Применение искусственных нейронных сетей в оценке риска развития клинических проявлений атеросклероза у работников, занятых во вредных условиях труда : на примере нефтеперерабатывающих производств

• Автор: Юсупов, Андрей Николаевич
• Шифр специальности: 14.02.04
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Санкт-Петербург
• Количество страниц: 150 с. : ил.

СПИСОК СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ
Глава 1. СОВРЕМЕННЫЕ ПОДХОДЫ К АНАЛИЗУ ДАННЫХ МЕДИЦИНСКИХ ОБСЛЕДОВАНИЙ. АНАЛИТИЧЕСКИЙ ОБЗОР ЛИТЕРАТРЫ
1.1. Статистические данные о сердечнососудистой патологии у работников нефтеперерабатывающих производств
1.2. Медицинская статусметрия в оценке риска развития клинических проявлений атеросклероза
1.3. Применение искусственных нейронных сетей в медицине
1.4. Методологические аспекты применения ИНС в оценке риска
1.5. Генетические методы
1.6. Критерий качества обучения ИНС
1.7. Заключение
Глава 2. ОБЪЕКТЫ, ОБЪЕМ И МЕТОДЫ ИССЛЕДОВАНИЯ
2.1. Общая характеристика материала исследования
2.2. Характеристика использованных показателей
2.3. Описание процесса составления обучающих и контрольных выборок
2.4. Программное обеспечение
2.5. Заключение
Глава 3. ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ ВОЗМОЖНОСТИ ПРИЕНЕНИЯ И РАЗРАБОТКА МАТЕМАТИЧЕСКОГО АППАРАТА НЕЙРОСЕТЕВОЙ ОЦЕНКИ РИСКА РАЗВИТИЯ КЛИНИЧЕСКИХ ПРОЯВЛЕНИЙ АТЕРОСКЛЕРОЗА
3.1. Формальное представление исходных данных
3.2. Математическое определение оценки риска
3.3. Связь условной функции частоты и модели Фишера

3.4. Востановление условной функции частоты методом «кп ближайших соседей» (kn — Nearest Neighbor)
3.5. Особенности применения искусственных нейронных сетей при
аппроксимации условной функции частоты
3.6. Эмпирический подход к регуляризации обучения искусственных
нейронных сетей
3.7. Коррекция алгоритма Лавенберга-Маркварта
3.8. Генетический алгоритм и аспекты его применения в синтезе и обучении

3.9. Нормировка значений исходных показателей
3.10. Заключение
Глава 4. РАЗРАБОТКА АЛГОРИТМ АВТОМАТИЗИРОВАННОГО
СИНТЕЗА НЕЙРОСЕТЕВОЙ СИСТЕМЫ ОЦЕНКИ РИСКА
4.1. Общая структура процедуры синтеза
4.2. Формирование обучающего множества
4.3. Выбор структуры ИНС и метода ее обучения
4.4. Обучение ИНС по всему обучающему множеству
Глава 5. ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВОГО МЕТОДА ОЦЕНКИ РИСКА РАЗВИТИЯ КЛИНИЧЕСКИХ ПРОЯВЛЕНИЙ АТЕРОСКЛЕРОЗА
5.1. Статистическое моделирование
5.1.1. Пример восстановления условной функции частоты по
экспериментальным данным
5.1.2. Экспериментальное подтверждение эффективности применения
внешнего критерия
5.2. Проверка эффективности нейросетевого алгоритма по сравнению с
существующим методом на экспериментальных данных
5.2.1. Сравнение результатов работы ИНС и ЛДА на реальных
экспериментальных данных

5.2.2. Исследование вариации оценки риска при значительном изменении
одного параметра
5.3. Заключение
Глава 6. ОЦЕНКА РИСКА РАЗВИТИЯ КЛИНИЧЕСКИХ ПРОЯВЛЕНИЙ АТЕРОСКЛЕРОЗА С УЧЕТОМ ХАРАКТЕРА И УСЛОВИЙ ТРУДА НА ПРИМЕРЕ РАБОТНИКОВ НЕФТЕПЕРЕРАБОТКИ
6.1. Распространенность атеросклероза крупных сосудов среди работников нефтепереработки
6.2. Сравнительный анализ эффективности нейросетевой оценки риска развития клинических проявлений атеросклероза со шкалами SCORE, PROCAMhFHS
6.3. Анализ состояния здоровья работников Н1111, находящихся под
длительным наблюдением
ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ
ВЫВОДЫ
ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ
СПИСОК ЛИТЕРАТУРЫ

снижается до минимума. Из этого следует, что при достаточно большом размере группы сравнения снижается область определения искомой функции частоты, в которой точность ее оценки находится в допустимых пределах.
В то же время, чем больше размер группы сравнения, тем больше устойчивость оценки относительной частоты, так как снижается вероятность ее значимого искажения при появлении новых данных в обучающем множестве.
Таким образом, существует некоторая «золотая середина» в размере группы сравнения, обеспечивающая оптимальный баланс устойчивости и информативности полученной оценки риска.
Наши исследования показали, что размер группы сравнения должен
( ъЛ2А „ _ I Ш
рассчитываться по формуле = ХвМ/3, где X р —-н ~ , /5- граница
значимости.
Следует отметить исключительно важный момент в методе «кп ближайших соседей», который заключается в существовании такого соотношения информативной емкости метода и устойчивости результатов его работы, при котором этот метод выдает наиболее точную оценку искомой частоты. При этом соотношение устойчивости и информативной емкости метода определяется размером группы «сравнения», то есть только одним параметром, который имеет единственное оптимальное значение.
Это наблюдение легло в основу гипотезы, что и при применении ИНС аналогичный параметр тоже существует и возможно найти такое его значение, когда реакция ИНС будет максимально близка к искомой условной функции частоты. Анализ результатов работы метода «кп ближайших соседей» позволил определить интуитивно понятные интерпретации терминов «информативность» и «устойчивость».
Отсутствие значимых вариаций воспроизводимой функции частоты при дополнении обучающей выборки новыми данными — это показатель устойчивости метода (робастности).