Интеллектуальные агенты для исследования адаптационного потенциала человека

Количественная оценка адаптационных возможностей и индивидуального здоровья остается одной из самых актуальных задач современной медицины и физиологии труда. С этой целью предложено множество различных методологий и методик [7, 9, 12, 16, 36, 37, 41, 51, 52].

Таким образом, у ЛПР должен быть инструментарий, позволяющий собрать из отдельных модулей специализированный блок для определения адаптационного потенциала. Под специализированным блоком здесь понимается блок, который определяет адаптационный потенциал под условия внешней среды, соответствующей заданной ЛПР экстремальной

профессии. Это значит, что из базы знаний, содержащей соответствующие методологии, ЛИР извлекает подходящие методы и собирает из них как из конструктора адекватные решающие правила, которые назовем слабыми классификаторами. Так же в распоряжении ЛИР должны быть методы агрегации решающих правил, позволяющие объединять частные решающие правила как по методам внутри методологии, так и по методологиям.

На рисунке 5.3 представлена укрупненная панель инструментов для формирования слабого классификатора. Инструментарий имеет ячеистую структуру.

Рисунок 5.3 - Укрупненная панель инструментов для формирования слабого классификатора

Каждая ячейка - это методология с соответствующим Data Mining.

В блоке 1 ЛПР выбирает нужную методологию согласно инструментальной панели рисунок 5.3. В блоке 2 осуществляется выбор метода Data Mining внутри выбранной методологии. В блоке 3 ЛПР оценивает имеющиеся в наличии инструментальные возможности, позволяющие реализовать выбранную методологию с данным способом обработки сырых данных. Если инструментальные возможности получения информативных признаков не соответствуют выбранной технологии Data Mining, то ЛПР выбирает другую технологию обработки сырых данных.

Сформировав Data Mining, ЛПР выбирает подходящий метод машинного обучения, после чего может оценить его эффективность на соответствующих обучающих и контрольных выборках. Эту процедуру реализуют блоки 6 и 7. Результатом работы этих блоков является величина коэффициента уверенности КУ по данному слабому классификатору, который используется в консеквенте решающего правила слабого классификатора.

В качестве примера сформируем слабый классификатор для оценки профессиональной пригодности по адаптационному потенциалу,

определяемому на основе методологии анализа вариабельности сердечного ритма (ВСР) [7].

Рисунок 5.4 - Схеме алгоритма формирования слабых классификаторов интеллектуального агента, определяющего адаптационный потенциал (начало)

Рисунок 5.4 - Схеме алгоритма формирования слабых классификаторов интеллектуального агента, определяющего адаптационный потенциал (конец)

В качестве метода анализа ВСР используем спектральный метод, основанный на оценке высокочастотных (High Frequency, HF) 0,4-0,15 Гц (2,5-6,5 сек); низкочастотных (Low Frequency, LF) 0,15-0,04 Гц (6,5-25 сек) и очень низкочастотных (Very Low Frequency, VLF) 0,04-0,003 Гц (25-333 сек) компонент спектра ВСР.

Формируем алфавит из двух классов Aи A.

Функция плотности вероятности трехмерного нормального распределения имеет вид [42]:

где X - вектор-столбец, представляющий объект (конкретный кандидат);

- вектор-столбец, называемый средним вектором; e[] - обозначение оператора математического ожидания;

- симметрическая положительно определенная матрица, называемая ковариантной матрицей. Её элементы определяются выражением

273

где r, r- элементы обучающей выборки для определенного класса.

Для кандидатов, отнесенных экспертами к пригодным к работе в экстремальных условиях, формируются обучающие выборки класса A, которые обозначим как где i- номер выборки, у - её объём, j- номер объекта в этой выборке, спектральные компоненты которого задаются вектором q = {q, q, q}.

Аналогично через V будем обозначать обучающие выборки, в которые вошли объекты, определенные экспертами как непригодные к работе в данных экстремальных условиях, т.е.

где i- номер выборки, у - её объём, j- номер объекта в этой выборке,

- вектор, задающий его спектральные компоненты, m- количество обучающих выборок.

Величины тип выбирается исходя из требования необходимой репрезентативности. Из практических соображений количество объектов в каждой выборки должно находится в пределах 200÷300 при величине п в диапазоне 2÷5.

Математические модели обучающих выборок формируются в виде плотности распределений вероятностей случайных векторов, подчиняющихся нормальному закону.

Модель выборки Q.:

Здесь- средний вектор и ковариационная матрица выборки

Q соответственно.

Модель объединенной обучающей выборки Q класса А^:

Модель обучающей выборки V.:

Оценку степени адекватности математической модели (5.6) обучающей выборки Q класса А получим на основании значений правдоподобия отсчётов объединенной выборки Q её математической модели (5.6) по

сравнению со значениями правдоподобия отсчётов выборок Q , i = 1,2,..., m, модели (5.5). Значение правдоподобия принадлежности отсчета выборки Q её математической модели в виде распределения (5.6) может быть получено заменой переменной, являющейся аргументом функции p( q), на одно из конкретных значений q , взятых из объединенной выборки Q . Таким образом, выборке Q можно поставить в соответствие функцию правдоподобия

Функция правдоподобия (5.8) в отличие от функции (5.6) математической модели выборки Q , является одномерной, а не трехмерной функцией.

Аналогично (5.8) запишем выражение для функции правдоподобия принадлежности выборок Q. своим математическим моделям:

Обучающие выборки Q., i = 1,2,...,n, были получены на различных участках выбранной области поверхности пищевода, признанных экспертом здоровыми. Чтобы модель (5.6) могла считаться адекватной моделью класса A₁,статистические характеристики обучающих выборок Q. , i = 1,2,...,n,

должны незначительно отличаться от аналогичных характеристик объединенной выборки Q.

Алгоритм классификации обеспечивает обоснованное принятие решения о том, к какому из классов А или А следует отнести конкретный пример u спектра. В нашем распоряжении находится функция правдоподобия l_q (q), j = 1,2,..., 5(см. (5.8)), построенная по объединенной обучающей выборке Q , а также функции правдоподобия т (v ) ; i = 1,2,...,m; j = 1,2,...,t, построенные по обучающим выборкам У. , полученным на тканях с патологией. Функции ∕,_x (y_j) строятся на основании математических моделей (5.7):

Здесь _v- конкретный отсчёт из обучающей выборки у.

Оптимальные алгоритмы классификации используют информацию двух видов. Информацией первого вида служит степень соответствия классифицируемого выборочного отсчёта u математическим моделям каждого из классов. Такую информацию даёт величина отношения правдоподобия [97]

Вторым видом информации служат априорные знания, представленные априорными вероятностями принадлежности выборочного примера u каждому из классов алфавита. Широко используемым алгоритмом для

отнесения примера u к определённому классу алфавита является алгоритм максимального отношения правдоподобия.

где p_iи р₂ - априорные вероятности принадлежности отсчёта u к первому или второму классу (рисунок 5.5).

Рисунок 5.5 - Структура слабого классификатора

Часто значения этих вероятностей неизвестны, и тогда при использовании алгоритма максимального отношения правдоподобия полагают значения априорных вероятностей каждого из классов одинаковыми между собой. В этом случае решающее правило (5.12) принимает вид:

Таким образом, пиксель на изображении пищевода соответствует здоровой ткани, если значение его правдоподобия математической модели

(5.6) больше или равно значению правдоподобия математической модели

(5.7) .

Структура классификатора (см. рисунок 5.5) содержит два параллельных канала, на входы которых подается классифицируемый пример u . В верхнем канале вычисляется значение L_q (u) правдоподобия примера u математической модели класса Д, а в нижнем канале - величина L_v (u) правдоподобия этого отсчёта математической модели класса Д. Далее формируется отношение правдоподобия Λ_{q v}(u) , которое сравнивается с пороговым уровнем, равным единице. Если этот уровень не превышен, то принимается решение о соответствии примера u классу Д. В противном случае кандидат считается пригодным работе в экстремальных условиях.

5.3