Экспертная система диагностики дисплазии соединительной ткани у детей

• Автор: Шабалина, Ирина Михайловна
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Петрозаводск
• Количество страниц: 209 с. : ил

Содержание
Введение
1. Постановка задачи диагностики дисплазии соединительной ткани ДСТ и первичная статистическая обработка данных

1.1. Концептуальная модель проблемы диагностики дисплазии соединительной ткани.

1.2. Сбор исходных статистических данных и формирование обучающей выборки

1.3. Математическая модель классификации обследуемых объектов по степеням ДСГ.

1.4. Постановка задачи диагностики степеней ДСТ

1.5. Первичная статистическая обработка

1.6. Исследование зависимости признаков ДСТ

1.7. Статистическая проверка гипотез в задаче диагностики ДСТ

1.8. Доверительный интервал для неизвестной вероятности.

1.9. Исследование связи ДСТ с другими заболеваниями. .
Выводы по Главе 1.
2. Частотные методы формирования знаний и их использование при разработке ЭС Дисплазия
2.1. Частотный метод построения функции принадлежности
для диагностики ДСТ.
2.1.1. Основные предположения математической модели частотного метода.
2.1.2. Построение функции принадлежости.
2.1.3. Алгоритм расчета и его программная реализация.
2.1.4. Пример использования функции принадлежности.
2.2. Иолипроцедурный подход для определения наиболее надежного диагноза при диагностике ДСТ.
2.2.1. Суть полипоцедуного подхода
2.2.2. Применение полипроцедурного подхода
2.2.3. Результаты применения полипроцедурного подхода при диагностике ДСГ
2.3. Разработка экспертной системы диагностики дисплазии соединительной ткани.
2.3.1. Назначение и основные характеристики экспертной системы диагностики степени ДСТ
2.3.2. Архитектура и режимы работы ЭС Дисплазия.
2.3.3. Принятие решений в ЭС Дисплазия
2.3.4. Приобретение и представление знаний в ЭС Дисплазия
Выводы по Главе 2
3. Методы формирования знаний в ЭС Дисплазия
3.1. Использование информационных характеристик исходных данных при формировании правил продукций. .
3.1.1. Определение прогностических коэффициентов. . .
3.1.2. Использование энтропии при построении правил.
3.2. Анализ главных компонент АГК
3.2.1. АГК и его геометрическая интерпретации.
3.2.2. Реализация процедуры компонентною анализа и полученные результаты
3.3. Эталонные методы построении правил продукций
3.3.1. Геометрический подход к формированию знаний.
3.3.2. Механический подход к формированию знаний. .
3.4. Логические методы формирования знаний.
3.4.1. Теоретическая основа логических методов
3.4.2. Представление исходных данных с точки зрения логических методов.
3.4.3. Описание метода построения покрытия.
3.4.4. Пример использования алгоритма построения покрытия
3.4.5. Реализация алгоритма, его достоинства и недостатки.
3.5. Сравнительная характеристика правил продукций, формируемых ЭС Дисплазия
Выводы по Главе 3.
Основные выводы и рекомендации.
Литература


Ьаза данных очень проста, удобна для обработки и содержит только необходимую в ходе исследования информацию. Схема I. Объекты концептуальной модели: “ребенок*, “признак”, “заболевание”. Схема 1. Концептуальная модель БД. Далее следует формальное описание математической модели за дачи диагностики ДСТ у детей и исходных данных модели. Сбор исходных статистических данных и формирование обучающей выборки. Эксперты-специалисты в области диагностики ДСТ у детей в ходе исследований выделили внешних признаков ДСТ {табл. В течение нескольких лет экспертами осматривались дети с целью выявления у них внешних признаков ДСТ и определения по ним степени ДСТ, имеющейся у ребенка. При постановке диагноза эксперты опирались на простейшие критерии диагностики (количество наблюдаемых признаков у объектов), собственный опыт и интуицию. Важно заметить, что обследованию подвергались и дети со слабыми проявлениями ДСТ, и дети с ярко выраженной патологией соединительной ткани. В ходе исследования статистических данных автором работы была разработана компьютерная система, позволяющая формировать базу данных (БД), соответствующую концептуальной модели предметной области, содержащую информацию об обследуемых детях. Структура базы данных и ее особенности описываются в приложении 2. Компьютерная программа позволяет заносить информацию п БД, корректировать и удалять данные. Кроме того, в программе реализованы алгоритмы, позволяющие преобразовывать информацию в вид, необходимый для применения к ней различных алгоритмов, основанных на математических методах анализа данных. Описание программы сбора и корректировки статистических данных приводится в приложении 2. Как уже говорилось, наблюдаемые признаки — качественные (бинарные, дихотомические), то есть каждый признак принимает только два значения: “1” при наличии признака у объекта и “0”, если признак отсутствует. Для приводимых в работе исследований экспертом была предоставлена информация о обследуемых детях. Фрагмент базы данных, содержащей информацию об обследуемых детях представлен в табл. ДСТ, составляют генеральную совокупность объектов ? При этом общее количество возможных комбинаций признаков, наблюдаемых у объектов равно '1, и поэтому диагностика ДСТ “вручную” требует больших затрат труда экспертов и не исключает ошибочных решений. Методы математического моделирования и математической статистики позволяют конструировать модели диагностики ДСТ адекватные реальной ситуации, используя опыт практической диагностики накопленный экспертами. Таким образом, осмотренные экспертом дети с известной экспертной оценкой степень ДСТ, составляют обучающую выборку объема Лг, И' С О, где О — генеральная соскупность всех детей района (города, области и т. После сбора статистических материалов мы сформировали обучающую выборку, и на основе информации, содержащейся в ней, будем разрабатывать эффективные количественные критерии (правила) диагностики ДСТ у детей, позволяющие осуществлять автоматизированную компьютерную диагностику ДСТ. Математическая модель классификации обследуемых объектов по степеням ДСТ. Для каждого объекта обучающей выборки объема N экспертом отмечается наличие нескольких из т признаков. Поэтому каждый объект с номером г мы представляем т-мерным вектором значений признаков (аг,1,я. Л’, к = 1. Эксперты классифицируют объекты по трем степеням ДСТ. Поэтому, с точки зрения экспертов, обучающая выборка разбивается на три подвыборки А объема Л2 объема Лг2 и А3 объема Лг3, (У = А|и>1з1Мз» в каждой из которых содержатся объекты, имеющие первую, вторую и третью степень ДСТ соответственно. В дальнейшем изложении множество Л„ з = 1,2,3, (множество объектов у которых экспертом выявлена «-я степень ДСТ) будем называть “классом э" или “классом объектов с э-й степенью ДСТ”. М* — количество объектов, имеющих 5-ю степень ДСТ, N количество объектов в обучающей выборке. Исходная информация для исследований представлена в виде матрицы (таблицы) X = {я,*},*' = 1,. Х,к = 1,. Фрагмент таблицы исходных данных представлен в табл. Значения Хц определяются по формуле (1.