Разработка и исследование структурно-архитектурных решений для интеллектуальной системы прогнозирования повторного инфаркта миокарда

Выполненный в разделе 1 анализ существующих системы поддержки принятия решений (СППР) медицинского назначения показал, что в настоящее время не существуют СППР, позволяющие решить поставленные в диссертационном исследовании задачи.

На рисунке 4.1 показана структурная схема интеллектуальной системы прогнозирования ПИМ. Она включает ЭВМ с программными модулями обработки данных и ряд вспомогательных технических средств, позволяющих измерять и оцифровывать электрофизиологические сигналы, а также выполнять определённые тесты. В качестве вычислительной системы выбран персональный компьютер Intel Celeron G4950, 3.3 ГГц с ОЗУ 2 Гб, а в качестве блока аналогово­цифрового преобразователя выбраны платы АЦП производства ЗАО «Л-Кард» (http://www.lcard.ru). Плата Е20-10 этой фирмы является современным, быстродействующим и надёжным устройством для ввода, вывода и обработки аналоговой и цифровой информации. Платы данной серии являются средством для многоканального сбора и обработки информации с собственным процессором.

99

Рисунок 4.1 - Интеллектуальная система прогнозирования повторного инфаркта миокарда

Ядром СШ1Р является система управления базой данных (СУБД). Информация об обследуемом вводится в СУБД посредством многооконных интерфейсов согласно схеме рисунок 4.1.

Кроме оригинального программного обеспечения, интеллектуальная система поддерживается стандартными пакетами программного обеспечения Matlab 2018b, в котором реализовано программное обеспечение нечёткого и нейросетевого моделирования, MathCad 15, Statistica 13 и Excel, в которых осуществляется имитационное моделирование, разведочный анализ и статистические исследования. Связь и координация прикладных программных пакетов, модулей и моделей системы осуществляется СУБД.

Гетерогенный классификатор синтезируется ЛПР посредством соответствующих модулей программного обеспечения. Пример гетерогенного классификатора риска ПИМ представлен на рисунке 4.2. Гетерогенный классификатор включает пять решающих модулей, в соответствии со структурой пространства информативных признаков, предложенной во втором разделе. Для информативных признаков X₁... X₁₁и x₁₂... X₁₈построены два классификатора с виртуальными потоками. Структура такого классификатора представлена на рисунке 4.3. Отличительной особенностью такой структуры является то, что на нейронную сеть NET поступают две группы информативных признаков: X₁и X. Если информативный признак Xусиливает риск неблагоприятного исхода, то его отсутствие X- подтверждает вероятность благоприятного исхода. Эти признаки поступают на входы обучаемой нейронной сети NET, которая выдаёт на выходе уровень риска по прогнозируемому исходу.

Рисунок 4.2 - Модель принятия решений с гетерогенными классификаторами с виртуальными потоками

Нейронная сеть NET остаётся работоспособной даже при отсутствии некоторых информативных параметров. В этом случае X_i = X_i = 0. Если информативных признаков, подтверждающих риск с высоким диагностическим коэффициентом, много, то отсутствие некоторых информативных признаков не повлияет на уверенность в прогностическом решении.

Рисунок 4.3 - Гетерогенный классификатор с виртуальным потоком

При анкетировании с ответами «Да» или «Нет» имеет место дихотомический диагноз и мера Кульбака вычисляется как

где

∖ i I Z

- частота появления данного

признака в соответствующей обучающей выборке.

Таблица 4.1 - Таблица прогнозирования неблагоприятных исходов у больных, впервые перенёсших ИМ