Разработка структуры интеллектуальной системы поддержки принятия решений

Разработка структуры интеллектуальной системы поддержки принятия решений (ИСННР) базируется на использовании информационно- аналитической модели принятия решений, описанного в разделе 2.2, алгоритма управления процессами принятия решений описано в разделе 3.3 и набора прогностических решающих правил, составляющих основу соответствующей базы знаний.

Анализ литературы показал, что существующие системы поддержки принятия решения (СННР), включая системы ориентированные на прогнозирование появления и развития гангрены нижних конечностей полностью не решают поставленных в работе задач. В связи с этим нами была разработана структура программного обеспечения интеллектуальной СННР, которая решает задачи прогнозирования возникновения и развития ГНК, а также формирует рекомендации по рациональной тактике проведения лечебно-оздоровительных мероприятий для выбранного класса заболеваний. Структурная схема предлагаемой системы поддержки принятия решений приведена на рисунке 3.4.

Структура СННР базируется на универсальной оболочке интеллектуальной системы, разработанной на кафедре биомедицинской инженерии ЮЗГУ для решения различных медицинских задач ориентированной на использование систем гибридных нечетких решающих правил [72, 86].

В процессе проектирования программного обеспечения решаются две большие задачи: обучение с синтезом соответствующих решающих правил и процессы принятия решений по прогнозированию возникновения и рецидивов ГНК [141].

При решении задач обучения задействуются методы: разведочного анализа, реализуемые соответствующим программным модулем; теории измерения латентных переменных на основе модели Г. Раша, реализуемой диалоговым пакетом RUMM 2020; многомерного линейного анализа, реализуемого пакетом Mathcad; метод синтеза коллектива нечетких решающих правил, разработанных на кафедре БМИ ЮЗГУ.

В ходе процессов принятия решений задействуются технические средства для оценки энергетических характеристик БАТ с соответствующим программным обеспечением, а также программные модули, решающие задачи оценки уровней психоэмоционального напряжения (YPH), утомления (YU), функционального резерва (YFR), прогнозирования возникновения и рецидивов ГНК.

Связь со специалистами предметной области, обеспечивается соответствующим интерфейсом пользователя (ИП).

Электрические характеристики БАТ регистрируются блоком регистрации психофизиологической информации (БРПФИ), конструкция которого приведена в работе [93]. Информация с БРПФИ передается через драйвер связи (ДС) и систему управления базой данных (СУБД) в базу данных (БД) ИСШ1Р.

Блок разведочного анализа (БРА) решает задачи оценки структуры многомерных данных и формирования рекомендаций по выбору формы и параметров функций степени тяжести и принадлежности к исследуемым классам состояний и способов их агрегации в соответствии с правилами, описанными в работах [72, 73, 86, 172, 177, 178].

Пакет RUMM 2020 реализует задачи оценки информативных признаков, проверяет соответствие индикаторных переменных модели Г. Раша и оценивают взаимосвязь латентной переменной с индикаторными переменными.

Пакет Mathcаd решает задачи математической статистики, поддерживая блок разведочного анализа.

Пакет синтеза нечетких решающих правил (НРП) поддерживает метод синтеза коллективов гибридных нечетких решающих правил, описанный в работах [72, 86, 87, 88]. Взаимодействие пакетов подсистемы обучения

поддерживается алгоритмом управления процессом принятия решений (АУППР) (раздел 3.3).

Описание входных и выходных данных и функциональные возможности пакетов подсистемы обучения приведено в таблице 4.1.

Математические модели прогнозирования ГНК подробно описаны в третьей главе.

Все решающие правила размещаются в универсальной оболочке базы знаний (БЗ), разработанной на кафедре БМИ ЮЗГУ, описание которой можно найти в работах [72, 86, 172].

Модуль оценки YPH, YU, YFR рассчитывает величины уровней психоэмоционального напряжения, утомления и функционального резерва необходимые для повышения точности работы соответствующих прогностических решающих правил.

Модуль оценки электрических характеристик БАТ (ЭХ БАТ) выбирает из базы значения сопротивлений соответствующих точек, оценивает их отклонения от номинальных значений и готовит данные для остальных модулей подсистемы принятия решений.

Модули прогнозирования возникновения и рецидива ГНК решают задачи по своему прямому назначению на основании которых для врача (ЛПР) могут быть сформированы рекомендации по выбору рациональных схем профилактики и лечения соответствующим модулем.

Рисунок 4.1 - Структура ИСШ1Р прогнозирования ГНК

Таблица 4.1

Описание программного обеспечения