Объект, методы и средства исследования.

Объектом исследования является структура данных, характеризующих внешние и внутренние факторы риска, способствующие появлению и развитию профессиональных заболеваний у работников, обслуживающих промышленные энергетические объекты Курской области (атомная электростанция, тепловые электростанции, подстанции и высоковольтные линии электропередач, передвижные электростанции, выпускаемые на предприятиях Курской области).

Анализ основных факторов риска, связанных с генерацией и передачей электромагнитных полей (ЭМП) промышленной частоты показал, что кроме основного ЭМП, вырабатываемого генераторами исследуемых объектов (в зависимости от места их расположения) на обслуживающий персонал действуют электромагнитные поля радиочастотного диапазона (включая частоту 42 мГц, являющуюся резонансной для человеческого организма) и постоянное магнитное поле достаточно высокой напряженности (район Курской магнитной аномалии).

Многочисленными исследованиями отечественных и зарубежных ученых было убедительно показано, что смешанные электромагнитные и

магнитные поля значительно сильнее влияют на состояние здоровья людей, чем отдельно действующие поля одной частоты. Причем, смешанные поля активно, часто мультипликативно, повышают риск появления и развития заболеваний нервной и иммунной систем. Последние, в свою очередь, повышают риск возникновения заболеваний основных систем и органов человеческого организма (сердечно-сосудистая система, система дыхания, желудочно-кишечный тракт, мочеполовая система).

Еще одним существенным фактором риска является высокий уровень психоэмоционального напряжения, которое вызывается не только характером труда и эргономикой технических средств, но и напряжением, связанным с ожиданием возможного удара электрическим током при осознании того, что этот удар может быть смертельным. При определенной организации труда дополнительным фактором риска может служить развивающееся хроническое утомление.

Кроме того, ряд объектов электроэнергетики находится в условиях значительного экологического загрязнения (например, Михайловский ГОК и его окрестности), которое многократно усиливает риск возникновения и обострения заболеваний (особенно болезни системы дыхания и пищеварения) [63, 80, 82, 93, 94, 105, 117].

В зависимости от характера используемого оборудования и занимаемых помещений выделяется целый ряд менее существенных, но все же действенных факторов риска:

- от движущихся механизмов - шум, вибрация, инфразвук;

- в производственных помещениях - пыль, загазованность;

- от котлов и трубопроводов - инфракрасное излучение.

В условиях комплексного внешнего воздействия на работников электро-энергогенерирующих объектов важную роль в появлении и развитии заболеваний играет также индивидуальное состояние здоровья и индивидуальные факторы риска (алкоголь, табакокурение, неблагоприятные семейно-бытовые обстоятельства, наследственность и др.).

В работах [22, 63, 67, 75, 82, 115, 119, 123] было показано, что при решении задач прогнозирования и ранней диагностики заболеваний в качестве дополнительных информативных признаков целесообразно и пользовать такие интегральные показатели, характеризующие состояние здоровья человека, как его функциональный резерв (ФР) и функциональное состояние (ФС). Кроме того, оценка функционального состояния человека позволяет оценить надежность и эффективность его деятельности, включая управление объектами электроэнергетики.

Предварительный экспертный и разведочный анализ структуры данных, проведенный с использованием пакета программ, разработанных на кафедре биомедицинской инженерии (БМИ) Юго-Западного государственного университета (ЮЗГУ) [65, 66, 75] показал, что ряд исходных данных, описывающих процессы возникновения и развития профессиональных заболеваний работников объектов электроэнергетики обладает свойством мультипликативности, что не позволяет использовать достаточно простые модели принятия решений типа линейных дискриминантных функций.

В этих условиях согласно рекомендациях [58, 59, 63, 112, 132, 156, 157, 173, 174] целесообразно использовать технологию мягких вычислений. В работах [41, 64, 66, 69, 73, 74, 75, 78] было показано, что при структуре данных, аналогичной рассматриваемой в данной работе целесообразно использовать методологию синтеза гибридных нечетких решающих правил, разработанную на кафедре БМИ ЮЗГУ [65, 66, 75].

В соответствии с этой методологией бильшая роль отводится экспертам исследуемой предметной области согласованность работы которых проверяется по коэффициенту конкордации на тестовых задачах, включающих процедуры выбора состава информативных признаков и оценки их информативности. Количественный состав группы подбирается в соответствии с рекомендациями, принятыми в квалиметрии [75, 95]. Считается, что экспертная группа может быть использована для решения поставленных в работе задач при коэффициенте конкордации больше 0,8 ( о>0,8).

Отобранная группа экспертов проходит специальную подготовку по приобретению навыков в построении графиков функций принадлежности к исследуемым классам состояний и их агрегации в нечеткие гибридные модели принятия решений.

После подготовки с повторной проверкой коэффициента конкордации состав экспертной группы (при необходимости) корректируется.

Далее эксперты под управлением инженера когнитолога приступают к решению задач синтеза искомых нечетких решающих правил, используя метод Делфи, являющийся разновидностью «мозгового штурма». Этот метод характеризуется быстрым поиском решений в процессе «мозговой атаки» проводимой группой специалистов и отбора лучшего решения, исходя из экспертных оценок.

В основе метода лежит идея усовершенствования и насыщения информацией с помощью экспертных оценок дерева целей. Специалистом предлагается оценить возможности и параметры функции принадлежности и далее способов и моделей, их агрегации и дать предложение по улучшению их адекватности. При этом используется графический метод построения функций принадлежности с описанием возможных достоинств и недостатков в смысле прогнозов и (или) ранних диагнозов. Эту работу восполняет каждый из экспертов отдельно. Результаты работы доводятся до сведения

всех экспертов, что позволяет им далее корректировать все решения на основе вновь полученной информации.

Значительное число моделей, синтезируемых с использованием нечеткой логики принятия решений, основаны на доверии к выбранной экспертной группе, поэтому дополнительная статистическая оценка качества «работы» этих моделей обычно не производится.

В данной работе имелась возможность в формировании репрезентативных контрольных выборок и поэтому кроме экспертного оценивания, качество работы полученных решающих правил проверялось статистическим экспериментом с расчетом таких показателей как диагностическая чувствительность, диагностическая эффективность, диагностическая специфичность, прогностическая значимость результатов (положительных и отрицательных).

Формирование контрольных выборок для обеспечения вероятности правильного принятия решений на уровне 0,95 осуществлялось в соответствии с рекомендациями [87, 110].

С учётом этих рекомендаций, принятых в теории распознавания образов, объём контрольной выборки составил 100 человек, на каждый из исследуемых классов состояний.

В контрольную группу включались студенты Курской государственной сельскохозяйственной академии практически не контактирующие с электромагнитными полями промышленной частоты.

Группы людей с исследуемыми классами состояний формировались из работников профессионально контактирующих с электромагнитными полями промышленной частоты, работающие в различной экологической обстановке, характерной для Курской области.

Одной из важных составляющих используемой методологии синтеза гибридных нечетких решающих правил, является разведочный анализ ориентированный на нечеткие приложения, позволяющий на основе представления многомерных объектов в пространстве пониженной

размерности формировать, рекомендации по выбору базовых переменных, формы и параметров функций принадлежности, а также способов их агрегации.

Подробно об особенностях разведочного анализа ориентированного на синтез гибридных нечётких решающих правил и способах его практического использования описано в работах [66, 75]

В основе методологии синтеза гибридных нечётких решающих правил лежит использование набора методов синтеза нечётких моделей принятия решений каждый из которых адаптирован на «свою» структуру данных [64, 65, 66, 74, 79, 102].

- нечёткая модификация последовательной процедуры А. Вальда используется при наличии обучающей выборки среднего объёма, когда эксперты затрудняются в выборе формы и параметров функций принадлежности;

- нечёткая модификация метода динамического конструирования двумерных отображающих пространств используется при наличии «хороших» отображений исследуемых классов состояний в двумерные отображающие пространства;

- нечёткие описания линейных и нелинейных разделяющих гиперповерхностей рекомендуется использовать, если в многомерном пространстве признаков, используя классические методы теории реагирования распознавания образов, удаётся получить различные типы разделяющих поверхностей и (или) эталонных структур;

- если при достаточных объёмах обучающих контрольных выборок требуемое качество принятия решений достигается при аппроксимации исследуемых классов состояний нечёткими многомерными гиперпараллелипипедами, то для синтеза нечётких решающих правил используется процедура агрегации нечётких гиперпараллелипипедов каждый из которых определяется операцией нечёткого логического умножения.

- если эксперты готовы к построению функций принадлежности к исследуемым классам состояний и их агрегации в решающие правила принятия решений, то их синтез осуществляется с использованием логики Л. Заде [58, 59, 75, 181, 183];

- если используемые признаки соответствуют условиям применения модели оценки уверенности Е.

- при наличии неизвестных возможно мультипликативных связей в исследуемой структуры данных целесообразен анализ эффективности использования нечеткой модификации метода группового учета аргументов (МГУА) [66, 75, 78];

- в условиях малых выборок при наличии латентных связей между индикаторными и латентными переменными целесообразно проверить эффективность теории измерения латентных переменных с моделью Г.Раша [64, 65, 66, 70, 75, 84, 92, 125].

Если в ходе синтеза описанных выше моделей требуемые показатели качества не достигаются решается вопрос об их агрегации в коллективы гибридных нечетких решающих правил. При синтезе гибридных коллективов могут использоваться известные методы теории распознавания образов где показатели, рассчитываемые с использованием рассмотренных выше методов, рассматриваются как информативные признаки [64, 65, 66, 75].

При ориентации на нечеткую логику синтез гибридных моделей производится с учетом структуры используемых данных. Например, различные типы признаков используются в специализированных решающих правилах, или вся совокупность информативных признаков обрабатываются всеми правилами коллектива. При комбинированном варианте различные решающие правила используют различные, возможно пересекающиеся группы информативных признаков. Выделение групп признаков может осуществляться по различному принципу: по стоимости получения

информации; по информативности; по особенности структуры данных; по времени измерения и т.д. [66, 75].

Наиболее распространённый вариант агрегации базируется на том, что эксперты чаще всего частные модели выбирают с таким расчетом, чтобы использование каждой из них увеличивало уверенность в принимаемом решении, тогда агрегацию предпочтительно проводить с использованием накопительной итерационной формулы вида [64, 65, 66, 75].:

где UG- уверенность в «коллективном решении»; r- номер итерации; уверенность в принимаемом решении при использовании классической нечеткой логики Л. Заде; UV- при использовании нечеткой модификации модели А. Вальда; UD- при использовании нечеткой модификации метода динамического конструирования двумерных отображающих пространств; UR- при использовании нечеткой интерпритации разделяющих гиперплоскостей и многомерных эталонов; UM- при использовании нечеткой модификации метода группового учета аргументов; UL- при использовании нечеткой модификации теории измерения латентных переменных с моделью Г. Раша.

Если эксперты рассматривают гибридный классификатор как латентную переменную, а решающие правила UN, UV, UD, UR, UM, UL рассматриваются как индикаторные переменные, то при использовании модели Г. Раша, гибридный классификатор может быть представлен функционалом вида [66, 75]:

37

где весовые коэффициенты a_j (j⁼1,...,6) определяются по величинам переменной Location [75].

Задачи нечеткого управления можно решать с использованием алгоритмов Мамдани-Заде и Такаги-Сугено-Канга [75, 156, 157, 173, 174]. Хороших результатов при решении задач управления состоянием здоровья удается достичь, если на нечетких переменных UG строятся функции принадлежности, каждая из которых соответствует «своей» схеме профилактики и лечения. В этом варианте предпочтение отдается схеме управления с максимальной величиной функции принадлежности.

Одним из существенных факторов риска для людей профессионально контактирующих с промышленными электромагнитными полями является высокий уровень длительного психоэмоцинального напряжения (ПЭН) связанный с обработкой большого количества данных и ожиданием нештатных ситуаций (включая поражение электрическим током). Этот фактор риска приводит к отрицательным сдвигам в таких психических функциях как восприятие, память, мышление, снижение быстроты реакции и снижение автоматизации навыка, потери чувства скорости. На физиологическом уровне снижается острота зрения, сужение поле зрения, появляются апатия и вялость. Усиливаются риски появления и развития психосоматических заболеваний.

Существует значительное число методов, методик и технических средств для определения уровня психоэмоционального напряжения. С учетом опыта работы кафедры БМИ ЮЗГУ в данном исследовании выбрано три варианта оценки уровня ПЭН: с использованием компьютерного варианта теста Спилбергера-Ханина, по показаниям, характеризующим внимание, и по энергетическому разбалансу биологически активных точек (БАТ) «связанных» с психоэмоциональной сферой [66, 72, 75, 85, 120, 121, 122, 150].

Уровень текущего ПЭН с использованием тестов Спилбергера-Ханина определяется выражением [66, 75]:

где- функции уровня ПЭН по шкалам ситуационная и

личностная тревожность.

Уровень текущего ПЭН по показателям внимания определяется выражением [66, 75]:

где- показатебль переключаемости

внимания; КВ - показатель концентрации внимания; УВ - показатель устойчивости внимания; Y₁, Y₂- координаты отображающего пространства полученные методом динамического конструирования двумерных классификационных пространств;- уравнения

разделяющих границ класса психоэмоционального напряжения в отображающем пространстве;функции уровня ПЭН по

показателям внимания.

Уровень текущего ПЭН по энергетической реакции биологически активных точек определяется выражением [66, 67, 72, 75].

гдефункция уровня ПЭН по энергетической реакции точки с

номером- величина отклонения энергетического сопротивления

Величина текущего уровня ПЭН может быть определена по одной из формул (2.3), (2.4) или (2.5), однако при этом точность оценки хотя и приемлема для практических расчетов, но зона неопределенных решений занимает достаточно широкую полосу. Сужение этой полосы достигается их агрегацией в соответствии с выражением:

Последняя формула требует наличия соответствующих программно­технических средств, описание которых можно найти в [66, 67, 75, 188].

В соответствии с рекомендациями [66, 75] оценку уровня длительного ПЭН YPDцелесообразно производить с использованием временного поправочного коэффициентаопределяемого как функциональная

зависимость от стажа работы в условиях действия промышленных электромагнитных полей.

Такой фактор риска как хроническое утомление, в соответствии и с рекомендациями 25, 66, 122] определяется аналогично уровню ПЭН по трем составляющим.

Уровень хронического утомления YUT по тесту оценки степени хронического утомления (СХУ) определяется по тесту А. Леоновой в виде зависимости [66, 75, 88, 122]:

где- функция уровня хронического утомления по тесту оценки

СХУ.

Уровень текущего утомления по показаниям внимания определяется по

С учетом поправочного временного коэффициентауровень

хронического утомления YUVD,по показателю внимания определяется выражением [66, 75]:

Уровень текущего утомления YUB по энергетическому разбалансу БАТ определяется выражением аналогичным (2.5) c заменой YPB на YUB и

Таким образом:

C учетом временной поправки γ_σ( ί) уровень хронического утомления по энергетической реакции БАТ определяется выражением:

По всем выбранным составляющим уровень хронического утомления определяется выражением

Для оценки функциональных состояний организма, с учетом его основных составляющих ПЭН и утомления используется метод, описанный в работах [66, 69, 123].

Для оценки уровня функционального резерва организма в различной литераторе предлагается множество методик, например в работе [100] предлагается показатель адаптационного соответствия (ПАС), в работе [18] вычисляется отношение систолического артериального давления и частота сердечных сокращений до нагрузки и после функциональной нагрузки, в работах [22, 81, 119] показатель функционального резерва оценивается по энергетической реакции соответствующих БАТ. Возможен вариант, когда функциональный резерв определяется через уровень защиты организма [67].

В данной работе возможно использование всех перечисленных методов определения функционального резерва FR, но с учетом специфики исследуемых профессиональных заболеваний.