Методы, модели и алгоритмы принятия решений о состоянии здоровья студентов в зоне действия неблагоприятных экологических факторов

• Автор: Медникова, Оксана Васильевна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Курск
• Количество страниц: 162 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ.

1. АНАЛИТИЧЕСКИЙ ОБЗОР СОСТОЯНИЯ ПРОБЛЕМЫ И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ

1.1. Математические методы прогнозирования и диагностики в здравоохранении.

1.2. Использование методов рефлексодиагностики в системах поддержки принятия решений для медицины и экологии.

1.3 Системы поддержки принятия решений ориентированные на здравоохранение.

1.4. Цель и задачи исследования

2. МЕТОДЫ И МОДЕЛИ ПРОГНОЗИРОВАНИЯ И РАННЕЙ

ДИАГНОСТИКИ ЗАБОЛЕВАНИЙ СТУДЕНТОВ В ЗОНЕ ДЕЙСТВИЯ

НЕБЛАГОПРИЯТНЫХ ЭКОЛОГИЧЕСКИХ

ФАКТОРОВ
2.1. Объект, методы и средства исследования.
2.2. Метод синтеза нечетких правил принятия решений о состоянии здоровья студентов в зоне действия неблагоприятных экологических факторов.
2.3. Модели рефлексодиагностики и рефлексотерапии по заболеваниям легких среди молодежи в условиях комплексного воздействия вредных экологических факторов
Выводы второй главы.
3. РАЗРАБОТКА ОСНОВНЫХ ЭЛЕМЕНТОВ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО УПРАВЛЕНИЮ ПРОЦЕССАМИ ПРОГНОЗИРОВАНИЯ ДИАГНОСТИКИ И КОРРЕКЦИИ СОСТОЯНИЯ ЗДОРОВЬЯ СТУДЕНТОВ С УЧЕТОМ ДЕЙСТВИЯ НЕБЛАГОПРИЯТНЫХ ЭКОЛОГИЧЕСКИХ ФАКТОРОВ
3.1. Синтез прогностических и диагностических решающих правил.
3.2. Алгоритмы принятия решений по прогнозированию, диагностике и управлению процессами коррекции состояния здоровья студентов.
3.3. Структура программного обеспечения системы поддержки принятия решений. 1 1
Выводы третьей главы.
4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ .
4.1. Проверка качества прогнозирования по ведущим заболеваниям у студентов г. Железногорска.
4.2. Проверка качества работы правил ранней диагностики заболеваний студентов г. Железногорска.
4.3. Оценка эффективности работы алгоритма принятия решений в автоматизированной системе.
Выводы четвертой главы.
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
ВВЕДЕНИЕ
Актуальность


Он рассчитывается по формуле средней геометрической. Темп прироста характеризует абсолютный прирост в относительных величинах. Приведенные показатели могут быть трех видов: средние, базисные и цепные. Если сравнение осуществляется с одним и тем же уровнем, принятым за базу сравнения, то эти показатели называют базисными. Если сравнение осуществляется при переменной базе, и каждый последующий уровень сравнивается с предыдущим, то вычисленные показатели называются цепными. Временные ряды могут содержать такие структурные образования как тренд, циклическая и случайная компоненты, которые в общем процессе могут суммироваться (аддитивный процесс), перемножаться (мультипликативный процесс) и иметь смешанный характер, содержащий аддитивные и мультипликативные составляющие. Для выявления этих составляющих могут использоваться различные приемы. Так, для выделения перепадов используют аналитическое выравнивание, которое в общем случае состоит в подборе такого аналитического выражения, которое в смысле выбранного критерия как можно более точно повторяет уровни ряда динамики. Одним из широко применяемых критериев «точности подбора» служит метод наименьших квадратов, при котором минимизируется сумма квадратов отклонений результатов вычислений по аналитической зависимости и уровню временного ряда. Наличие циклических процессов может быть определено с помощью Фурье преобразований. Значительное число прогностических моделей основывается на версии о том, что основные тенденции предыстории будут определенное время сохраняться в будущем (свойство инерционности исследуемых систем). В задачах медицинского и экологического прогнозирования встречаются ситуации, когда целесообразно (и даже необходимо) считать, что информация о последних периодах наблюдения гораздо важнее для прогнозирования, чем информация о более поздних периодах и (или) усредненные данные за период наблюдения. Различная ценность информации на различных периодах наблюдений учитывается с помощью адаптивных методов, которые «приспосабливают» весовые коэффициенты моделей под различный прогностический уровень значимости различных временных периодов. Обучаются адаптационные модели с использованием итерационных формул, корректируя свои параметры при поступлении новой информации с использованием алгоритмов минимизации ошибки прогнозирования. Наиболее популярными методами решения задач диагностики, включая раннюю (донозологическую) и дифференциальную диагностику являются методы теории распознавания образов [4, , , , , , , , , 5, 2, 3, 4]. Принято считать, что процесс распознавания образов отождествляется с вопросом, к какому классу объектов (образов) может быть отнесен распознаваемый объект. При этом класс олицегворяет 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, симптомокоплексы и т. Теоретической базой для построения алгоритмов распознавания, обеспечивающих определение класса, к которому может быть отнесен некоторый неизвестный объект, на основе некоторого набора признаков, характеризующих этот объект, и определенных априорных данных, описывающих классы рассматриваемых объектов, послужила теория статистических решений. В настоящее время в различных сферах человеческой деятельности, в том числе и в медицине, используется более 0 методов распознавания и их количество неуклонно растет. Существует несколько подходов к классификации методов распознавания образов. Одни авторы различают параметрические, непарамегрические и эвристические методы, другие - выделяют группы методов, исходя из исторически сложившихся направлений в области теории распознавания образов (ТРО). Подобная типология методов распознания с той или иной степенью детализации встречается во многих работах по распознаванию. Интенсиональные представления - схемы связей между атрибутами (признаками). Экстенсиональные представления - конкретные факты (объекты, примеры).