Материал: Интеллектуальные информационные системы. труды международной научно-практической конференции. И73

Литература

1.Штовба С.Д. Муравьиные алгоритмы / С.Д. Штовба // Exponenta Pro. Математика в приложениях. – 2003. – №4. – С. 70-75.

2.Щербина О.А. Метаэвристические алгоритмы для задач комбинаторной оптимизации / О.А. Щербина // Таврический вестник информатики и математики. – №1(24). – 2014. – С. 56-72.

3.Гэри М. Вычислительные машины и труднорешаемые задачи / М. Гэри, Д. Джонсон – М.: Мир, 1982. – 419 с.

4.Кумагина Е.А. Метаэвристический алгоритм решения задач упорядочения / Е.А. Кумагина, Д.В. Буяков // Интеллектуальные информационные системы: труды Всероссийской конференции с международным участием. Воронеж: ФГБОУ ВО «Воронежский государственный технический университет». – 2017. – Ч.2. – С. 40-44.

5.Прилуцкий М.Х. Управляемый фронтальный алгоритм решения задачи распределения ресурсов в сетевых канонических структурах / М.Х. Прилуцкий,

6. Кумагина Е.А. Разработка гибридного алгоритма решения задачи упорядочения / Е.А. Кумагина, Е.А. Неймарк // Труды НГТУ им. Р.Е. Алексеева. – 2019. – № 3 (126). – С. 17-23.

Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского

70

УДК 004.891

Д. А.Медников, О. В. Шаталова

БАЗОВАЯ МОДЕЛЬ МУЛЬТИАГЕНТНОЙ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ДЛЯ ПРОГНОЗА РИСКА ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА У МАШИНИСТОВ ЭЛЕКТРОЛОКОМОТИВОВ

Машинисты электролокомотивов занимают первое место по уровню смертности от кардиоваскулярных заболеваний, среди которых наиболее распространенным является ишемическая болезнь сердца (ИБС). Поэтому важной прикладной задачей является прогнозирование ИБС посредством использования математических моделей и методов с целью определения степени толерантности работников этой профессии к воздействию различных факторов риска ИБС. На сегодняшний день поиск усовершенствованных методов и алгоритмов остается актуальным.

За основу построения интеллектуальной системы поддержки принятия решений (ИСППР) по прогнозированию ИБС взяты мультиагентные системы [1, 2, 3, 4]. Прототип представлен на рис. 1 [5].

Рис. 1. Структурная схема прототипа интеллектуальной системы поддержки принятия решений по прогнозированию ИБС

71

В этой модели информативные признаки разбиваются на группы (сегментируются) таким образом, чтобы посредством экспертной оценки можно было оценить влияние этой группы на риск заболевания. При этом строится иерархическая система классификаторов (интеллектуальных агентов), в которой решение классификатора нижнего иерархического уровня используется в качестве дескриптора классификатора верхнего иерархического уровня. Экспертная оценка риска обозначена на рис. 1 как КУi, где i-номер группы в сегментированном пространстве информативных признаков и интерпретируется как уверенность эксперта в риске ИБС по шкале 0..1. При этом число ИП, входящих в группу ИП, не имеет значение. «Слабые» классификаторы могут быть построены как по одному ИП, так и по достаточно представительной группе ИП. На рис. 1 раскрыта структура нижнего иерархического уровня классификатора.

При выборе состава информативных признаков (ИП) прогнозирования риска появления и развития ИБС исходим из того, что ишемические поражения чаще всего носят системный характер, при котором развитие периферических ишемических осложнений несёт за собой ишемию центральной гемодинамической системы. При этом происходит нелинейное взаимовлияние систем друг на друга, приводящее к взаимоотягощению ишемических процессов, вплоть до летального исхода [5]. Учитывая это, в качестве базовой системы предикторов для прогнозирования ИБС, была взята диагностическая модель, представленная на рис. 2. Эта модель учитывает, что факторами риска ИБС могут быть не только определенные биомедицинские показатели, но и уже имеющиеся заболевания или синдромы. В качестве сопутствующего заболевания, которое может стимулировать синергетический эффект риска ИБС, в модели использована вибрационная болезнь (ВБ). В качестве фактора внешней среды, способствующего синергетическому эффекту, принято электромагнитное поле. Это обусловлено тем, что в ряде исследований показано, что транспорт на электрической тяге – в том числе электропоезда – является мощным источником электромагнитного поля в диапазоне от 0 до 1000 Гц, которой приводит к дополнительному риску сердечно-сосудистых катастроф [6].

В качестве еще двух сегментов информативных признаков выбраны традиционные факторы риска ИБС (возраст, курение, артериальная гипертензия, сахарный диабет, избыточная масса тела, психосоциальный стресс, отягощенная наследственность) и дескрипторы, определенные на основе электрокардиографических исследований.

В базовой модели ИСППР, представленной на рис. 2, на первом иерархическом уровне строятся «слабые» классификаторы, решения которых агрегируются попарно в блоке синергетических классификаторов. Под воздействием внешних факторов (процесса обучения или экспертного оценивания), веса в нейронной сети NET приобретают оптимальные значения, то есть система самоорганизуется. Процесс самоорганизации может привести к полному исключению из структуры системы интеллектуальных агентов любого уровня или к синергетическому эффекту за счет усиления сочетанных факторов риска ИБС. В выходном слое базовой модели используется нечеткая нейронная сеть или однослойная нейронная сеть прямого распространения с линейной функцией активации.

72

Рис. 2. Структурная схема базовой модели мультиагентной интеллектуальной системы

В качестве примера рис. 3 иллюстрирует формирование слабого классификатора по ИП х1 - «возраст». Коэффициент уверенности риска ИБС по х1 определяется по формуле

КУИБС (x1)= PИБС (фонP)(xP()x1 | ИБС)

1 ,

73

где РИБС(фон) – априорная вероятность заболевания ИБС в популяции машинистов электролокомотивов, Р(х1│ИБС) условная вероятность возрастной группы машинистов с диагнозом ИБС, Р(х1) – распределение машинистов электролокомотивов по возрастным группам [7]. На рис. 3а представлен экспериментально полученный график Р(х1│ИБС) для машинистов электролокомотивов, а на рис. 3б представлен график, отражающий возрастной состав машинистов электролокомотивов. Полученные экспериментальные результаты показали, что разработанный метод прогнозирования медицинских рисков является универсальным инструментом. Решающие модули как «слабых», так и «сильных» классификаторов могут строиться на основе любой интеллектуальной платформы.

P(x1|ИБС)

0,75

0,5

а)

0,25

P(x1)

0,75

0,5

б)

0,25

Рис. 3. Гистограммы распределения машинистов электролокомотивов по возрастным группам с десятилетними интервалами: для больных ИБС (а),

для всех работающих (б)

74