Интеллектуальная система исследования свойств сенсорного внимания для решения задач прогнозирования и ранней диагностики психосоматических заболеваний

• Автор: Конева, Лариса Викторовна
• Шифр специальности: 03.01.09
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Курск
• Количество страниц: 151 с.

Содержание
Введение
1. Аналитический обзор состояния проблемы и постановка задач
исследования
1.1 Внимание как фундаментальное свойство психики
1.2 Методы и технические средства для оценки параметров
внимания
1.3 Математические методы принятия решения в задачах
биологических и медицинских исследований
1.4 Цель и задачи исследования
2. Исследования взаимосвязей показателей внимания с различными психофизиологическими свойствами организма
2.1 Исследование и анализ свойств зрительного внимания и его
структуры
2.2 Анализ характеристик внимания во взаимосвязи с
электрокартикальной активностью нервной системы
2.3 Исследование взаимосвязи характеристик произвольного
зрительного внимания с вегетативной активностью
2.4 Взаимосвязь показателей внимания с психоэмоциональным
напряжением и утомлением и оценка их уровней
Выводы второй главы
3. Синтез гибридный нечетких моделей для интеллектуальной системы прогнозирования и ранней диагностики психосоматических заболеваний на основе данных о состоянии зрительного внимания
3.1 Выбор и обоснование математического аппарата
исследования
3.2 Синтез гибридных нечетких моделей для решения задач
прогнозирования заболеваний сердечно-сосудистой и нервной систем и желудочно-кишечного тракта
3.3 Синтез гибридных нечетких моделей для ранней диагностики заболеваний сердечнососудистой системы и желудочно-кишечного тракта
Выводы третьей главы
4. Результаты экспериментальном исследований
4.1 Описание исследуется пользователями интеллектуальной системы
4.2 Методы тестирования системы поддержки принятия решений прогнозирования риска и ранней диагностики психосоматических заболеваний
4.3 Оценка качества работы прогностических решающих правил
4.4 Проверка качества работы правил ранней диагностики психосоматических заболеваний
Выводы четвертой главы
Заключение
Библиографический список

Список сокращений
АР - авторегрессионные модели АСВ - амплитуда систалической волны
АУППР - алгоритм управления процессами принятия решений БАТ - биологически активные точки БД - база данных
БЛОМ - блок лечебно - оздоровительных мероприятий БМИ - биомедицинская инженерия БО - блок обучения
БПТ - блок психологического тестирования БРД - блок ранней диагностики
БФОММ - блок формирования и оценки меридианных моделей
ВО - венозный отток
ДАД - диастолическое давление
ДЗТ — диагностически значимые точки
ДИ - дикротический индекс
ДС - диагностическая специфичность
ДЧ - диагностическая чувствительность
ДЭ - диагностическая эффективность
ЖКТ - желудочно - кишечный тракт
ИН - индекс напряжения
ИТТБ - измеритель параметров биологически активных точек
ИП - интерфейс пользователя
КИТ - коэффициент интегральной точности
КР - коэффициент резерва
КФС - классы функциональных состояний
ЛИР - лицо принимающее решения
МАБАТ - многоканальный анализатор биологически активных точек МУ - модуль упругости ОВ - объем внимания

В моделях скользящего среднего предполагают, что информация о предыстории временного ряда сосредоточена в ошибках модели за предшествующие периоды времени.
Известны прогностические модели, в которые включены составляющие авторегрессионных моделей и модели скользящих средних [37, 41].
Широкое применение в задачах медицинской диагностики находят методы теории распознавания образов [4, 19, 23, 28, 46, 47, 56, 60, 65, 75, 109, 116, 129].
Принято считать, что процесс распознавания образов отождествляется с вопросом, к какому классу объектов (образов) может быть отнесён распознаваемый объект. При этом, класс олицетворяет собой некоторую совокупность (подмножество) объектов, обладающих близкими свойствами.
В медицинских приложениях в зависимости от решаемой задачи под классами принято понимать диагнозы, степень тяжести и стадии заболеваний, синдромы, симптомокомплексы и т.д. [109, 129].
Теоретической базой для построения алгоритмов распознавания, обеспечивающих определение класса, к которому может быть отнесён некоторый неизвестный объект, на основе некоторого набора признаков, характеризующих этот объект, и определённых априорных данных, описывающих классы рассматриваемых объектов, послужила теория статистических решений. В последующем математический аппарат, привлекаемый для решения задач распознавания, существенно расширился за счёт использования методов алгебры логики и ряда разделов прикладной математики.
В настоящее время в различных сферах человеческой деятельности, в том числе и в медицине, используется более 200 методов распознавания и их количество неуклонно растёт.
Существует несколько походов к классификации методов распознавания образов.