Классификационные модели адаптационного потенциала живой системы

В результате проведенных исследований разработан метод классификации адаптационного потенциала организма человека. Метод основан на использовании данных, которые получают при проведении функциональной пробы, ассоциируемой с функцией Хэвисайда, путем проведения которой получают модель переходного процесса в живой системе. Представляя живую систему квазилинейной, на основе ее импедансной модели получают спектральные характеристики живой системы, на основе которых формируют дескрипторы для модели машинного обучения. Для получения импедансной модели живой системы предложена методика трехфазного эксперимента. Методика трехфазного эксперимента заключается в моделировании функции Хэвисайда в процессе выполнения велоэргометрической функциональной пробы на трех уровнях функционального состояния организма человека. Это позволяет вычислять дескрипторы для трех «ветвей» классификатора адаптационного потенциала. Классификатор адаптационного потенциала включает драйвер построения линейной импедансной модели живой системы, формирователь дескрипторов и модуль принятия решений. В качестве линейной импедансной модели живой системы используется амплитудно-фазочастотная характеристика четырехполюсника, построенная по переходной характеристике модели живой системы, а дескрипторы вычисляются по импедансной модели Войта, адекватной экспериментально полученной амплитудно-фазочастотной характеристике модели живой системы. Проведены оценки показателей качества дихотомического классификатора адаптационного потенциала на экспериментальной группе студентов и аспирантов, разделенных на два класса посредством показателя активности регуляторных систем. Они показали, что уровень истинно положительных и истинно отрицательных результатов при классификации неизвестных примеров в удовлетворительной степени соответствуют экспертным оценкам. Это позволяет рекомендовать его для использования в практической медицине, например, в биотехнических системах реабилитации, спортивной медицине, а также для контроля динамики функционального состояния пациента в процессе лечения.

1. Анохин П.К. Избранные труды: Кибернетика функциональных систем. Москва: Медицина; 1998. 400 с.

2. Апанасенко Г.Л., Попова Л.А., Маглеваный А.В. Санология. Основы управления здоровьем. Saarbrucken: LAP Lambert Academic Publishing; 2012. 404 с.

3. Мирошников А.В., Шаталова О.В., Ефремов М.А., Стадниченко Н.С., Новоселов А.Ю., Павленко А.В. Алгоритм оптимизации модели Войта в классификаторах функционального состояния живых систем. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022;12(2):59–75.

4. Мирошников А.В., Стадниченко Н.С., Шаталова О.В., Филист С.А. Модели импеданса биоматериала для формирования дескрипторов в интеллектуальных системах диагностики инфекционных заболеваний. Моделирование, оптимизация и информационные технологии. 2020;8(4). https://doi.org/10.26102/2310-6018/2020.31.4.018.

5. Шаталова О.В. Интеллектуальные системы мониторинга медицинских рисков с учетом биоимпедансных исследований. Курск: Юго-Западный государственный университет; 2020. 356 c.

6. Филист С.А., Шаталова О.В., Богданов А.С. Модели биоимпеданса при нелинейной вольтамперной характеристике и обратимом пробое диэлектрической составляющей биоматериала. Бюллетень сибирской медицины. 2014;13(4):129–135. https://doi.org/10.20538/1682-0363-2014-4-129-135.

7. Шуткин А.Н. Информативно-аналитическая модель принятия решений о профессиональной пригодности и оценке состояния здоровья работников опасных производств. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2017;7(2):56–61.

8. Шуткин А.Н. Теоретические и экспериментальные модели прогнозирования профессиональной пригодности работников экстремальных профессий. Прикаспийский журнал: управление и высокие технологии. 2017;(3):36–45.

9. Кудрявцев П.С., Шуткин А.Н., Протасова В.В., Филист С.А. Структурно-функциональная модель для мониторинга влияния управляющих воздействий на функциональное состояние самоорганизующихся систем. Прикаспийский журнал: управление и высокие технологии. 2015;(2):105–118.

10. Ермаков С.А., Болгов А.А. Оценка риска с использованием нейро-нечеткой системы. Информация и безопасность. 2022;25(4):583–592. https://doi.org/10.36622/VSTU.2022.25.4.012.

11. Кореневский Н.А., Филист С.А., Красковский А.Б., Афанасьев В.И. Теория проектирования нечетких сетевых экспертных систем для управления медико-экологической безопасностью. Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2009;(9):146–151.

12. Филист С.А., Томакова Р.А., Дегтярев С.В., Рыбочкин А.Ф. Гибридные интеллектуальные модели для сегментации изображений рентгенограмм грудной клетки. Медицинская техника. 2017;(5):41–45.

13. Филист С.А., Кассим К.Д.А., Руцкой Р.В. Гибридные решающие системы для прогнозирования послеоперационных осложнений у больных с доброкачественной гиперплазией предстательной железы. Известия Юго-Западного государственного университета. 2013;(5):40–49.

14. Томакова Р.А., Филист С.А., Насер А.А. Нечеткие нейросетевые технологии для выделения сегментов с патологическими образованиями и морфологическими структурами на медицинских изображениях. Биомедицинская радиоэлектроника. 2012;(4):43–50.

15. Емельянов С.Г., Рыбочкин А.Ф., Филист С.А., Халаед А.Р. Нейросетевой решающий модуль для исследования живых систем. Известия Курского государственного технического университета. 2008;(2):77–82.

16. Жилин В.В., Филист С.А., Халед Абдул Рахим, Шаталова О.В. Способ моделирования нечетких моделей в пакете MATLAB для биомедицинских приложений. Медицинская техника. 2008;(2):15–17. https://doi.org/10.1007/s10527-008-9019-y.

17. Пихлап С.В., Томакова Р.А., Филист С.А. Нечеткие нейросетевые структуры для сегментации изображений глазного дна. Вестник Воронежского государственного технического университета. 2009;5(4):42–45.

18. Петрова Т.В., Кузьмин А.А., Савинов Д.Ю., Серебровский В.В. Распределенные автономные интеллектуальные агенты для мониторинга и мета-анализа эффективности управления живыми системами. Прикаспийский журнал: управление и высокие технологии. 2017;(4):61–73.

19. Жилин В.В., Филист С.А., Аль-Муаалеми Ваил Абдулкарим. Гибридный способ классификации биосигналов на основе технологий нечеткой логики принятия решений и нейронных сетей. Биомедицинская радиоэлектроника. 2009;(5):77–82.

20. Курочкин А.Г., Жилин В.В., Суржикова С.Е., Филист С.А. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков. Прикаспийский журнал: управление и высокие технологии. 2015;(3):85–95.

21. Курочкин А.Г., Протасова В.В., Филист С.А., Шуткин А.Н. Нейросетевые модели для мета-анализа медико-экологических данных. Нейрокомпьютеры: разработка, применение. 2015;(6):48–53.

22. Филист С.А. Шаталова О.В., Ефремов М.А. Гибридная нейронная сеть с макрослоями для медицинских приложений. Нейрокомпьютеры: разработка, применение. 2014;(6):35–69.

23. Трифонова Т.А., Мищенко Н.В., Климов И.А. Оценка адаптационного состояния студентов. Владимир: Аркаим; 2016. 94 с.