини, А.А. Амосов, Р. Клемен, А.

9

Вальд, В.Д. Ногин, О.И. Ларичев, Т. Л. Саати, А.И. Орлов, А.Н. Тихонов, С. Ханссон, Дж. К. Смит, требуют разработки и создания сложных многоуровневых СППР, базирующихся на теории математических моделей, позволяющих учитывать большое количество критериев и параметров, что в свою очередь характеризуется значительной стоимостью разработки таких систем и высокими вычислительными затратами.

Для принятия решений в условиях неопределенности и плохой структурированности данных используется нечеткая логика принятия решений, базирующаяся на аппарате нечетких множеств. Значительный вклад в совершенствование теоретических основ нечетких множеств внесли: А.Н. Аверкин, Л.С. Бернштейн, Р.А. Алиев, А.Е. Алтунин, А.В. Алексеев, К. Асаи, Р. Веллман, А.Н. Борисов, И.З. Батыршин, Л.А. Заде, А. Кофман, А.В. Леоненков, С.Я. Коровин, О.А. Крумберг, Н.Г. Малышев, К. Негойце, Р. Ягер, Д.А. Поспелов, Т.Л. Саати, А. Тверски, М.В. Семухин, Т. Тэрано, С.Л. Орловский, С.Д. Штовба и др. Реализация алгоритмов нечеткого вывода освещена в работах Х. Ларсена, Е. Мамдани, Т. Такаги, Й. Цукамото, Е. Шортлифа и др.

Проблема применения СППРПРО в обеспечении эффективного тестирования здоровья и личностных характеристик кандидатов (в том числе работников МЧС) присуща ряду направлений в развитии медицинских интеллектуальных систем диагностики и прогнозирования социально значимых заболеваний. Как свидетельствует практика, в системе здравоохранения применяются различные медицинские информационные системы (МИС), с помощью которых возможно накапливать, обрабатывать и хранить большие объемы различной медицинской информации, однако во многих случаях накопленная медицинская статистическая информация является практически бесполезной. Для ее эффективного использования в практике профессионального отбора МЧС необходимо создание интеллектуальных систем, обеспечивающих создание многогранного «портрета» кандидата, причем необходима обширная база тестов, которые бы

10

играли роль своеобразных фильтров, настраиваемых на индивидуальные особенности кандидата и на общепрофессинальные требования к работникам исследуемого сегмента. В основу создания таких систем, помимо накопленных результатов по медико-технологическому процессу, могут быть положены и результаты работы различных медицинских приборов для осуществления сбора большого набора медицинских данных, что позволит врачам оценивать влияние показателей здоровья на успешность работы в выбранной профессиональной сфере, а также накапливать информацию для формирования новых требований к показателям здоровья с учетом «новых вызовах современной обстановки».

Таким образом, оптимальным механизмом для автоматизированного решения являются эффективная обработка статистической информации и комплексный анализ полученных результатов средствами интеллектуального анализа данных с применением технологий нейронных сетей и нечеткой логики принятия решений.

В области построения СППРПРО целесообразно использовать: концепции построения автоматизированных медицинских информационных систем (МИС), теоретические принципы создания медицинских экспертных систем (МЭС), моделей представления знаний, нейронных сетей и нечетких множеств принятия решений (А.О. Недосекин, Г.С. Поспелов, А.А. Дородницын, И.Ю. Каширин, Н.А. Кореневский, М.Л. Минский, М.А. Айзерман, Н. Нильсон, В.М. Глушков, А.В. Шеер, Р. Риченс, Р. Симмонс, С. А. Юдицкий, Д. Дюбуа, А. Прад, Г.Н. Калянов). На основе этой теории осуществляется прогнозирование состояния здоровья при условии работы экстремальных ситуаций с применением устоявшихся медицинских закономерностей.

Особое место в общей проблеме СППРПРО занимает проблема принятия решений в условиях неопределенности. Нахождение решения проблемы СППРПРО в условиях неопределенности обеспечивает теория нечетких множеств с использованием методов алгебры логики и теории

11

когнитивного анализа. В данное время уделяется большое внимание развитию гибридных технологий построения интеллектуальных систем, функционирующих в условиях неопределенности и реализующих комплексное использование различных методов искусственного интеллекта, позволяющих сформировать новую методологию построения таких информационных систем.

Особая роль при таком подходе отводится знаниям, характеризующим предметную область в различных прикладных задачах (Н.Г. Ярушкина, К.А. Майков, В.В. Борисов, Е.Е. Ковшов, А.В. Кузьмин, В.В. Круглов, Ю.Н. Минаев, А.П. Ротштейн, М. Пилиньский, Д. Рутковская, А.П. Столбов, А.А. Усков и др.).

В результате исследования известных методов, алгоритмов и моделей СППР в условиях неопределенности и неполноты исходной информации, основанных на использовании инструментария теории нечетких множеств и нейросетевого моделирования, был сделан вывод, что во многих случаях они не обеспечивают получение соответствующих требованиям решений ввиду малообоснованного выбора параметров моделирования, при этом нахождение адекватных решений из-за необходимости многократного выполнения реализаций используемых методов, алгоритмов и моделей с целью выбора наиболее оптимальных параметров сопровождается большими временными и материальными затратами.

Проведенный анализ современных исследований в области интеллектуальных систем поддержки принятия решений по профессиональной пригодности к работе в экстремальных условиях позволяет сформулировать фундаментальную научную проблему, на решение которой направлено данное исследование: развитие методологии синтеза гибридных классификаторов, обеспечивающей создание интеллектуальных систем психологического и медико-биологического тестирования на основе новых методов, алгоритмов и моделей интеллектуальной поддержки принятия решений (ИППР) в условиях

12

неполноты и неопределенности исходных данных психофизиологического процесса, позволяющих обеспечивать высокую адекватность и обоснованность принимаемых решений в условиях ограниченности информационных и временных ресурсов. Совокупное использование инструментария теории нечетких множеств и нечеткой логики, а также теории нейросетевого анализа дает возможность создать качественно новые интеллектуальные системы, позволяющие решать более широкий круг задач профессионального отбора в условиях неполноты и неопределенности исходных данных и обеспечивать эффективность принимаемых решений (за счет повышения точности, объективности и адекватности) в условиях неопределенности.

Научный аспект сформулированной проблемы заключается в развитии теоретических основ интеллектуального обеспечения обработки психологических и медико-биологических данных в системах психологического и медико-биологического тестирования для поддержки принятия решений по профессиональной пригодности работников экстремальных профессий посредством гибридных классификаторов, построенных на основе теории нечетких множеств и нейросетевого моделирования.

Практическая часть проблемы включает в себя алгоритмизацию, разработку специального программного обеспечения и его практическое применение в медико-технологическом процессе для поддержки принятия решений в системах тестирования профессиональной пригодности на основе медико-биологических и психологических показателей.

Цель диссертационной работы состоит в разработке концептуальных моделей и методологии построения систем поддержки принятия решений в условиях неопределенности и неполноты исходных данных, позволяющих повысить качество прогнозирования профессиональной пригодности кандидатов для работы в экстремальных условиях.

13

Для достижения поставленной цели в работе решаются следующие задачи:

- системный анализ методов и компьютерных технологий прогнозирования профессиональной пригодности работников экстремальных профессий;

- создание моделей управления и прогнозирования функционального состояния работников экстремальных профессий, позволяющих оценить их способность к гомеостазису при функционировании в экстремальных условиях;

- разработка методологии синтеза гибридных решающих правил, основанной на использовании совокупности методов нечеткой оценки и управления состоянием здоровья человека;

- разработка методов моделирования нейронных сетей с виртуальными потоками, предназначенных для классификации функционального состояния работников экстремальных профессий в условиях неполной информации;

- разработка структурно-функциональной организация СППР прогнозирования профессиональной пригодности для работы в экстремальных условиях, позволяющей агрегировать наблюдаемые и не наблюдаемых факторы, влияющие на профессиональную пригодность, как посредством машинного обучения, так и посредством экспертного оценивания;

- разработка метода прогнозирования профессиональных заболеваний, основанного на формировании из группы включенных методик тестирования профессиональной пригодности множества «слабых» классификаторов и гибридных технологиях формирования «сильных» классификаторов;

- разработка методологии синтеза интеллектуальных агентов, основанной на создании конструкта из методов и методик с последующим созданием из их композиции классификатора профессиональной пригодности, адаптированного к заданной экстремальной профессии;

14

- разработка системы поддержки принятия решений для определения профессиональной пригодности курсантов МЧС и ее программного обеспечения, а также экспериментальное обоснование эффективности включенных в нее информационных технологий по прогнозированию профессиональной пригодности кандидатов для работы в экстремальных условиях.

Область исследования. Информационное обеспечение медикобиологических и психологических исследований в интеллектуальных системах тестирования профессиональной пригодности работников экстремальных профессий. Методы принятие решений в трудно формализуемых предметных областях.

Объектом_______диссертационного______исследования являются

автоматизированные системы определения профессиональной пригодности кандидатов для работы в экстремальных условиях (интеллектуальные СППРПРО), особенности технологии их функционирования в условиях неопределенности и неполноты априорной информации.

Предметом исследования являются:

- методы и алгоритмы обработки психологических и медикобиологических данных медико-технологического процесса на всех стадиях тестирования профессиональной пригодности;

- методы синтеза коллективов гибридных нечетких решающих правил;

- модели СППР по профессиональной пригодности работников экстремальных профессий с использованием интеллектуальных систем на основе нечеткого вывода и нейросетевого моделирования;

- методы и алгоритмы нечеткой классификации многомерных объектов в условиях неполноты априорной информации о психологических и медико -биологических процессах.

15

Научная новизна результатов работы. В рамках диссертационной работы были получены следующие основные результаты, обладающие научной новизной.

1. Концептуальные модели управления и прогнозирования функциональным состоянием сложной системы, основанные на понятии ^ундрмональным резеде с^руд^урно функрмональныу еЭмнмр ^СФЕ^ -^ундрмональным ресурс СФЕ, отличающиеся качественным понятием о соотношении трех классов СФЕ в системе, которое определяет способность системы к самоорганизации, позволяющие построить классификационные модели для оценки адаптационного потенциала сложной системы на качественном уровне посредством соответствующего выбора управляемых акций и суррогатных маркеров.

2. Метод синтеза решающего модуля для определения функционального состояния сложной системы в пространстве векторной латентной переменной «резерв СФЕ - ресурс СФЕ», основанный на нечетком шкалировании компонентов вектора, отличающийся трехуровневой схемой экспертного оценивания, на первом уровне которой формируются слабые классификаторы на основе суррогатных маркеров, эксперты второго уровня формируют решающие правила для сильных классификаторов второго уровня, а эксперт третьего уровня формирует нечеткую шкалу для дефуззификатора на выходе классификатора, позволяющий строить решающие модули для классификации и прогнозирования функционального состояния сложных систем.

3. Методология синтеза коллективов гибридных нечетких решающих правил, основанная на использовании совокупности методов нечеткой оценки уровней профессиональной пригодности и состояния здоровья, включающая:

- метод синтеза классификационных решающих правил на основе нечеткой логики Л. Заде и Е. Шортлифа, отличающийся использованием

16

функции принадлежности к гиперобъемам многомерного пространства, характеризующих исследуемые классы состояний;

- метод синтеза нечетких правил принятия решений относительно разделяющих поверхностей и эталонных структур в многомерном пространстве признаков, отличающийся тем, что базовые переменные функций принадлежности к исследуемым классам состояний определяются относительно базовых гиперповерхностей и эталонов с учетом структуры исследуемых классов состояний, а способы агрегации решающих правил учитывают геометрические свойства классов;

- метод синтеза нечетких правил принятия решений на основе метода группового учета аргументов (МГУА), отличающийся тем, что базовые переменные функций принадлежности определяются как меры близости между реально измеряемыми параметрами и их значениями, вычисляемыми по моделям системных структурных взаимосвязей между признаками, описывающими состояние исследуемых органов и систем, а процедура агрегации учитывает особенности структуры используемых данных;

- метод синтеза правил нечеткого вывода с использованием теории измерения латентных переменных, отличающийся тем, что латентные переменные модели Г. Раша определяются как показатели, характеризующие состояние здоровья и функциональное состояние обследуемых и способы их коррекции.

На основе методологии синтезированы нечеткие гибридные математические модели, повышающие качество принимаемых решений по профессиональному отбору, что позволило улучшить показатели адаптации и состояния здоровья работников экстремальных профессий.

4. Метод синтеза виртуальных потоков для систем поддержки принятия решений, предназначенных для прогнозирования способностей человека работать в экстремальных условиях, включающий:

- способ формирования дополнительного признака для нейросетевого классификатора, построенного на основе нейронной сети прямого

17

распространения, предусматривающий последовательное выполнение шести шагов, отличающийся структурой контура обратной связи, позволяющий получить на выходе сумматора дополнительный информативный признак, учитывающий скрытые системные связи между компонентами признакового пространства, присутствующими на входах нейронной сети;

- рекуррентную структурную схему формирования гибридного вектора информативных признаков, который состоит из двух подвекторов, один из которых сформирован из исходных информативных признаков, а второй - из информативных признаков, полученных на основе моделирования системных связей между информативными признаками первого подвектора, отличающаяся использованием МГУА - моделей для формирования второго подвектора, позволяющую выделить релевантные системные связи в исходном пространстве информативных признаков;

- алгоритм последовательной настройки гибридной прогнозирующей системы, включающий в себя этапы выбора нечетких функций принадлежности, составление набора нечетких операций для агрегаторов, обучение нейронной сети, используемой в качестве дефуззификатора, контроль качества прогнозирования, выполняемого полученной гибридной системой.

5. Метод формирования сильного классификатора, отличающийся тем, что при формировании «сильного» классификатора учитывается «вес» «слабых» классификаторов, который определяется путем формирования промежуточных «сильных» классификаторов, получаемых для каждого теста (суррогатного маркера) с учетом «весов» эталонных групп, на которых были обучены эти классификаторы, позволяющий повысить диагностическую эффективность метода прогнозирования профессиональной пригодности для работы в экстремальных условиях.

6. Метод определения риска социально значимых заболеваний, провоцируемых работой в экстремальных условиях, отличающийся последовательным синтезом «слабых» классификаторов для каждой

18

эталонной группы, и взвешиванием выборки, на которой был построен этот классификатор, с последующим взвешиванием «слабого» классификатора с учетом «веса» выборки, на которой он был получен, позволяющий реализовать метод прогнозирования социально значимых заболеваний, провоцируемых экстремальными условиями.

7. Метод контроля качества прогнозирования профессиональных заболеваний, провоцируемых условиями работы в экстремальных условиях, отличающийся параллельным формированием подпространств психологических и медико-биологических признаков, позволяющий выбирать модели решающих модулей и осуществлять их сравнение по показателям качества прогнозирования.

8. Метод синтеза модели интеллектуального агента для прогнозирования психологической устойчивости работника экстремальных профессий, основанный на формировании суперпозиции текущих методик, отличающийся тем, что формирование методик для выбранной профессии осуществляется на основе двухконтурного принципа, в первом контуре осуществляется количественная оценка эффективности формируемой методики, а во втором - непосредственное получение психологического «портрета» кандидата на основе этой методики, позволяющий сформировать агенты второго иерархического уровня для СППРПРО кандидатов на работу в экстремальных условиях.

9. Система поддержки принятия решений, предназначенная для тестирования профессиональной пригодности для работы в экстремальных условиях, состоящая из подсистемы знаний, подсистемы принятия решений и подсистемы интернет-тестирования, включающая два блока принятия решений, первый из которых предназначен для тестирования по базе данных «Здоровье», а второй - по базе данных психологических тестов, выявляющих профессиональные склонности, позволяющая формировать и интегрировать решающие правила, основанные на различных парадигмах и оперирующих с различными сегментами пространства информативных признаков,

19

связанными с различными функциональными системами организма человека.

Достоверность научных положений, теоретических выводов и практических результатов диссертационной работы подтверждается:

- корректным использованием математического аппарата, соответствием результатов вычислительных экспериментов, выдвигаемым в диссертации положениям и выводам качественного характера;

- использованием разработанных методов, алгоритмов и моделей для решения реальных прикладных задач;

- технологической реализацией СППРПРО и отдельных их элементов, подтвержденной свидетельствами об официальной регистрации программ для ЭВМ;

- использованием результатов диссертационной работы в практике профессионального отбора работников экстремальных профессий, подтвержденным актами внедрения.

Работоспособность разработанных методов и алгоритмов подтверждена статистикой обработки большого объема реальных данных, отсутствием противоречий с известными положениями теории и практики анализа и классификации сложноструктурируемой и нечеткой информации.

Похожие диссертационные работы по специальности «Приборы, системы и изделия медицинского назначения», 05.11.17 шифр ВАК

Список литературы диссертационного исследования кандидат наук Шуткин, Александр Николаевич, 2018 год

Источники данных

Общие правила ] 1равила, отображающие специфику операторской деятельности

t

Измерительная ЧСДСИ С'Сма Блик анализа данных

Интегральная {Г Рекомендации ] , оценка поподютовке j

[профпригодности'; персонала J

Рисунок 1.5 - Основные компоненты СППР

Основным источником для базы данных являются профессиограммы, соответствующие определенным видам операторских профессий, нормативные документы, в том числе локальные, определяющие квалификационные требования операторов, рекомендации, отображающие специфику данного вида операторской деятельности и дополнительные внешние и внутренние информационные источники, включающие информацию о ПВК, ПФ-параметрах и т.п., рисунок 1.6.

60

ОПЕРАТОРСКАЯ ДЕЯТЕЛЬНОСТЬ Вид деятельности Режим работы онератора Тич объекта управления

ХАРАКТЕРИСТИКИ J1РОФЕССИО1 РАММЫ ФУНКЦИИ ОПЕРАТОРА

Наименование характеристик Нанменсванне функций

ИСИХОФИЗИОЛО-ГИВЕСКИЕ ТЕСТЫ Наименование теста Мощность теста Устойчивость теста Валидность Возможность мнОгО-

кратною повторення Точность

ЭТАНЫ ОПЕРАТОРСКОЙ ДЕЯТЕЛЬНОСТИ УРОВНИ ОПЕРАТОРСКОЙ ДЕЯТЕЛЬНОСТИ

Нанменсванне Э ганов Наименование уровней

1J ҒОФЕССИОН АЛ ЬНО-ВАЖНЫЕ КАЧЕСТВА

МЕТОДИКИ ИЗМЕРЕНИЙ

Специфичные ПВК Общие ПВК

ПСИХОФИЗИОЛО-ГИЧЕСКИЕ ПАРАМЕТРЫ

Ценные J 1Ф-нараме<ров

Способы намерений Инструментальные средства намерений

Рисунок 1.6 - Структура базы данных

База знаний реализует автоматическую программную обработку измерительной информации в соответствии с разработанными правилами вывода с учетом известных данных, хранящихся в базе данных. При этом измерительная информация дополнительно аккумулируется в базе данных, обеспечивая процесс накопления данных и увеличения информационной мощности системы.

Вследствие сложности формализации и структуризации деятельности оператора как на отдельных этапах операторской деятельности, так и в целом, для оценки профпригодности предложено использование аппарата теории нечетких множеств. Структура программного обеспечения СППР представлена на рисунке 1.7.

61

Рисунок 1.7 - Структура программного обеспечения СППР

Для автоматизации процедуры оценки профессиональной

пригодности человека используют аппаратно-программные тренажерные комплексы, пример структуры которых представлен на рисунке 1.8. Комплекс позволяет осуществлять направленную подготовку кандидата посредством тренировки и развития ПВК, уровень которых недостаточно сформирован, на основе индивидуального портрета испытуемого.

Рисунок 1.8 - Структурная схема аппаратно-программного

тренажерного комплекса

62

Измерение ПФ-параметров осуществляется в измерительной подсистеме посредством индикаторного модуля, используемого для отображения ПФ-тестов, и пульта испытуемого, обеспечивающего управление. Измерители ПФ-параметров формируют поток данных, которые протоколируются в блоке хранения информации и обрабатываются в блоке обработки результатов, а затем поступают в информационную подсистему. Там осуществляется фаззификация значений ПФ-параметров, реализация механизма нечетких логических выводов и дефаззификация.

В блоке определения тренажерного усилия осуществляется индивидуализация тренировочного процесса по критерию сбалансированности ПВК. При этом на основе сравнения с моделью «среднего оператора» определяется набор ПВК, требующих дополнительного развития или поддержки исходного уровня, и набор тренажерных методик, ориентированных на развитие определенных ПВК [118].

1.3.4 Особенности профессиональной деятельности в МЧС России

МЧС России является федеральным органом исполнительной власти, осуществляющим функции по выработке и реализации государственной политики, нормативно-правовому регулированию, а также по надзору и контролю в области гражданской обороны, защиты населения и территорий от чрезвычайных ситуаций природного и техногенного характера, обеспечения пожарной безопасности и безопасности людей на водных объектах [108]. Сотрудники МЧС России осуществляют широчайший спектр деятельности. Это разработка законопроектов, нормативно-правовых актов в области гражданской обороны и защиты населения и территорий от чрезвычайных ситуаций; обеспечение пожарной безопасности и

63

безопасности на водных объектах; контроль за соблюдением требований безопасности; прогнозирование и предупреждение возможных катастроф; экстренное реагирование на возникшие чрезвычайные ситуации, включающее в себя в первую очередь спасение людей.

Очевидно, что работать сотрудникам МЧС зачастую приходится в стрессовых ситуациях, в опасных условиях, работа сопряжена с большой ответственностью и риском. Стресс - реакция организма, состоящая в психическом напряжении, возникающем при хроническом или одновременном действии сильных раздражителей. Это могут быть пожары, наводнения, землетрясения, взрывы, аварии на предприятиях, разбор завалов и поиск под ними людей, случаи бытового или производственного травматизма и т.д. От того, как будут действовать при этом сотрудники МЧС России, зависит, будут ли спасены люди, сколько их будет спасено, в какой степени будет сохранено их здоровье, будет ли предотвращено дальнейшее развитие катастрофы и многое другое. Жизнь и здоровье самих работников МЧС России также подвергается опасности. И при этом принимать решения и действовать нередко приходится в условиях ограничения по времени. Поэтому помимо хорошей физической подготовки и должного состояния здоровья, теоретических знаний и практических навыков им надо обладать рядом особых психологических качеств.

В качестве примера требований к физической подготовке далее описаны физические качества и методы их проверки для личного состава Федеральной противопожарной службы Государственной противопожарной службы (ФПС ГПС) МЧС России, приведенные в приказе от 18 февраля 2013 г. N92 «Об утверждении порядка присвоения квалификационных званий сотрудникам федеральной противопожарной службы государственной противопожарной службы» [122].

Сотрудники в соответствии с возрастом разделяют на шесть групп: 1 -до 30 лет, 2 - от 30 до 35 лет, 3 - от 35 до 40 лет, 4 - от 40 до 45 лет, 5 - от 45 до 50 лет, 6 - старше 50 лет. В зависимости от возрастной категории

64

нормативы рознятся. Также они могут отличаться для сотрудников, занимающихся разными видами деятельности (принимающие или не принимающие непосредственное участие в тушении пожаров, водительский состав и т.д.). Но в основном это нормативы на выносливость, силу и скорость. Выносливость проверяется путем пробегания кросса или плавания, сила - подтягиваниями или иными силовыми упражнениями, скорость -путем выполнения челночного бега. Для отдельных категорий личного состава эти нормативы могут быть дополнены, к примеру, преодолением полосы препятствий или подъемом по штурмовой лестнице, либо, наоборот, урезаны (женщины пятой и шестой возрастных категорий).

Состояние здоровья претендента на должность сотрудника МЧС России выясняется путем проведения медицинского освидетельствования военно-врачебной комиссией МВД России. Как правило, она состоит из терапевта, стоматолога, хирурга, невролога, психиатра-нарколога, офтальмолога, оториноларинголога, и дерматовенеролога. Здоровье кандидата должно быть практически идеальным. Существует большой перечень медицинских противопоказаний к работе в МЧС России, к ним относят заболевания сердечно-сосудистой системы, наличие грыж, хронические заболевания органов дыхания, отклонения от нормального строения носовой перегородки, хронические заболевания опорнодвигательного аппарата, расстройства зрения и слуха, алкогольная зависимость, проблемы с вестибулярным аппаратом и многое другое.

Не менее важны для сотрудника МСЧ его психологические качества. Среди общих требований для всех сотрудников МЧС России выделяют человеколюбие, патриотизм и осознание значимости своей социальной роли [10]. Если обрисовывать психологический портрет спасателя или пожарного, то это волевые, ответственные, решительные и смелые люди. Крайне важны для них стрессоустойчивость и самообладание. Как правило, это люди уверенные в себе, неконфликтные, общительные, являющиеся реалистами,

65

способные здраво анализировать ситуацию. В литературе выделяется ряд психологических противопоказаний к работе в МЧС России:

1) ярко выраженные акцентуации характера;

2) эмоциональная неустойчивость;

3) безответственность;

4) повышенная чувствительность к неудачам;

5) мнительность;

6) чрезмерно заниженная или завышенная склонность к риску;

7) вспыльчивость;

8) неорганизованность [10].

Стрессоустойчивость обеспечивается за счет выбора стратегий совладания (копинг-стратегии) и механизмов психологической защиты.

Психологическая защита - это специальная система стабилизации личности, направленная на ограждение сознания от неприятных, травмирующих переживаний, сопряженных с внутренними и внешними конфликтами, состояниями тревоги и дискомфорта [109].

К основным механизмам защиты относят отрицание, вытеснение, изоляцию, подавление, интроекцию, проекцию, рационализацию, перенос, интеллектуализацию, обесценивание, компенсацию, идентификацию, рег -рессию, играние роли, сублимацию, аскетизм, агрессию, нигилизм, идеализацию, юмор, ретрофлексию, реактивные образования. По данным исследований для спасателей МЧС специфичны такие механизмы защиты как проекция, изоляция и отрицание [87].

Под проекцией понимается механизм приписывания своих вытесняемых переживаний окружающим. Изоляция - это отделение определенных мыслей и поступков от других, разрыв их связи с другими сторонами жизни. Механизм отрицания - невосприятие негативной информации за счет перераспределения внимания на не несущие травматической для психики нагрузки предметы или события [47].

66

Если механизмы психологической защиты осуществляются неосознанно, то стратегии совладания (копинг-поведение, преодолевающее поведение) применяются сознательно.

С. Хобфолом предложены девять моделей копинг-поведения: ассертивные, импульсивные, манипулятивные, осторожные, асоциальные, агрессивные действия, избегание, поиск социальной поддержки, вступление в социальный контакт.

Для сотрудников МЧС характерны ассертивные действия (активная стратегия преодоления, когда люди активно отстаивают свои интересы, не боятся заявлять о своих целях, но при этом уважают интересы окружающих), вступление в социальный контакт, поиск социальной поддержки (просоциальная стратегия, когда либо люди идут на социальный контакт с целью совместными усилиями решить проблему, либо с целью найти поддержку и понимание) [39, 9].

Копинг-стратегии подразделяют на дезадаптивные и адаптивные. Дезадаптивные стратегии используют люди, неуверенные в себе и одновременно питающие негатив к окружающим. Модели поведения, используемые сотрудниками МЧС, относятся к адаптивным стратегиям. Такое поведение нацелено на решение проблемы и получение человеком социальной поддержки от окружающих [143].

Если рассматривать сотрудников МЧС России с точки зрения темперамента, то большинство тех, кто занят в аварийно-спасательных работах, являются сангвиниками [8]. Под темпераментом понимается закономерное соотношение устойчивых индивидуальных особенностей личности, характеризующих различные стороны динамики психической деятельности и поведения [17]. Темперамент складывается из таких характеристик нервной системы как сила, уравновешенность и подвижность. Из четырех известных типов темперамента (флегматик, сангвиник, холерик, меланхолик) сангвинический тип является самым стрессоустойчивым. Сангвиники общительны, некофнликтны, жизнерадостны, работоспособны,

67

хорошо справляются с задачами, требующими быстрого принятия решений в условиях меняющейся обстановки. Сангвиник это сильный, подвижный и уравновешенный тип. Психические процессы сангвиника быстро и легко сменяют друг друга. Все это как нельзя лучше помогает людям с таким темпераментом справляться со стрессовыми и экстремальными ситуациями на службе.

Характерной особенностью опытных спасателей, стаж которых составляет от 10 лет, является высокий риск возникновения синдрома «эмоционального выгорания» [20]. Под эмоциональным выгоранием понимают состояние эмоционального и умственного истощения, физического утомления, возникающего в результате хронического стресса на работе. Оно сопровождается такими проявлениями, как утомление, перепады настроения, расстройства сна, проблемы с пищеварительной или сердечно-сосудистой системой, проявления агрессии, негативное отношение к себе и окружающим, отсутствие интереса к происходящему, негативный настрой к работе и, как правило, сопутствует профессиям, связанным с помощью людям. Для того чтобы снизить количество случаев выгорания среди сотрудников МЧС России, проводится специальная моральнопсихологическая подготовка личного состава.

1.4 Цели и задачи исследования

Аналитический обзор показал, что в настоящее время интенсивно

развиваются методы и средства прогнозирования профессиональной

пригодности работников экстремальных профессий. Однако они, в

большинстве своем, ориентированы на исследование исключительно одного среза кандидата: здоровье, психологический портрет, адаптационный потенциал, профессиональные навыки. Теория взаимодействия этих срезов, в

68

результате которого получается портрет кандидата, адаптированный для данной профессии, отсутствует. Поэтому для повышения эффективности профессионального тестирования, в том числе работников экстремальных профессий, необходимо развивать информационные технологии, основанные на гибридных или мультиметодах, позволяющие построить итерационные процессы построения классификаторов, основанные как на машинном обучении, так и на экспертном знании. В связи ограничениями на возможность получения статистических данных и формированием обучающих и контрольных выборок, необходимо использовать интернет -технологии и основанные на них методы мета-анализа.

Цель диссертационной работы состоит в разработке концептуальных моделей и методологии построения систем поддержки принятия решений в условиях неопределенности и неполноты исходных данных, позволяющих повысить показатели качества оценки профессиональной пригодности кандидатов для работы в экстремальных условиях.

Для достижения поставленной цели в работе решаются следующие задачи:

- системный анализ методов и компьютерных технологий прогнозирования профессиональной пригодности работников экстремальных профессий;

- создание моделей управления и прогнозирования функционального состояния живых систем, позволяющих оценить их способность к гомеостазису при функционировании в экстремальных условиях;

- разработка методологии синтеза гибридных решающих правил, основанной на использовании совокупности методов нечеткой оценки и управления состоянием здоровья человека;

- разработка методов моделирования нейронных сетей виртуальными потоками, предназначенных для классификации сложных систем в условиях неполной информации;

69

- разработка структурно-функциональной организация СППР для прогнозирования профессиональной пригодности для работы в экстремальных условиях, позволяющей агрегировать наблюдаемые и не наблюдаемых факторы, влияющие на профессиональную пригодность, как посредством машинного обучения, так и посредством экспертного оценивания;

- разработка метода прогнозирования профессиональных заболеваний, основанного на формировании из группы включенных методик тестирования профессиональной пригодности множества «слабых» классификаторов и гибридных технологиях формирования «сильных» классификаторов;

- разработка методологии синтеза интеллектуальных агентов, основанной на создании конструкта из методов и методик с последующим созданием из их композиции классификатора профессиональной пригодности, адаптированного к заданной экстремальной профессии;

- разработка системы поддержки принятия решений для определения профессиональной пригодности курсантов МЧС и ее программного обеспечения, а также экспериментальное обоснование эффективности использованных в ней информационных технологий при использовании их в интеллектуальных системах поддержки принятия решений по прогнозировании профессиональной пригодности кандидатов для работы в экстремальных условиях.

70

2 Теоретические и экспериментальные модели прогнозирования профессиональной пригодности работников экстремальных профессий

2.1 Концептуальные модели живых систем, основанные на качественной оценки их способности к самоорганизации

Как было показано в первом разделе, адаптационные способности человека могут рассматриваться как латентная переменная, информацию о которой можно получить посредством индикаторных переменных, построив соответствующие модели, обеспечивающие устойчивые связи между ними. Если в качестве модели сложной системы выбрать модель, основанную на активизации структурно-функциональных единиц (СФЕ) [24], то уровень адекватной реакции системы на возмущающее воздействие или вызовы внешней среды (экзогенные факторы) определяется числом СФЕ, активизированных или деактивизированных в результате соответствующей акции [179].

Согласно [24] система - это совокупность «активированных» и «не активированных» СФЕ. Система рассчитана на некий номинальный режим работы, под которым будем понимать минимальное количество «активированных» СФЕ, необходимое для обеспечения гомеостазиса системы в нормальных условиях. Под нормальными условиями будем понимать условия внешней среды, в которой находится система большую часть своего времени. Адаптационные возможности системы определяются возможностями ее самоорганизации. Возможности самоорганизации системы определяются числом «свободных» СФЕ, то есть таких СФЕ, которые могут принять участие в модификации структуры системы. «Активированные» СФЕ могут, как принимать, так и не принимать участие в адаптационных процессах самоорганизации в зависимости от того, имеют ли они

71

возможность «разорвать» свои прежние связи и установить новые с другими СФЕ. Поэтому в отличие от [24], введем дополнительный (третий) класс СФЕ - «вибрирующие» СФЕ, то есть те СФЕ, которые принимают участие в поддержании гомеостазиса системы, но их структурные связи с другими СФЕ в любой момент могут быть разорваны и перестроены.

Для пояснения необходимости введения этого класса определим, с точки зрения СФЕ, понятие ресурса СФЕ смс^а^ы и разар^а СФЕ смс^а^ы. Под ресурсом СФЕ системы будем понимать число «не активированных» СФЕ в процессе поддерживания системой своего номинального или текущего режима (состояния). Под резервом СФЕ системы будем понимать минимальное количество СФЕ, которые может включать/отключать система, находясь в номинальном или текущем режиме (функциональном состоянии). Эти СФЕ назовем «вибрирующими». Такие СФЕ могут рассматриваться и как «оперативный резерв» системы, а его использование - как средство «перераспределения нагрузки во времени» между СФЕ.

По определению сложной системы, предложенному в [24], система -это объект определённой степени сложности, который может подстраивать свои функции под нагрузку (под внешнее воздействие), результат действия которой имеет число градаций, равное числу СФЕ, входящих в состав системы. Из этого определения следует, что ФС системы (ФСС) 0 связано некоторой функциональной зависимостью с двумя другими латентными параметрами: ресурса СФЕ смс^а^ы и разараа СФЕ смс^а^ы.

На рисунке 2.1 представлена графическая модель ФСС с позиции резерва и ресурса СФЕ.

Согласно этой модели система располагает ресурсом в количестве СФЕ. Эти СФЕ разделены на три класса. Часть СФЕ находится в активном состоянии (оно относится к классу «1» и обозначено на рисунке состоянием 1). Вторая часть СФЕ - не активирована. Это состояние на рисунке показано нулевым уровнем. Находящиеся в этом состоянии СФЕ (они относятся к классу «2») составляют функциональный ресурс (ФР) системы для данного

72

ФС. Третья часть СФЕ в каждом ФС может находиться в активированном или не активированном состоянии (в зависимости от состояния внешней среды) и осуществлять обратимые переходы в/из этих состояний. Это вибрирующие СФЕ, которые составляют ФР в данном ФС - мы относим их к классу «3».

Рисунок 2.1 - Графическая модель, иллюстрирующая ФСС с позиций резерва и ресурса СФЕ

Переход системы из одного ФС в другое связан с ее структурными изменениями, которые могут быть как обратимыми, так и не обратимыми.

При фиксированном соотношении между ресурсом и резервом системы ее структура, то есть топология и взаимодействие СФЕ системы друг с другом, остаются неизменными. Перераспределение ресурса системы приводит к изменению структуры системы. Поэтому модель, основанную на такой гипотезе, назовем моделью с динамической структурой [179].

Адаптационный потенциал (АП) с позиции фундрмональным резеде СФЕ - ресурс СФЕ - это соотношение СФЕ, находящихся в

трех состояниях, определяющее возможности системы переходить адекватно стимулу в новое ФС в соответствие с текущими вызовами внешней среды.

73

Концептуальная модель управления ФС сложной системы, основанная на введенном понятии СФЕ, представлена на рисунке 2.2. Такая модель системы ориентирована на использование в лечебно-профилактических

мероприятиях.

Рисунок 2.2 - Концептуальная модель управления сложной системой

В модель включен классификатор ФС, который позволяет отнести систему к определенному классу. Отметим, что в общем случае ФС не отождествляется с классом, так как ФС измеряется на интервальной шкале, а классы - на шкале наименований. В общем случае ФСС - это объективное свойство системы, определяемое ее латентными переменными, тогда как класс определен субъективными требованиями лица, принимающего решения (ЛПР). Согласно модели, представленной на рисунке 2.1, ФСС зависит от двух латентных переменных: функционального ресурса СФЕ и функционального резерва СФЕ. Функциональный ресурс может принимать только дискретные значения: после того, как функциональный резерв в данном ФС будет исчерпан, запускается регламентированный процесс перераспределения функционального резерва между функциональным

74

ресурсом для нового ФС и функциональным резервом в новом ФС (на рисунке 2.1 это отрезок на оси абсцисс, характеризующий функциональный ресурс, который делится в определенной пропорции при переходе всех СФЕ функционального резерва в класс «1») [179].

Так как принята гипотеза, что СФЕ системы могут быть в трех состояниях, то ФС определяется количеством СФЕ, находящихся в этих трех типах состояний, причем эти величины выражаются в относительных единицах, так как общее число СФЕ в системе неизвестно.

Для модели тестирования системы, то есть прогнозирования ее функционального состояния при взаимодействии с внешней средой, необходимо использовать концептуальную модель, представленную на

Рисунок 2.3 - Концептуальная модель прогнозирования состояния сложной

системы

75

Биообъект в данной модели представлен в виде двух информативных модулей: функциональное состояние и адаптационный потенциал, и наблюдается посредством индикаторных переменных, которые несут информацию, как о функциональном состоянии, так и об адаптационном потенциале. Биообъект может взаимодействовать непосредственно с внешней средой (в случае прогнозирования профессиональных заболеваний) и/или на него осуществляется управляемое воздействие (акция), которое осуществляется через модель внешней среды и управляется непосредственно ЛПР.

Профессиональную пригодность или риск профессионального заболевания определяют на выходе модуля прогнозирования, который анализирует состояние окружающей среды. ФСС и АП определяют на основе индикаторных переменных, которые разделяются на статические и динамические блоки. Индикаторные переменные в статическом блоке не привязаны к «акции», тогда как индикаторные переменные в динамическом блоке управляются «акцией».

Следующий вопрос, который должен быть решен при построении модели с динамической структурой - это выбор способа, позволяющего оценить, сколько СФЕ из ресурса выбирается резервом при переходе системы из одного ФС в другое. Здесь можно воспользоваться принципом «пятьдесят на пятьдесят» или принципом «Золотого сечения» [19].

Процесс перехода системы из одного структурного состояния в другое сопровождается перераспределением ресурса системы и с позиции теории сложных систем может быть описан посредством двух латентных переменных. Первая из них ( 0 ) - характеризует ФСС (число

активизированных СФЕ) и отражает «напряженность» внешней среды, а вторая ( су ) - уровень возмущающего (тестового или терапевтического) воздействия. Под переменной су понимается «измеряемое» воздействие на систему. Однако шкала измерения этого воздействия определена во внешней, относительно системы, среде. При переносе на системную шкалу имеют

76

место определенные искажения, обусловленные отображением пространства возмущающего воздействия на системные координаты. Так как у каждой системы свои системные координаты (своя шкала), то отображение возмущающего воздействия для различных систем будет различно.

Таким образом, исследована возможность управления и прогнозирования функциональным состоянием (ФС) сложной системы на основе понятия структурно-функциональной единицы. Предложены концептуальные модели перехода сложной системы из одного ФС в другое, которые обусловлены управляемыми внешними воздействиями на систему. Модели позволяют осуществлять контроль динамики ФС сложной системы. При должном выборе индикаторных переменных, позволяющих определять переход системы из одного ФС в другое, имеется возможность осуществлять мониторинг эффективности внешних воздействий на систему. Модель системы рассматривается как динамика соотношений «функциональный ресурс - функциональный резерв», которые в рассмотренных моделях являются качественными латентными переменными [179].

2.2 Формализованные математические описания поведения систем для их базовых моделей

Чтобы определить ФСС необходимо выбрать множество индикаторных переменных, которые, с одной стороны, были бы доступны для измерения, а, с другой - достаточно полно отражали ФСС или ее подсистем при всех дискретных значениях функционального ресурса. Это условие отражают следующие выражения:

= /(Ч;' Х2-'----Хм-);

(2.1)

77

= ^- (У,),

У, (^) = У,_1 + , (Р,.),

= 3(^,3,_1),

(2.2)

(2.3)

(2.4)

где 3, - /-ый дискретный уровень ФСС (при этом число ФСС может быть ограничено только множеством СФЕ, включенных в модель системы, характеризующейся дискретными значениями распределения ресурса);

, ^2, ---^ } - множество индикаторных переменных;

У - вектор /'-ого дискретного ФСС 3 , характеризующийся состояниями СФЕ, компоненты которых: - число включенных в

функциональную модель состояния 3, СФЕ, - число СФЕ, находящихся в резерве в данном ФС 3,;

Зу - вероятность перехода системы из состояния 3,_1 в состояние 3, в случае воздействия на систему фактора . = 1, М (при этом

^1 <^2 <---).

В качестве индикаторов или суррогатных маркеров могут быть выбраны показатели сердечно-сосудистой системы, энергетические характеристики биоактивных точек (БАТ), крови и другие показатели, например, предложенные в [58].

На рисунке 2.4 представлена динамика изменения структуры системы при выборе соотношения между резервом и ресурсом «пятьдесят на пятьдесят». В этом случае при переходе на следующий дискретный уровень функционального состояния, ФР предыдущего ФС распределяется поровну между ФР и функциональным ресурсом текущего ФС.

Поведение вектора У в каждом /-ом ФСС определяют прямые, обозначенные на рисунке 2.4 цифрами 1, 2, 3 и т.д. Согласно выбранному

78

способу определения соотношения ресурс/резерв в начальном ФС 0

«задействуются» 50% СФЕ. Из них в качестве резерва используются 50%.

0,25 0,5 0,75 1

Рисунок 2.4 - Динамика изменения структуры системы (векторы, отражающие эту динамику, проведены более толстыми линиями) при выборе

У1

соотношения между резервом и ресурсом «пятьдесят на пятьдесят». Горизонтальные штриховые линии соответствуют динамике изменения резерва системы, а вертикальные штриховые линии - динамике изменения

ресурса системы

При этом, в зависимости от состояния внешней среды, вектор % описывает траекторию, определяемую прямой «1» на рисунке 2.4 и, таким образом, координаты вектора Е независимо от ФСС 0, связаны соотношением

Е? = л - - У1)/(- а),

(2.5)

где а - число СФЕ, активированных в состоянии 0^; - максимальное

число СФЕ, которое может быть активировано в состоянии 0.

Исходя из уравнения (2.5), число вибрирующих СФЕ в состоянии 0 определяется из соотношения

- Е1.

(2.6)

79

Это число и является ФР системы в состоянии 0,.

Если состояние внешней среды таково, что вынуждает систему использовать весь резерв данного дискретного ФС, то система переходит в следующее дискретное состояние, увеличивая свой резерв за счет функционального ресурса. Следовательно, теперь конец вектора У перемещается по отрезку прямой 2. Теоретически таких дискретных состояний может быть бесконечное множество. Оно ограничено возможностью получения целой части частного от деления пополам количества СФЕ, составляющих функциональный ресурс системы в текущем дискретном состоянии.

Таким образом, если система испытывает адекватные к своему дискретному состоянию внешние воздействия, то все перестройки СФЕ обратимы в пределах соотношения резерв/ресурс системы, определяемого уравнением (2.6). При выходе воздействий за пределы адекватности реакции наблюдаются необратимые перестройки структуры системы, которые приводят к необратимым изменениям ее свойств (индикаторных переменных). При этом свойства систем, относящихся к одному и тому же ФС (классу) при одном состоянии среды, могут изменять свою структуру неодинаково (при неизменной модели по рисунку 2.4). Это приводит к выделению различных классов при соответствующих изменениях внешней среды. Такие своеобразные расщепления классов иллюстрирует рисунок 2.5.

При одном и том же внешнем воздействии на системы, находящиеся в исходном состоянии в одном и том же ФС (классе), они могут переходить в различные классы ФС. Переход системы из одного класса в другой зависит не только от изменения внешней среды. Он определяется также индивидуальными особенностями системы, которые «заложены» в абсолютном числе СФЕ, а также в генотипе системы (СФЕ), определяемом функциональной способностью отдельно взятой СФЕ. При этом необходимо отметить следующий факт. Дискретное состояние системы 0 - это ее внутреннее состояние, определяемое по собственной (индивидуальной)

80

шкале. Отнесение системы к определенному классу - это процесс приведения совокупности систем к общей шкале оценки ФСС - абсолютной шкале [179].

Рисунок 2.5 - Трансформация классов при одинаковых возмущающих факторах на континуум систем (на примере двух индикаторных переменных)

Таким образом, способность системы адекватно реагировать на внешние возмущения определяется длиной отрезков 1, 2, 3 и т.д., показанных на рисунке 2.4. В тоже время, переход системы в другой класс не связан напрямую с длинами этих отрезков, так как зависит еще от генотипа СФЕ. Тем не менее, очевидно, что реакция системы на внешнее воздействие определяется изменением соотношения резерв/ресурс, то есть переходом системы из одного дискретного состояния в другое. Поэтому при должном выборе индикаторных переменных, позволяющих определять переход системы из одного ФС в другое, можно осуществлять мониторинг как эффективности управляющих воздействий, так и прогноз реакции системы на вызовы внешней среды. В частности, появляется возможность контролировать уровень опасности экологического загрязнения окружающей среды, степень эффективности лекарственных средств и их побочные реакции, формировать тесты на профессиональную пригодность и т.п.

81

Дискретное функциональное состояние системы через понятие структурно-функциональной единицы может быть описано двумя независимыми параметрами: числом структурно-функциональных единиц первого класса _у1 и третьего класса _у2. ФС рассматривается как двухкомпонентный вектор, характеризующий соотношение не активированных и вибрирующих структурно-функциональных единиц. Динамика ФС системы определяется дискретными состояниями функционального резерва СФЕ (первой компоненты вектора) и непрерывными состояниями функционального ресурса СФЕ - второй компоненты вектора.

Поскольку параметры _у1 и _у2 являются не наблюдаемыми, то чтобы определить ФСС необходимо выбрать множество индикаторных переменных Х2, ----Хуу }, которые, с одной стороны, были бы доступны для измерения, а с другой - достаточно полно отражали ФСС или ее подсистем на всех дискретных уровнях ФС 3.

Предлагаемая модель может быть использована в различных целях: для оценки степени опасности экологического загрязнения окружающей среды, степени эффективности лекарственных средств и их побочных реакций; для формирования тестов на профессиональную пригодность и т.п.

2.3 Метод синтеза решающего модуля для классификации текущего состояния сложной системы в пространстве «резерв СФЕ - ресурс СФЕ»

Как было установлено выше, переход сложной системы из одного функционального состояния в другое связан с изменением числа активных СФЕ, которое может быть осуществлено как за счет «вибрирующих» СФЕ, так и за счет «включения в работу» невозбужденных СФЕ. Относительное

82

число активизированных СФЕ зависит от параметров акции (действия) су и может быть описано одной из известных математических моделей, например, логистической моделью. Для описания текущего состояния системы при этом используют две латентные переменные: функциональный резерв СФЕ и функциональный ресурс СФЕ.

На основе предложенных моделей может быть построен классификатор, посредством которого ЛПР будет выбирать соответствующую акцию (действие), позволяющую перевести систему из одного ФС в другое (желаемое) состояние.

Путем «размытия» третьего класса СФЕ, получаем «стробоскопическую» модель системы, представленную на рисунке 2.6, которая позволяет использовать для анализа и управления состоянием системы нечеткую логику принятия решений [58, 61, 190].

Рисунок 2.6 - Модель поведения ФСС при нечетком описании СФЕ третьего класса

Согласно этой модели, СФЕ, находящиеся в «вибрирующем» состоянии, определяются отрезком на оси абсцисс, заключенном между точками у? и ^, и их состояние может описываться промежуточными значениями, заключенными между нулем и единицей.

83

Решающий модуль для определения состояния сложной системы в выбранном пространстве признаков не может быть обучаемым классификатором, так как координаты такого пространства нельзя измерить непосредственно, а также сформировать обучающую выборку с априорно известными значениями признаков. Наиболее перспективным способом решения поставленной задачи является построение экспертной системы с набором «свидетельств», которые характеризовали бы принадлежность объекта наблюдения к определенному нечеткому множеству. 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) к некоторому интервалу на соответствующей шкале. Так как указать четкие интервалы на этой шкале не представляется возможным, потому что они устанавливаются экспертами, то такую интервальную шкалу назовем нечеткой.

Нечёткое множество в полном пространстве определяется через функцию принадлежности (membership function): [0,1] Величина

(х), л е интерпретируется как субъективная оценка степени

принадлежности элемента л к нечёткому множеству ^.

Носителем нечёткого множества или несущим множеством называется чёткое подмножество полного пространства ^, на котором значение (л) положительно: ст(^) = {л е ^(л) > о)

Нечёткими Ғ-множествами называют совокупность всех нечётких подмножеств произвольного базового множества а их функции

принадлежности - Ғ-функциями. Как правило, под понимают сужение функции принадлежности со всего на ст(л), поэтому Ғ - множества обычно задают функцией принадлежности и несущим множеством (х),^(^)).

84

Нечёткая переменная - это объект предметной области, характеризуемый тройкой {jV,Jf,7?(7V,.x)}, где JV- название переменной, универсальное множество (полное пространство наблюдений) с базовой переменной .х,7?(Җ.х)б - нечёткое Ғ-множество, задающее ограничения

на значения переменной л, обусловленные её названием [111, 141, 161, 231, 232].

Лингвистическая переменная - это нечёткая переменная, значениями

которой являются другие нечёткие переменные: слова или предложения естественного или формального языка [111].

Нечёткая шкала (fuzzy scale) (рисунок 2.7) - это упорядоченная совокупность S' нечётких переменных определенных своими F-

функциями, значения из которой может принимать некоторая

лингвистическая переменная .s*:

х=[0,1]

а)

О

0,5

Рисунок 2.7 - Четкая шкала интервального типа (а) и нечеткая шкала интервального типа (б)

85

Фиксация значения л = Д для некоторого свойства означает, что оно оценивается лингвистической переменной л и имеет значение Д. Для задания шкалы S' необходимо определить все нечёткие переменные Д, указать их функции принадлежности и несущие множества [111].

Для четкой шкалы Д выбирается множество действительных чисел из отрезка [0,1]: Д ={^]^ е[0,1]) Для нечёткой шкалы Д выбирается

универсальная шкала лингвистических переменных, например, как показано на рисунке 2.7 б: Sy = {тИИ, Sow, ^eJ, Dzg%, ^Лт), где лингвистические

переменные задаются нечёткими множествами:

(4 )); (т)=(т,8,20,0);т е )=[0;0,23];

Sow = ((т),^(То^); (т) = Д&е77(т;0,17 ;0,23;0,34);т е (7(Tow) = [0,17 ;0,4];

(т),^(^е^); (т) = Д&е77 (-т;0,34;0,4;0,6);т е ст(М^)= [0,34;0,66];

=(i%A (т),^(^^^ (т) = Д,е77 (т;0,6;0,66;0,77); т е ^(^zg^) = [0,6;0,83];

(т), ^(^Лт); (т) = ^,^г^А.7-с (т;0,77;0,95);т е ^(^^г) = [0,77;1].

Функцией дефаззификации (defuzzification function) для нечеткого множества Д е F), = [0,1], заданного своей функцией принадлежности дД (т), называется любая функция De/Mz^ (т)) , возвращающая чёткое

значение т е , «характерное» для Д Например, для отображения De/ми чёткое значение нечёткого уровня Н вычисляется по методу центра тяжести

[114]: & J тдД (т )<зГ De/Mz(H,.)= е ; Д е S/,z = 1,и; J дД (т )<Тт

Л

Таким образом, чтобы разработать метод синтеза решающего модуля для измерения латентных переменных на нечетких шкалах, необходима концептуальная модель нечеткого шкалирования. На рисунке 2.8

представлена концептуальная модель нечеткого шкалирования.

86

I I

I I

I I

I I

I I

I I

I I L

Объект

(Эксперт 2-1 ( (Эксперт 2-2 (

Эксперт 1-1

Эксперт 14

I

I

I

Пространство } признаков j

I

I

I

I

I

I

I _________________________I

агрегатор

мс^

агрегатор

мот

агрегатор мш

^ЭКСПеРТ^-^) (^Эксперт 2-м

1-1-3 2-1-3 1 3-1-3 1 2-3-3 S g ГД g сг g

с Рн С Рн с Рн С Рн с Рн с Рн с Рн с Рн

J . Эксперт 3 t Блок настройки

)

нечёткая шкала - дефуззификатор t

чёткая шкала

Рисунок 2.8 - Концептуальная модель нечёткого шкалирования

Концептуальная модель основана на формировании подмножеств информативных признаков - индикаторных переменных, выбор и анализ которых основан на экспертном оценивании.

Идея измерения латентных переменных основана на опросе экспертов с иослеЭую^м^ мх ^чечмм, ч^о иозчоляе^ иолучм^ь чеко^о^ую

точку на интервальной шкале [3, 14, 15, 66]. При этом индикаторные

87

переменные получают посредством опросника или синтезируются согласно методам, описанным в [154, 163, 171], причем грань между респондентом и экспертом стирается, так как оцениваться может не только объект через опросник (метод), но и сам опросник (метод).

В концептуальной модели нечеткого шкалирования, представленной на рисунке 2.8, выделено два уровня экспертного оценивания. На первом уровне исследуемый объект характеризуется некоторыми информационными "срезами". Каждый информационный срез представлен подмножеством косвенных, по отношению к искомой латентной переменной, признаков. Эксперты второго уровня анализируют эти подмножества признаков и выносят решение о принадлежности исследуемого объекта или его свойства к нечеткому интервалу на порядковой шкале. Такие решения представляются в виде нечетких решающих правил продукционного типа. Решающие правила могут использовать, как только одно подмножество косвенных признаков, так и произвольную комбинацию признаков, взятых из нескольких подмножеств. Обычно решающие правила, которые в данном случае выступают в качестве "слабых" классификаторов, строятся по одному множеству косвенных признаков и отражают мнения экспертов о состоянии сложной динамической системе, полученные по результатам анализа одного множества косвенных признаков [171].

Ситуация может измениться, когда на первом экспертном уровне осуществляется локальное шкалирование на четких или нечетких шкалах. Локальное шкалирование состоит в том, что по подмножеству косвенных признаков получают четкую или нечеткую шкалу для локальной (локальных) латентных или не латентных переменных. В этом случае решающие правила могут строится экспертами второго уровня по различным подмножествам информативных признаков с учетом их трансформации в локальные переменные.

Решающие правила на втором уровне формируются по разным подмножествам признаков разными экспертами. Каждое нечеткое решающее

88

правило определяет уверенность или принадлежность данной латентной переменной к данному нечеткому множеству нечеткой шкалы. На рисунке 2.8 в целях компактности представления концептуальной модели выбрано только три нечетких множества, обозначенные термами ^/'и, ^е^, ^ал.

На уровне концептуальной модели, представленном агрегаторами, осуществляется агрегация нечетких решающих правил для каждого терма. Известно множество методов и алгоритмов построения агрегаторов нечетких решающих правил [60, 76, 82]. Основным недостатком этих методов, на наш взгляд, является то, что авторы не пытаются обосновать свои подходы к агрегации нечетких решающих правил и не представляют рабочих методов, позволяющих верифицировать полученный результат. Поэтому разработчику остается только констатировать качество работы полученной модели и при отрицательном результате натурных испытаний внести соответствующие изменения в модель. Для нечетких моделей, связанных с долгосрочным прогнозом, такая возможность отсутствует, поэтому при разработке метода агрегации будем ориентироваться на хорошо зарекомендовавшие себя методы агрегации, используемые в системах медицинского прогнозирования.

Сформировав пространство информативных признаков для каждого подмножества косвенных информативных признаков, можем приступить к построению «слабых» классификаторов для определения искомых латентных переменных.

В каждом подмножестве косвенных признаков строятся «слабые» классификаторы, принимающие решения по соответствующему подмножеству косвенных информативных признаков. Для агрегирования решений «слабых» классификаторов используются «сильные» классификаторы агрегаторы, которые агрегируют решения «слабых» классификаторов.

За основу построения агрегатора взята схема Шортлиффа, описанная в [108]. Основу этой модели составляют правила продукционного типа (ПП)

89

(2.7)

где //, ^еи, w/7A - ключевые слова-разделители; ^н^е^еЭен^ - 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 «Лмио^еза СҒ» - консеквент ПП R;

Лмио^еза ПП R - одна из гипотез решающего модуля; CF - коэффициент уверенности ПП R.

В модели Шортлиффа набор операций и отношений над операциями фиксирован (операции осуществляются только над двумя операндами):

min (а, b);

max (а, );

(2.8)

(2.9)

Je/

г^е(а) = < а);

(2.10)

Je/

^^б(а, ^) = а X ^;

(2.11)

Je/

с^^(а, ^) = а + - а х

(2.12)

При этом полагаем, что косвенные признаки только подтверждают (не опровергают) гипотезу о принадлежности латентной переменной к нечеткому интервалу.

В ПП последовательно включаются косвенные признаки, причем не важно, в каком порядке, и экспериментально оцениваются коэффициенты уверенности ПП при наличии заданного числа косвенных признаков

90

(объединенных по аи^). Чем больше косвенных признаков присутствует в ПП, тем выше коэффициент уверенности этого решающего правила.

На рисунке 2.9 представлена схема обработки /-го ПП. Схема состоит из четырех секторов. В секторе Н вычисляется антецедент /-го ПП.

Рисунок 2.9 - Обработка /-го продукционного правила

В секторе Б сравнивается по Н 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 . Если результат больше порогового, то его нормируют (взвешивают) в секторе С в соответствии с коэффициентом уверенности этого ПП посредством операции В секторе D принимают гипотезу в соответствии с (/+7)- м ПП посредством формулы (2.11).

91

На рисунке 2.10 представлена схема алгоритма работы «сильного»

классификатора.

Рисунок 2.10 - Схема алгоритма работы «сильного» классификатора для терма

92

В блоке 1 осуществляется подготовка итерационного процесса накопления свидетельств в пользу гипотезы 77^. В блоке 2 осуществляется цикл просмотра правил продукций по m экспертам второго уровня. В блоке 3 осуществляется ввод количества правил продукции у ткущего эксперта второго уровня для гипотезы 77^.

В блоке 4 организуется цикл просмотра правил продукции по текущему эксперту второго уровня для гипотезы 77^.

Блок 5 осуществляет ввод текущего правила продукции эксперта второго уровня, а в блоке 6 осуществляется проверка принадлежности этого правила продукции гипотезе 77^.

В блоке 7 вычисляется антецедент решающего правила согласно (2.2), в блоке 8 решающее правило 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 77^ . В блоке 10 осуществляется вычисление текущего значения коэффициента уверенности в гипотезе по данному «слабому» классификатора, а в блоке 11 выводится окончательное значение коэффициента уверенности по данному «слабому» классификатору.

Сильные классификаторы согласно концептуальной модели рисунка 2.8 объединяются в нечеткую шкалу посредством дефуззификатора. Окончательная задача состоит в том, чтобы по нечеткой шкале получить точку, соответствующую ресурсу или резерву исследуемой системе. Нечеткая шкала должна быть разбита на нечеткие множества. Так как априорных данных об этой шкале нет, то есть она представляет собой некий конструкт, то на ней произвольно введем три нечетких множества посредством трех термов: «высокий», «средний», «низкий», которые разбивают шкалу [0,1] на три пересекающихся подмножества (рисунок 2.11).

93

Рисунок 2.11 - Технология измерения ФР на нечеткой интервальной

шкале

Принадлежность искомой точки к этим подмножествам определяется посредством набора нечетких продукций и правил их агрегации (посредством сильных классификаторов). После определения принадлежности объекта к каждому из этих подмножеств посредством дифуззификации определяем окончательную (четкую) координату искомой точки на измерительной шкале. Окончательный этап этого процесса иллюстрирует рисунок 2.11.

Для того чтобы реализовать технологию измерения ФР, представленную на рисунке 2.11, необходимо сформировать множество решающих правил для определения значений функций принадлежности для каждого из термов w7, w , w^.

Так как в формируемом признаковом пространстве могут быть представлены не все релевантные информативные признаки или сегменты, то было предложено ввести дополнительный «слабый» псевдо классификатор, который мы назовем D - классификатором. Псевдо классификатор

94

генерирует на выходе число в диапазоне от 0 до 1, значение которого подбирается для каждого объекта обучающей выборки таким образом, чтобы минимизировать ошибку «сильного» классификатора при его обучении. На схеме концептуальной модели это прерогатива Эксперта 3. Псевдо классификатор ничего не дает при классификации неизвестного образца, но позволяет перераспределить соотношения весов других, не фиктивных «слабых» классификаторов, с учетом влияния не наблюдаемого фактора.

Настройку решающего модуля осуществляем в два этапа. «Слабые» классификаторы формируются на основе экспертных оценок. После формирования «слабых» классификаторов формируется сильный классификатор посредством обучения по результатам опросов работников МЧС с заболеваниями, включенными в задачи исследования.

2.4 Синтез модели ФСС на основе СФЕ для определения эффекта экстремальных воздействий

Сформируем выборку пациентов, описываемых различными латентными переменными , и фиксированное внешнее воздействие (например, неблагоприятное воздействие внешней среды) одинаковую для всех пациентов. Положительный эффект воздействия внешней среды -активация/деактивация СФЕ третьего класса, отрицательный - их деактивация/активация. Будем считать, что при оптимальном сочетании латентной переменной 0 и латентной переменной (переменная является латентной по отношению к обучающей или контрольной выборке), вероятности активации/деактивации всех вибрирующих СФЕ равны 0,5.

Все латентные переменные измеряются на одной шкале в относительных единицах. Следовательно, их значения лежат в диапазоне

95

[0,1]. При высоком уровне су (ст >> 0) ФС изменяется у всех пациентов (активируются практически все СФЕ третьего класса и, следовательно, вероятность активации отдельной СФЕ стремится к единице). Наоборот, если су относительно мало (^ << 0), то вероятность активации отдельной СФЕ третьего класса близка к нулю.

Таким образом, в качестве модели зависимости (2.4) для ^-ого пациента из континуума используем логистическую модель [163], которая представлена уравнением

= (ехр(^.-0^,,._1))/(1 +

)).

(2.13)

Модель (2.13) позволяет перейти к мониторингу динамики ФС пациентов согласно уравнению (2.1). Для этого необходимо определить индикаторные (наблюдаемые) переменные. В качестве таких переменных можно использовать спектральные плотности медленных волн [1 53], энергетические характеристики БАТ [166] и т.д. При монотонном увеличении возмущающего воздействия (при воздействии внешней среды это длительность или доза воздействия) в момент, когда индикаторная

переменная имеет локальный экстремум, который назовем реперным сигналом.

При этом диапазон разбивается на произвольное количество поддиапазонов S >М (см. раздел 2.2) и при каждом детектировании (обнаружении) реперного сигнала решается уравнение

(exp(^.-0 ,,._1))/(1 +

)) = 0,5.

(2.14)

Уравнение (2.14) позволяет получить ранжированный ряд ФС, которым соответствуют векторы индикаторных переменных. На основе этого ряда строится таблица экспериментальных данных для определения

96

интерполирующей функции, аппроксимирующей функциональную зависимость (2.1). Интерполяция по (2.1) осуществляется для каждого пациента при условии, что на него осуществляется экологическое воздействие в течение всего периода трудовой деятельности. В случае отсутствия такой возможности, необходимо формировать обучающие выборки с известными ФС .

Согласно принятым гипотезам, ФСС 0 характеризуется двумя параметрами _у1 и _у2 (см. рисунок 2.4) и связано с ними некоторой функциональной зависимостью

0 = 7СУ1, У?), (2.15)

Подставляя (2.1) в (2.13), а (2.13) в (2.15), ЛПР определяет оптимальные параметры акции, а также осуществляет, при необходимости, контроль динамики сложной системы как результат внешних управляемых воздействий.

При нахождении системы в оптимальном состоянии (принимается соотношение между активированными СФЕ и резервными -«вибрирующими» СФЕ «50 : 50»%)

6=0,5; (2.16)

У1 = (1/2)6. (2.17)

Если ФСС определено ее резервом в этом состоянии, который вычисляется как

У? = 6 - У1, (2.18)

то

97

0 = 1/2',

(2.19)

где / - номер ФС, принимающий значения чисел натурального ряда.

Согласно (2.13) вероятность перехода из одного ФС в другое при адекватном внешнем воздействии (например, равном 0,5), растет по мере снижения ФР в этом состоянии и в пределе стремится к величине (0,5)exp(0,5)=0,82.

Если руководствоваться принципом «Золотого сечения» при определении соотношения между активированными СФЕ и резервными -«вибрирующими» СФЕ, то координата в номинальном режиме определяется из решения квадратного уравнения [179]:

У2 + у2 -1 = 0-

(2.20)

Графики перехода пациента из одного ФС в другое, полученные посредством вышеописанных моделей, показаны на рисунке 2.12.

При построении моделей принималось во внимание, что переходы возможны только между дискретными состояниями 0, где /' изменяется от единицы до бесконечности. В следующее ФС пациент переходит после того, как исчерпан резерв текущего состояния. При этом у моделирующей переходы функции имеет место разрыв первого рода, что обусловлено необходимостью использования части «вибрирующих» СФЕ данного состояния на поддержание системы в этом состоянии. Эти СФЕ могут перейти в резерв ФС, если 0, > . В противном случае, текущее состояние

будет поддерживаться за счет потребления («задействования») СФЕ из резерва текущего состояния. При полном их потреблении система переходит в следующее ФС. Рассмотренная модель построена при условии паритетного соотношения между ресурсом и резервом состояний, а также между СФЕ резерва и СФЕ, используемыми для поддержки данного состояния [179].

98

Рисунок 2.12 - Графические модели перехода системы из одного ФС в другое (сплошной линией показаны переходы при 6?>а, штриховой - в противном случае)

Эксперименты с моделированием переходов системы из одного ФС в другое при мониторинге экологических воздействий показали, что в области 0, >= а наблюдаются колебания реперного сигнала. Чем выше амплитуда его колебаний и больше коэффициент их затухания, тем активнее реакция на

99

экстремальный фактор, и чем колебания более высокочастотные и низкоамплитудные, тем в более напряженном ФС находится система.

2.5 Методы моделирования адаптационного потенциала с учетом менеджмента в формировании моделей функциональныхь систем

При решении вопроса о профпригодности для экстремальных профессий необходимо учитывать не только профессиональные навыки и состояние здоровья кандидата, но и способность его организма формировать функциональные системы, поддерживающие гомеостаз и отвечающие на вызовы окружающей среды [4]. Согласно теории функциональных систем П.К. Анохина под функциональной системой понимается такое сочетание процессов и механизмов, которое приводит к конечному приспособительному эффекту, полезному для организма в конкретной ситуации. ФС представляет собой разветвлённую физиологическую организацию, составляющую конкретным фмзмолоемнеокмм аппарат, служащий поддержанию жизненно важных констант организма. Состав функциональной системы и направление её деятельности определяются не органом, ни анатомической близостью компонентов, а динамикой объединения, диктуемой только качеством конечного приспособленного эффекта.

В [179] была предложена модель формирования ФС, основанная на понятии структурно-функциональной единицы (СФЕ). С точки зрения этой модели адаптационный потенциал организма, то есть способность его противостоять вызовам внешней среды посредством формирования новых функциональных систем и модификации старых, определяется оперативным и стратегическим запасом СФЕ в системе. Однако эта модель не учитывала

100

способности самой системы к формированию ФС как за счет врожденных способностей, так и за счет приобретенных знаний.

2.5.1 Модель формирования функциональных систем с учетом врожденных способностей и приобретенных знаний

В работах П.К. Анохина выдвинуты основные постулаты, лежащие в основе теории моделирования функциональны систем (ФС). Постулат первый: ведущим системообразующим фактором ФС любого уровня организации является полезный для жизнедеятельности организма, приспособительный результат. Постулат второй: любая ФС организма строится на основе принципа саморегуляции - на основе контроля отклонения результата от уровня, обеспечивающего нормальную жизнедеятельность, ФС посредством соответствующей деятельности сама восстанавливает оптимальный уровень этого результата. Постулат третий: ФС являются центрально - периферическими образованиями, избирательно объединяющими различные органы и ткани для достижения полезных для организма приспособительных результатов. Постулат четвёртый: ФС различного уровня характеризуются изоморфной организацией, то есть имеют однотипную архитектонику. Постулат пятый: отдельные элементы в ФС взаимодействуют с целью достижения полезных для организма результатов. Постулат шестой: ФС и их отдельные части избирательно созревают в процессе онтогенеза, отражая тем самым общие закономерности системогенеза [4].

Таким образом, ФС - это взаимосвязь активных элементов, которая направлена на достижение полезного приспособительного результата. Так как до сих пор идёт поиск конкретных анатомических структур мозга,

101

ответственных за формирование ФС, обратимся к теории структурных функциональных единиц (СФЕ). Теория СФЕ предполагает, что ФС формируется из абстрактного набора СФЕ путем включения их в функциональную схему ФС. Причем количество СФЕ ограничено.

Однако для построения ФС недостаточно одного ресурса СФЕ. Для формирования ФС необходим Менеджер - интеллектуальный агент, который собирает ее из СФЕ, на основе имеющегося у него запаса знаний, который, при необходимости, может пополняться. В качестве такого Менеджера в модели используем нейронную сеть, занимающую промежуточное положение между обучающейся и самоорганизующейся нейросетевой структурой. Модель формирования ФС на основе такого подхода представлена на рисунке 2.13.

Рисунок 2.13 - Схема формирования функциональной системы

102

Задача ФС заключается в том, чтобы на входной стимул А, поступивший в момент времени С выдать реакцию У заданного класса, которая определяется оператором X:

У (А

А-)}-

(2.21)

Для формирования оператора X используется нейронная сеть АЕГ, работающая на основе гибридномго алгоритма.

Для настройки нейронной сети NET в начале стимуляции нет обучающей выборки. На вход ФС поступают стимулы X, которые нарушают гомеостазис организма. На выходе ФС необходимо сформировать реакцию Y, которая снижает деструктивное влияние стимула X. Сущность гибридной настройки нейросети NET заключается в том, что при ее настройке используется как обучающая выборка, формируемая в базе данных БД, так и системная память - база знаний (БЗ), которую в модели рисунок 2.13 представляет Менеджер.

Алгоритм настройки NET, а по существу формирования ФС, представлен на рисунке 2.14.

Особенность алгоритма состоит в том, что он осуществляет последовательное переключение настройки нейросетевой структуры NET с экспертного оценивания на обучающую выборку и, наоборот.

Алгоритм, представленный на рисунке 2.14, является бесконечным алгоритмом, так как он может «уснуть» на блоках 3 и 4, если прекращают поступать данные в БД (отсутствуют стимулы).

103

Менеджер

Менеджер

104

Рисунок 2.14 - Схема алгоритма формирования модели функциональной системы

Так как в начальный момент обучающая выборка отсутствует, то Менеджер на основе памяти о предыдущих ситуациях формирует ФС и настраивает NET (блок 1). Затем, им же, в блоке 2 определяется апертура наблюдения N1, после чего в БД записывается множество пар {У (^), У (^)}. В блоке 5 определяется ошибка s, которая выражает «удовлетворенность» Менеджера работой ФС. Если Менеджер признает работу ФС удовлетворительной (блок 6), то осуществляется возврат на блок 2, где выбирается новая апертура наблюдения N1. Если ошибка велика, то Менеджер приступает к анализу данных в БД. Здесь могут иметь место три варианта действий. По первому варианту Менеджер приходит к выводу о смене настройки NET на основе своего опыта, то есть к возврату на блок 1.

105

Во втором случае Менеджер находит нерегулярность в данных и решает переформатировать обучающую выборку (блок 9), после чего переобучить нейронную сеть (блок 10). Если данные, по решению Менеджера, нормальные, то из блока 8 осуществляется переход по третьей ветви на блок обучения нейронной сети.

2.5.2 Трехфазный эксперимент по определению адаптационных возможностей организма

При оценке профессиональной пригодности работающего в экстремальных ситуациях важна потенциальная возможность кандидата в перестройки ФС в случае смены стимула. Оценку перестройки функциональной системы осуществляем согласно следующей гипотезе. В блоке 7 (рисунок 2.14) после анализа данных в БД Менеджер обнаружил изменения в параметрах стимула. В этом случае он старые параметры нейронной сети отправляет в БЗ, для нейронной сети устанавливаются новые параметры согласно вышеописанному алгоритму, представленному на рисунке 2.14. Время перестройки параметров нейросети будет определять потенциальные возможности системы к работе в экстремальных условиях.

Исходя из представленной модели адаптации, можем сделать заключение, что адаптационный потенциал зависит как от функционального состояния Менеджера, так и от ресурсов Системы формирования и перестройки NET. В связи с этим возникает проблема поиска и определения суррогатных маркеров, которые позволили бы оценить эти параметры организма.

В теории систем автоматического управления хорошо известно, что наибольшую информацию о надежности функционирования той или иной

106

системы можно извлечь при исследовании переходных процессов. Сделать это с помощью многих, используемых в медицинской практике, методов весьма затруднительно, а зачастую и просто невозможно. Поэтому суррогатные маркеры ищем среди параметров переходных процессов (при перестройке ФС). Для оценки их параметров был предложен метод многофазного эксперимента. Проиллюстрируем метод на примере трехфазного эксперимента. В качестве теста выбирается функциональная проба («физическая» или «интеллектуальная»), имеющая несколько уровней сложности, которые мы назовем фазами. Эксперимент состоит из трех фаз. В первой фазе испытуемому предлагают задания с низким уровнем нагрузки. Результаты выполнения заданий (рейтинг) записываются в таблицу экспериментальных данных (ТЭД).

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.