Интеллектуализация диагностики критических состояний больных с бронхо-легочной недостаточностью на основе нейросетевого моделирования

Интеллектуализация диагностики критических состояний больных с бронхо-легочной недостаточностью на основе нейросетевого моделирования

Автор: Андрюнькина, Елена Владимировна

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2006

Место защиты: Воронеж

Количество страниц: 182 с. ил.

Артикул: 3319234

Автор: Андрюнькина, Елена Владимировна

Стоимость: 250 руб.

Интеллектуализация диагностики критических состояний больных с бронхо-легочной недостаточностью на основе нейросетевого моделирования  Интеллектуализация диагностики критических состояний больных с бронхо-легочной недостаточностью на основе нейросетевого моделирования 

ВВЕДЕНИЕ
ГЛАВА 1. АНАЛИЗ МЕТОДОВ ДИАГНОСТИКИ БОЛЬНЫХ С БРОНХОЛЕГОЧНОЙ НЕДОСТАТОЧНОСТЬЮ, НАПРАВЛЕНИЯ ПО СОВЕРШЕНСТВОВАНИЮ ПРОЦЕССОВ ИХ ДИАГНОСТИКИ И ТЕРАПИИ
1.1. Современные методы и средства диагностики и терапии больных с бронхолегочной недостаточностью
1.2. Методы интеллектуального анализа данных и их использование в задачах медицинской диагностики
1.3. Цель и задачи исследования
ГЛАВА 2. МОДЕЛИРОВАНИЕ КРИТИЧЕСКИХ СОСТОЯНИЙ БОЛЬНЫХ С БРОНХОЛЕГОЧНОЙ НЕДОСТАТОЧНОСТЬЮ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ДОБЫЧИ ДАННЫХ
2.1. Рациональный выбор показателей критического состояния больных с бронхолегочной недостаточностью для целей медицинской диагностики
2.2. Алгоритм восстановления пробелов в массиве данных
2.3. Нейросетевое моделирование критических состояний больных с бронхолегочной недостаточностью
Выводы по главе ГЛАВА 3. ИНТЕЛЛЕКТУАЛИЗАЦИЯ ВЫБОРА РАЦИОНАЛЬНЫХ МЕТОДОВ ДИАГНОСТИКИ И ПРОГНОЗИРОВАНИЕ ОСЛОЖНЕНИЙ У БОЛЬНЫХ С БРОНХОЛЕГОЧНОЙ НЕДОСТАТОЧНОСТЬЮ
3.1. Статистическая оценка эффективности диагностических методов больных бронхолегочной недостаточностью
3.2. Прогнозирование возникновения осложнений у больных бронхолегочной недостаточностью по данным оперативного мониторинга и ретроспективной информации
3.3. Рациональный выбор методов диагностических исследований больных бронхолегочной недостаточностью по показа
ГЛАВА 4. РАЗРАБОТКА И АПРОБАЦИЯ ПОДСИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ВРАЧАРЕАИИМАТОЛОГА
4.1. Структура программноинформационного обеспечения подсистемы интеллектуальной поддержки врачареаниматолога
4.2. Рационализация диагностики состояний и выбора тактики интенсивной терапии больных с применением подсистемы интеллектуальной поддержки врачареаниматолога
4.3. Оценка эффективности интеллектуализации диагностики критических состояний и терапии больных с бронхолегочной недостаточностью на основе нейросетевого моделирования
Выводы по главе
телям эффективности Выводы по главе
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА


Таким образом, экспертная система представляет собой систему, объединяющую возможности компьютера со знаниями и опытом эксперта в такой форме, что система может предложить один или несколько вариантов решения задачи. Важной характеристикой экспертных систем является способность системы пояснять по требованию ход своих рассуждений, сопровождать различные этапы решения комментариями. Модуль экспертной системы, реализующий пояснения хода проводимых рассуждений, позволяет повысить степень доверия пользователя к полученному результату. Основной недостаток экспертных систем заключается в том, что поставщиком знаний для них является человек или группа людей, что и порождает определенные проблемы в ходе формирования базы знаний. Эксперты часто неспособны настолько четко выразить ход процесса мышления, чтобы его можно было бы изложить в форме, подходящей для использования машиной. Поддержка согласованности в экспертных системах больших размерностей до сих пор остается проблемой, открытой для исследований. Экспертные системы требуют эксперта, способного связать прикладную область знаний, необходимых для диагностики, с базой знаний, формируемой в процессе поиска решения. Индуктивные обучающиеся системы позволяют миновать многие трудности при получении знаний из исходных данных, а также сократить временные и вычислительные затраты благодаря тому, что данные системы способны обрабатывать приближенную модель области знания. Индуктивная обучающаяся система снабжается экспертом примерами наблюдаемых признаков и соответствующих им диагнозов. В отличие от систем, которые просто хранят примеры, индуктивные системы используют примеры, чтобы вывести зависимости между признаками и диагнозами. Техническая задача индуктивных систем состоит в формировании приближенного множества классифицирующих правил. Классы правил обычно описываются на концептуальном языке. Индуктивно обучающиеся системы используют предикаты соответствия для проверки принадлежности некоторого образа определенной категории или классу. Концептуальный язык включает правила, формулы логики предикатов, автоматы которые принимают или отклоняют решения и т. При диагностике необходимо распознать симптомы и признаки заболевания, а также произвести классификацию. Такой подход существенно упрощает задачу поиска. На первом этапе поиска система идентифицирует класс объекта по его исходному описанию, используя концептуальный язык. Дальнейшая конкретизация и уточнение принадлежности подклассу производится во множестве с меньшим числом элементов, что существенно ускоряет процесс обучения. Отметим, что индуктивно обучающиеся системы способны получить определенное решение многими способами, используя различные критерии, руководствуясь различными представлениями знаний на концептуальном языке. При использовании индуктивно обучающихся систем возникает также вопрос сходимости принадлежности решения определенному классу и наиболее точному соответствию объекткласс группа объектов. Немаловажную роль при этом играет обучающее множество примеров, предоставляемое системе экспертоманалитиком, которое называется набором обучения, на основе которого формируются базовые классы. В процессе обучения индуктивные системы расширяют и уточняют базовые классы. Таким образом, основным назначением индуктивных обучающихся систем является классификация и диагностика. Во многом успешность применения индуктивно обучающихся систем зависит от следующих факторов выбор обучающего базового множества набора примеров, используемый язык представления концепций. Важным свойством индуктивных систем является возможность обобщения способность правильно классифицировать объекты, которые не использовались непосредственно при обучении системы, но отдельные свойства и характеристики которых изучались системой. Методы классификации и подходы, предложенные в индуктивных системах обучения, послужили основой для создания более строгого и оптимизированного алгоритма, основанного на просмотре узлов дерева поиска. Данный алгоритм получил обоснование и математическое описание, которое базируется на теории графов и теории нечетких множеств.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.264, запросов: 244