Методы и алгоритмы двухагентной классификации состояния системы кровообращения, основанной на морфологическом анализе и вероятностных нейронных сетях

• Автор: Волков, Иван Иванович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Курск
• Количество страниц: 134 с. : ил.

СОДЕРЖАНИЕ
СПИСОК ОБОЗНАЧЕНИИ И СОКРАЩЕНИИ
ВВЕДЕНИЕ
ГЛАВА 1. МЕТОДЫ КЛАССИФИКАЦИИ СЛОЖНЫХ СИСТЕМ НА ОСНОВЕ АНАЛИЗА СЛОЖНОМОДУЛИРОВАННЫХ СИГНАЛОВ СИСТЕМНЫХ РИТМОВ
1.1. Генезис медленных волн в живых системах
1.2. Методы анализа медленных волн квазипериодических
биосигналов
1.3. Аппаратные и алгоритмические средства мониторинга кардиосигнала
1.4. Автоматизированные системы диагностики сердечнососудистых рисков на основе оценки колебательной структуры кардиосигналов
1.5. Основные понятия теории агентов
1.6. Цели и задачи исследования
2. РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ ВЫДЕЛЕНИЯ МЕДЛЕННЫХ ВОЛН ИЗ КАРДИОСИГНАЛОВ РАЗЛИЧНОЙ ПРИРОДЫ
2.1. Исследование моделей медленных волн
2.2. Метод и алгоритмы выделения медленных волн из кардиосигналов
2.3. Метод и алгоритм выделения медленных волн из фотоплетизмосигнала.
2.4. Метод и алгоритмы выделения медленных волн из ЭКС
2.5. Метод и алгоритм выделения медленных волн из ЭКС посредством
частотной демодуляции квазипериодического сигнала
Выводы второй главы
ГЛАВА 3. РАЗРАБОТКА ПОДСИСТЕМЫ ВЕРХНЕГО ИЕРАРХИЧЕСКОГО УРОВНЯ ДЛЯ ДВУХАГЕНТНОЙ
КЛАССИФИКАЦИИ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ СЛОЖНЫХ СИСТЕМ

3.1. Теоретические аспекты объединения решений на основе вероятностных моделей классификации
3.2. Структурно-функциональные решения верхнего уровня двухагентной системы на основе вероятностных нейронных сетей
3.3. Исследование архитектуры вероятностной нейронной сети
3.4. Модифицированная вероятностная нейронная сеть для медицинских
приложений
Выводы третьей главы
ГЛАВА 4. ИССЛЕДОВАНИЕ МОДЕЛЕЙ И АЛГОРИТМОВ УПРАВЛЕНИЯ ПРОЦЕССОМ ОПРЕДЕЛЕНИЯ СЕРДЕЧНОГО РИСКА И СРАВНИТЕЛЬНАЯ ОЦЕНКА ИХ ЭФФЕКТИВНОСТИ
4.1. Вероятностные нейронные сети с макрослоями для классификации и прогнозирования сердечнососудистых осложнений
4.2. Системный анализ групповых факторов риска ССО на примере инсулинозависимых больных
4.3. Структурная схема автоматизированной системы диагностики на основе технологии вероятностных нейронных сетей с группированием информативных признаков по макрослоям
4.4. Исследование диагностической эффективности разработанных методов и
алгоритмов классификации
Выводы четвертой главы
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
АГ - артериальная гипертония
АД - артериальное давление
АТФ - аденозинтрифосфат
ВНСМ - вероятностная нейронная сеть с макрослоями
ВСР - вариабельность сердечного ритма
ГИ гиперинсулинемия
ДАД - диастолическое артериальное давление
ДС - диагностическая специфичность
ДЧ - диагностическая чувствительность
ДЭ - диагностическая эффективность
ИБС - ишемическая болезнь сердца
ИНС искусственные нейронные сети
ИО - истина отрицательна
ИП - истина положительна
ИР инсулинорезистивность
ЛО - ложь отрицательна
ЛП - ложь положительна
ЛПР - лицо, принимающее решение
МАС - мультиагентная система
МС метоболический синдром
НСМ - нейронная сеть с макрослоями
ООС - отрицательная обратная связь
ОПФ - оконное преобразование Фурье
ОХС - общий холестерин
ПАРС - показатель активности регуляторных систем
РБВНС - радиальная базисная вероятностная нейронная сеть
РБНС - радиальная базисная нейронная сеть

В архитектурах второго типа, которые называют реактивными, не используются традиционные для систем искусственного интеллекта символьные модели представления знаний. Модели поведения агентов представлены либо наборами правил, которые позволяют выбрать действие, соответствующее ситуации, либо конечными автоматами, либо другими средствами, обеспечивающими формирование адекватных реакций агента на возникающие в системе стимулы. Системы этого типа, как правило, имеют высокую степень специализации и строгие ограничения на сложность решаемых задач.
Наиболее перспективными считаются гибридные интеллектуальные мультиагентные системы, которые позволяют использовать возможности интеллектуальных и реактивных архитектур. Примером может служить архитектура с иерархической базой знаний, которая содержит структурированную БЗ, рабочую память, модуль управления коммуникацией и человеко-машинный интерфейс. Агент с подобной архитектурой обладает способностью к рассуждениям и к реактивному поведению. Его БЗ содержит три уровня: 1) знания предметной области; 2) знания о взаимодействии, которые позволяют принимать решения в условиях неопределенности; 3) управляющие знания. Интеллектуальное поведение агента обеспечивается способностью принимать решения, а реактивное - системой контроля за содержимым рабочей памяти, которая функционирует по принципу глобальной доски объявлений. Агент взаимодействует с пользователем, используя человеко-машинный интерфейс. В общем случае гибридные архитектуры являются многоуровневыми и отличаются друг от друга структурой и содержанием уровней, которые могут соответствовать различным уровням управления, абстракции либо отдельным функциональным свойствам агента.
Одно из новых направлений - применение нейронных сетей для реализации МАС. Коннекционистские архитектуры на основе искусственных нейронных сетей (ИНС) позволяют создавать самообучающихся агентов, знания которых формируются в процессе решения практических задач. Хорошие перспективы для