V Международная студенческая научная конференция Студенческий научный форум - 2013

В последнее время проблема здоровья детей привлекает внимание все большего числа исследователей в разных областях, что связано со значительным ухудшением здоровья всего населения. Поэтому очень важна оценка состояния здоровья детей, особенно в раннем неонатальном периоде, когда происходит резкая смена среды обитания и процессов функционирования систем организма, а сама жизнь ребенка вне организма матери представляет собой процесс приспособления к измененной среде (адаптационный процесс).

Данные для исследования были предоставлены Роддомом №1 города Томска. В ходе работы была сформирована обучающая выборка, по результатам обследования 498 детей Выборка разделена на 6 классов (диагнозов): здоровые, церебральная ишемия I степени, церебральная ишемия II степени, церебральная ишемия III степени, гипертензивный синдром, внутричерепное кровоизлияние. Каждый класс описывается 42 характеристическим признаком. Диагноз ставился на основании лабораторных показателей (гормоны, общий и биохимический анализы крови), которые выступают в качестве характеристических признаков. Таким образом, оцениваются все жизненно важные системы функционирования организма, что очень важно для всестороннего обследования и правильной постановки диагноза. Для определения вероятности возникновения у исследуемого объекта (ребенка) заболевания была поставлена задача реализации алгоритма логико-вероятностного принятия решения.

Большое значение для оценки состояния здоровья ребенка имеет полнота и качество характеристических признаков или по-другому - «существенных» переменных. Однако, в связи с большой сложностью объекта исследования (большой набор физиологических процессов, большой набор разнородных показателей и т.д.) обычно используют отдельные информативные параметры или некоторую их совокупность, наилучшим образом описывающую состояние здоровья организма ребенка. Обычно, для описания объекта используют набор независимых информативных переменных (признаков). Для оценки информативности использовался метод Шеннона, который дает оценку информативности, как нормированной величины, которая изменяется от 0 до 1. Поэтому об информативности признака, определенной методом Шеннона можно говорить в абсолютномплане: ближе к 1 – высокая; ближе к 0 – низкая. Таким образом, из 42 признаков, наиболее информативных только 12.

Для представления обучающих объектов используется матрица описаний Q, строки которой сопоставляются описаниям объектов, а столбцы - переменным состояния, задающим описание каждого объекта и принимающим значения из множества {1,0,-} (диагностические признаки). Переменные, описывающие состояния организма, участвующие в построении матрицы Q, называются характеристическими.

Для реализации алгоритма логико-вероятностного принятия решения требуется построение 2-х матриц: матрицы описания Q(рассмотренной ранее) и матрица различений R, задающей классификацию обучающих объектов. Строки данной матрицы сопоставляются строкам матрицы Q, а столбцы - классификационным признакам. Предполагается, что существует несколько механизмов классификации, разбивающих изучаемые объекты на непересекающиеся классы (заболевания).

Количество неповторяющихся строк матрицы Rопределяет количество выделенных образов, а каждое подмножество строк матрицы Q, сопоставленных одинаковым строкам матрицыR, соответствует некоторому обучающему подмножеству объектов, принадлежащих одному и тому же образу. Решение задачи дифференциальной диагностики на основе алгоритмов логико-вероятностного принятия решения сводится к решению задачи отнесения исследуемого объекта (состояния ребенка) к одному из непересекающихся классов (диагнозов), представленных системой булевых функций (f₁,f₂,...,f_k) в дизъюнктивной нормальной форме, путем вычисления вероятности принадлежности распознаваемого объекта тому или иному классу (образу). При этом состояние организма ребенка, описываемое набором характеристических признаков, задается конъюнкцией z (в общем виде булевой функцией в д.н.ф.). Представим каждую функцию f_i(i1,2,..,k) дизъюнкцией двух функций. f_i= f_i^f_i^, где f_i^- функция, подлежащая ортогонализации, т.е. функция, каждая конъюнкция которой не ортогональны конъюнкции z, а f_i^ - функция, каждая конъюнкция которой ортогональны конъюнкции z. Для вычисления вероятности принадлежности объекта i-ому образу проводим ортогонализацию конъюнкций функции f_i^.Вычисление вероятности принадлежности распознаваемого объекта тому или иному классу основывается на подстановке в каждую из f_i^ соответствующих вероятностей признаков, задающих исследуемый объект, и замене операций конъюнкции и дизъюнкции соответственно умножением и сложением. Полученная таким образом величина характеризует степень принадлежности объекта к образу.

Алгоритм реализован по следующей схеме:

1 этап. Происходит формализация существующих знаний с помощью придания описываемым экспертом на естественном языке признакам вероятностных значений, т.е. устанавливается числовое соответствие значениям лингвистических переменных.

2 этап. Строки матрицы Q (объекты обучающей выборки) группируются по принадлежности функциям f_i^ и f_i^(описание z сравнивается с функцией f, если значение i-ого признака в описании объекта z является инверсным значению 1(0) соответствующей компоненты вектора f,то конъюнкция относится к функции f_i^иначе к f_i^ ).Процедура повторяется до тех пор, пока не будут сгруппированы все строки матрицы Qпо каждому образу.

3 этап. В матрице Q выделяются строки, принадлежащие функции f_i^, и проверяются попарно интервалы, соответствующие данным конъюнкциям, на пересечение. Далее конъюнкции функции f_i^ , интервалы которых пересекаются ортогонализуются.

4 этап. Для каждого образа, представленного подмножеством строк матрицы Q,принадлежащих функции f_i^, подставляются заданные вероятности признаков исследуемого объекта; заменяются операции конъюнкции и дизъюнкции на соответствующие арифметические умножения и сложения, тем самым вычисляется вероятность принадлежности объекта i-ому классу.

5 этап. Осуществляется принятие решения о принадлежности объекта классу (образу). Решение о принадлежности объекта некоторому классу принимается в случае, когда описание предъявляемого объекта совпадает с описанием некоторого объекта из обучающей выборки, либо, вероятность принадлежности объекта к классу максимальна и степень принадлежности предъявляемого объекта классу удовлетворяет заданной пользователем допустимой погрешности принятия решения.

Необходимость применения данного исследования для диагностики состояния здоровья детей обусловлена сложностью, а иногда и невозможностью в силу ряда факторов проведения измерений, а также неполнотой задания диагностической информации. Реализация алгоритма мягких вычислений обеспечивает качество распознавания 78%.

Код для цитирования: Скопировать