CC BY
88
Статья
зависимости от экологического или климатического фона.
При внедрении полученных результатов возникают и трудности совсем иного рода. Это доведение результатов до состояния коммерческого продукта, что требует особого вида выполняемых работ и сотрудничества научных работников и промышленных предприятий. Сложность функционирования биосистем и большой объем информации, содержащейся в электрофизиологи-ческих сигналах, не дает однозначно связывать значения параметров сигналов с диагностическими заключениями. Поэтому ведется поиск комплексных показателей, зависящих от ряда измеряемых элементарных признаков, комбинации признаков, позволивших бы повысить достоверность результатов.
Современная медицина и биология используют технические средства получения информации об исследуемых объектах. Исследования биообъектов характеризуются рядом особенностей, связанных со спецификой биомедицинских сигналов.
В общем случае сигнал рассматривается как физический процесс или явление, несущее сообщение о каком-либо событии или состоянии объекта. В технике сигнал рассматривают как процесс изменения во времени физического состояния какого-либо объекта. Сигналы, возникающие в биообъектах в процессе их деятельности и под влиянием внешних воздействий могут быть [ 1 ]: электрические, распространяющиеся в 2-проводных линиях и в волноводах; электромагнитные, распространяющиеся в свободном пространстве или в различных средах; механические (акустические), распространяющиеся в упругих средах; тепловые, распространяющиеся в теплопроводящих средах; другие. Биосигналы характеризуются свойствами: неоднозначностью связей между параметрами и медико-биологическими характеристиками, что вызвано сложностью объекта измерения; трудно учитываемым влиянием на результат измерения индивидуальных особенностей; невозможностью точного повторения при измерениях; сложностью формы сигналов; необходимостью проведения измерения без нарушения целостности объектов.
Анализ показывает, что нет единого подхода к классификации биосигналов и медицинской аппаратуры, накопленные результаты экспериментальных исследований [2] показывают отсутствие единого подхода к обработке результатов. Подробно рассматриваются свойства биоматериалов и сред [3, 4], но имеется систематизация узкоспециальной аппаратуры для медицинских обследований [5-7]. Используется несколько оснований для классификации биосигналов. Все медицинские параметры, подлежащие измерению, обычно подразделяют на две группы: измеряемые непосредственно и измеряемые опосредованно (вычисляемые). К первым относится температура тела. Ко вторым -параметры, которые невозможно измерить непосредственно. Классификация, опубликованная в [6], делит биосигналы на механические (линейные и угловые перемещения, скорость, ускорение, давление, частота механических колебаний), физические (температура, освещенность, влажность), химические (концентрация и состав веществ) и физиологические (кровенаполнение). Иные из них являются постоянными в течение значительных временных интервалов, а иные быстро меняются в течение короткого времени. Большинство биоэлектрических сигналов даже в норме не является строго периодическими последовательностями. Нередко наличие в биоэлектрическом сигнале строгой периодичности соответствует опасным патологиям [8]. Отдельный класс представляют собой высокочастотные излучения [2]. Большинство биоэлектрических сигналов состоят из повторяющихся импульсов или их комбинаций, в общем случае непериодических - квазипериодические и хаотические [9]. При этом вид регулярности процессов надо конкретизировать (регулярность периода, формы и т. п.). Имеющиеся классификации биосигналов не позволяют выработать единый подход к проектированию средств диагностики.
В биомедицинских измерениях в качестве образцовых сигналов используются искусственные модели или участки реальных сигналов. Причем последние представляют собой либо среднестатистические кривые, либо участки зарегистрированных сигналов, являющиеся типичными представителями классов заболеваний. Эти участки выбираются врачами-экспертами [10].
Разработчики медаппаратуры всю совокупность методов и приборов, относящихся к медицинской электронике, подразделяют по областям их применения]. Такая классификация имеет преимущество в том, что аппараты, относящиеся к одной области, сходны по устройству. Наиболее известной из отечественных классификаций медтехники можно считать схему А. Р. Ливенсона [5], в которой систематизация диагностических приборов основывается на виде энергии, передаваемой от пациента к прибору -электрическая, механическая, тепловая, химическая энергия.
Медприборы подразделяются по эксплуатационным признакам: характер взаимодействия - на диагностические и терапевтические; число измеряемых параметров - на специализированные, комбинированные и универсальные. Несмотря разнородность измеряемых параметров состояния объекта исследования результаты измерений объединяются в ряд однородных групп по типу данных; возможна обработка результатов измерений с учетом источника и без учета источника их поступления; классификация по типу сигналов позволяет разработать схему устройства на базе функциональных модулей.
Несмотря на е число и разнородность измеряемых параметров состояния объекта исследования, результаты измерений объединяются в ряд однородных групп по типу данных. Это динамические и квазистатические сигналы, экспертные оценки и ретроспективная информация, динамическое и статическое графическое и видеоизображение, климатические параметры. Параметры объекта или ситуации характеризуются набором векторов:
(t) = {X, Y, Y, E, AE, О, АО, V, K, t}, (1)
где S0 (t) - состояние объекта в момент времени ?; X -
вектор значений динамических параметров; Y - вектор значений статических параметров; ¥р - значения стандартных параметров
динамических сигналов; E - вектор кодированных экспертных
оценок; AE - вектор изменений экспертных оценок; О - вектор
кодированных субъективных оценок; АО - вектор изменений
субъективных оценок; V - видеоданные; K - вектор значений климатических параметров; t - эталонное время системы.
Заключение. Предложенная структуризация измеряемых сигналов для получения параметров объекта исследования в биомедицинской системе позволяет разрабатывать устройства сбора информации для диагностических систем на основе небольшого количества специализированных функциональных модулей, использование которых облегчает проектирование и последующую модернизацию системы.
Литература
1. Грязнов М.И., Гуревич М.Л., Рябинин Ю.А. Измерение параметров импульсов.- М.: Радио и связь, 1991.
2. Березовский В.А., Колотилов Н.Н. Биофизические характеристики тканей человека.- Киев: Наукова думка, 1990.
3. Березовский В.А., Колотилов Н.Н. Биофизические характеристики тканей человека.- Киев: Наукова думка, 1990.
4. Семенов Н.В. Биохимические компоненты и константы жидких сред и тканей человека.- М.: Медицина, 1971.
5. Ливенсон А.Р. Электромедицинская аппаратура: 5-е изд., перераб. и доп.- М.: Медицина, 1981.
6. Жуковский В.Д. Медицинские электронные системы.- М.: Медицина, 1976.
7. Кардиомониторы. Аппаратура непрерывного контроля / Под ред. А. Барановского, А. Немирко.- М.: Радио и связь, 1993.
8. Гласс Л., Мэки М. От часов к хаосу: Ритмы жизни / Пер. с англ./ Под ред. Е. Е. Селькова.- М.: Мир, 1991.
9.Мун Ф. Хаотические колебания.- М.: Мир, 1990.
10. Злочевский М.С. Критерии и особенности качества средств автоматического анализа электрокардиосигналов. вып. 7.- М.: Информприбор, 1988.
УДК 615.84
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ДИАГНОСТИКИ АНЕМИЙ НА ОСНОВЕ НЕЧЕТКОЙ ЛОГИКИ ПРИНЯТИЯ РЕШЕНИЙ И АЛГОРИТМОВ ГЕНЕТИЧЕСКОГО ТИПА
Н.А. КОРЕНЕВСКИЙ, С.А. ФИЛИСТ, Е.С. ЧЕРНЫХ*
Анемии занимают видное место в структуре заболеваний. Железо-, витамин-В^-дефицитные, гемолитические, апластиче-ские анемии - таков порядок форм анемий по встречаемости. Несмотря на то, что анемия - часто встречающееся гематологическое нарушение, число диагностических ошибок велико. Стандартные алгоритмы клинического обследования больных с различными формами анемий, как правило, обеспечивают их
* 305040, г. Курск, ул. 50 лет Октября, 94, ГОУ ВПО «КГТУ»; тел./факс: (4712) 50-48-20; E-mail: [email protected]
Н.А. Кореневский, С.А. Филист, Е.С. Черных
точную нозологическую расшифровку. Однако при некоторых гемолитических процессах верификация может оказаться весьма сложной. В связи с этим актуальна задача поиска методов, ускоряющих дифференциальную диагностику анемий неясного генеза на ранних этапах. Это важно в современных экологических условиях, с ростом факторов риска сердечно-сосудистых и легочных заболеваний, так как при сердечно-сосудистых заболеваниях в их патогенезе имеет значение изменение биофизических параметров крови, которое сопровождается изменением ее агрегатного состояния и, в ряде случаев, приводящее к гибели организма. Повысить качество решения исследуемого класса задач можно, используя методы теории нечетких множеств, учитывающих разносторонние проявления анемического синдрома с привлечением современных информационных технологий. На основе анализа признаковых пространств было установлено, что наиболее приемлемой схемой классификации анемий является двухуровневая схема иерархического типа с двумя блоками нечеткого вывода, которая представлена на рис. 1.
Рис. 1. Схема принятия решений при диагностике анемий
На 1-м уровне решаются задачи фуззификации и агрегирования по выделенным N подпространствам признаков (блок нечеткого вывода 1-го уровня), а на 2-м уровне - задачи агрегации частных решающих правил по заданным М классам заболеваний и/или их стадий (блок нечеткого вывода 2-го уровня).
Для получения частных решающих правил 1-го уровня разработаны специальные рекомендации, учитывающие структуру классов в многомерном пространстве и свойства агрегирующих операций. В предлагаемом варианте синтез систем нечетких решающих правил 1-го уровня производится в два этапа. На 1-м этапе идет разведочный анализ, позволяющий изучить геометрическую структуру классов в пространстве информативных признаков, имея в виду под структурой взаимоположение объектов различных классов на обучающей выборке. Для разведочного анализа для изучения структуры классов использован пакет прикладных программ, разработанный на кафедре биомедицинской инженерии КГТУ [1].
На 2-ом этапе под известную структуру классов и типы признаков выбираются носители и параметры частных функций принадлежностей, решающие задачи классификации по N подпространствам и областям исходного пространства признаков. При этом выбор осуществляется с таким расчетом, чтобы при заданной сложности классификатора каждая частная функция принадлежности на каждом технологическом шаге принятия решений обеспечивала максимально возможную уверенность классификации или прогнозирования. После этого синтезируется решающее правило, позволяющее по частным коэффициентам уверенности КУ Ю1 получить общий коэффициент уверенности по данному признаковому подпространству.
В одном из вариантов классификации анемий в качестве носителя можно использовать выражение типа
у=2<ку:(у) , (1)
где а} - весовой коэффициент, определяющий вклад ]-й составляющей в общее решение о гипотезе . общий коэффициент уверенности в гипотезе Ю/ определяется из соотношения
КУ°° (у). (2)
Для синтеза блока нечеткого вывода на втором уровне были использованы решающие правила, полученные на основе алгоритмов генетического типа [2].
В качестве примера выбран пятикомпонентный вектор У, который присутствует на выходе агрегаторов первого уровня (рис. 1). В модуле нечеткого вывода модели рис. 2 над компонентами вектора У выполняются N-1 нечетких операций г^, где N -размерность вектора У; і - порядковый номер нечеткой операции в векторе нечетких операций Ку. В качестве компонентов вектора К.^ используются числа, соответствующие кодам нечетких операций, введенным над нечеткими множествами.
у1 у2 у3 у4 У5
Рис. 2. Модель модуля нечеткого вывода второго уровня
Если введено % нечетких операций, то, кодируя их десятичными числами от 0 до %-1, получим модель модуля нечеткого вывода 2-го уровня в виде хромосомы, число генов в которой на один меньше размерности входного вектора У, а число аллелей равно числу введенных нечетких операций % на данных нечетких множествах. Каждый ген является кодом операции над двумя нечёткими числами, и его аллель взаимодействует с двумя компонентами вектора У. В результате такого взаимодействия на ьй позиции вектора У, согласно схеме рис. 2, получается новое нечеткое число, определяемое рекуррентным соотношением:
2 = г(у,. у,+1); у+1 = 2, (3)
где г, - один из нечетких операторов, соответствующий аллели гена, стоящего на ,-м месте в хромосоме; у,+1 — (¡+1)-я компонента вектора У; у, — ,-я компонента вектора У; 2 - промежуточная переменная. Установлено, что для каждого класса существует некоторый оптимальный набор аллелей с точки зрения минимизации ошибок первого или второго рода или их соотношения, который может быть подобран в процессе обучения, реализованном по правилам, принятым в генетических алгоритмах. Выбор оптимальной структуры хромосомы для конкретного класса ^ на обучающих выборках, состоящих из Р векторов, при наличии т возможных классов, предлагается путем минимизации критерия, представленного в виде следующего выражения:
, (4)
1 Р т 1 Р
— Р.} ^ (1 - К,.,) + 1 те} I (К ) =
Рю} І-1 }=1 Р} І-1
где Кц - коэффициент уверенности в диагнозе /-класса для ,-го вектора из обучающей выборки /-го класса, выдаваемый модулем нечеткого вывода второго уровня; р/- нормирующий коэффициент меньше единицы, учитывающий неэквивалентность ошибок первого и второго рода. Индекс при Р указывает на обучающую выборку соответствующего класса. К, вычисляется посредством взаимодействия хромосомы Яоу с ,-м вектором обучающей выборки класса / по выражению
К,/ = Г(М-Ц/ ((..Г2} (г1/ (У,1. у, 2 ). у, 3),...). У,Ы ). (5)
Задача при синтезе модуля нечеткого вывода, состоит в том, чтобы для каждого класса определить хромосому с максимальной функцией приспособленности, используя технологию селекции и мутаций. Т.к. операция (5) в общем случае не комму-
Н.А. Кореневский, С.А. Филист, Е.С. Черных
тативная, то в генетическом алгоритме процесс мутаций реализуем посредством перестановок компонентов вектора У.
Предлагаем метод синтеза решающих правил для диагностики анемий, который включает этапы:
1. С участием высококвалифицированных экспертов выбираются группы признаковых подпространств, связь которых с заданным типом анемии подтверждена клинически.
2. На основании экспертной оценки получают функции принадлежности к заданному типу анемии по каждому признаку по всем группам диагностических признаков.
3. Для каждой группы диагностических признаков синтезируется модуль нечеткого вывода 1-го уровня, позволяющий агрегировать уверенности по типу анемии.
4. На множестве агрегированных функций принадлежностей выбирается множество нечетких операций, каждая из которых кодируется числом, соответствующим гену хромосомы, являющейся моделью модуля нечеткого вывода 2-го уровня.
5. Делаются обучающие выборки для каждого типа анемий.
6. Выбирается исходный пул родительских моноаллельных хромосом из кодов нечетких операций, выбранных в п. 4.
7. Определяется функция приспособленности хромосом путем минимизации функционалов типа (4).
8. Реализуется генетический алгоритм на основе селекции и(или) мутаций для родительского пула, выбранного в п.6, и функции приспособленности, выбранной в п.7, для каждого диагностируемого класса (для каждой обучающей выборки).
Для построения системы поддержки принятия решений был разработан алгоритм управления процессами скрининга и классификации анемий в котором используются эритроцитарные индексы: у - цветовой показатель, МСУ - объем эритроцитов, МСН - содержание гемоглобина в эритроцитах, Ээ - диаметр эритроцитов, RDW - отклонения объема эритроцитов.
Схема алгоритма управления процессом скрининга и классификации анемий по пяти классам приведена на рис. 3. Расчет эритроцитарных индексов ведется в блоке 2. Так как по данным автоматизированного анализа крови может проводиться как скрининговая диагностика, так и классификация анемий, то на 1м этапе в блоке 3 выбирается режим работы автоматизированной системы: скрининг или классификация и дифференцированная
диагностика. При работе в режиме классификации и дифференцированной диагностики в блоке 4 идет переход от четких значений эритроцитарных индексов к их функциям принадлежностей.
Так как граница норма — патология у эритроцитарных индексов не однозначна, то в алгоритме управления введена возможность коррекции функций принадлежностей по возрасту, полу и национальности (блоки 5, 6 и 7). В результате работы блока 4 на входе блока 8 имеем нечеткий 5-элементный вектор {Ці(у), Ц2(МСУ), Цз(МСИ), Ц4(Ээ), Ц5(RDW)}. Этот вектор последовательно преобразуется в 5 скалярных величин путем взаимодействия с 5 операторами (хромосомами) в блоке 9, по схеме рис.2. В результате взаимодействия на входе блока 10 формируются 5 значений коэффициентов уверенности по 5 видам анемий: КУтК>1(у), Ц2(МСУ), Цз(МСИ), ифэ), Ц5(RDW)}, (6)
где ] - класс анемий, К-1 - оператор, соответствующий хромосоме ]-го класса. В блоке 10 осуществляется поиск і соответствующего максимальному значению КУ]. Блок 11 передает управление в зависимости от определенного значения ] на один из пяти разработанных нами алгоритмов, которые реализуют предложенную нами двухуровневую схему классификации, причем в этом случае данные, полученные по эритроцитарным индексам, согласно схеме алгоритма рис.3, являются результатами, полученными по одному из признаковых подпространств. При определении стадий железодефицитной (ЖД) анемии 0=1) использовались подпространства, синтезированные в результате инструментальных исследований, анализа клинической картины, социально-экологических факторов. При диагностике мегалобла-стных анемий 0=2) используется признаковое подпространство, структура которого синтезировалась в интерактивном режиме. При диагностике гемолитических анемий (ГА) 0=4) в качестве признаковых подпространств использовались признаки ускоренного разрушения эритроцитов и признаки усиленного эритропо-эза. В алгоритме диагностики апластической анемии (АА) 0=5) в качестве дополнительных признаковых подпространств использовали показатели периферической крови и костного мозга.
Если 1=3, то есть имеет место предположение о постгемор-рагической анемии (ПГА), выявляются клинические проявления кровопотери и при их наличии ставится диагноз ПГА. При отсутствии клинических проявлений либо уточняют данные лабораторного анализа, либо прекращают работать с системой автоматизированной классификации и с целью уточнения диагноза, анализируют данные по другим системам: костный мозг, биохимический анализ, инструментальные исследования.
Рис. 4. Структура автоматизированной системы для врача-гематолога
Структура программно-технического комплекса, обеспечивающего работу автоматизированной системы поддержки принятия решений врача-гематолога (СППР-Г), приведена на рис.4. С СППР-Г связан гематологический анализатор (ГА) и микроскоп с видеосканером, которые подключаются к ПЭВМ через модуль
Н.А. Кореневский, С.А. Филист, Е.С. Черных
сопряжения с объектом (МСО), реализующий требуемые протоколы обмена. Данные, рассчитываемые в камере ГА, передаются в блок расчета стандартных показателей (БРСП), в котором ведется расчет эритроцитарных индексов, и в видеофайл (ВФ). В СППР-Г имеется блок распознавания элементов видеоизображения (БРВО), позволяющий выделять элементы изображений и по ним рассчитывать ряд диагностических показателей.
Прогнозирование заболеваний крови решается блоком прогнозирования заболеваний крови (БПЗК), который по факторам риска (электромагнитные поля, радиация, наследственность, дефицит микроэлементов в воде и пище и т. д.) строит функции принадлежностей к классам заболеваний и путём их агрегирования рассчитывает соответствующие коэффициенты уверенности.
На основании полученных данных, блок дифференциальной диагностики (БДД) путём агрегирования функций принадлежности по комплексу информативных признаков определяет класс заболевания, а блок определения стадии и степени тяжести заболевания (БОССТ) определяет уверенность в стадиях и степенях тяжести. Рассчитанные показатели через интерфейс пользователя передаются врачу для анализа и принятия решений. Блок формирования советов по лечебно - оздоровительным мероприятиям (БФСЛОМ) представляет собой справочник - подсказчик по общепризнанным методам лечения для типовых случаев. В базе данных (БД) хранятся: электронная медицинская карта пациента, справочники типовых рецептов, эталонные видеоизображения клеток крови и другая справочная литература. Для обучения системы использованы данные из историй болезней Областной клинической больницы г. Курска. На 1-м этапе обучения (алгоритм рис.3) синтез хромосом для классификации анемий велся по эритроцитарным индексам. В итоге для каждого типа анемий получена хромосома, описывающая нечеткий модуль вывода для анемии конкретного типа. Проверка качества классификации анемий велась методом скользящего экзамена (табл. 1).
Статистические исследования (рис.5), показали, что прирост заболеваемости анемиями обусловлен железо- и В12-дефицитными анемиями, что позволило ввести в диалоговом режиме коррекцию в синтез решающих правил для снижения ошибок 1-го и 2-го рода. Коррекция по статистическим данным шла путем ввода в минимизирующий функционал (4) весовых коэффициентов р, которые маскировали ошибки в диагностике статистически менее встречаемых типов анемий.
Таблица 1
Качество классификации анемий методом скользящего экзамена
Типы анемий ЖДА В12 ПГА ГА АА Всего Чувствительность
ЖДА 150 17 11 2 0 180 0,83333
В 12-дефицитная 19 118 4 0 9 150 0,78667
ПГА 12 4 32 1 1 50 0,64
ГА 2 0 3 25 0 30 0,83333
АА 0 4 1 1 34 40 0,85
Специфичность 0,878 0,917 0,953 0,99 0,976
□ Б12
□ Итого по годам
7 8 9 10
годы
Рис. 5. Тенденция госпитализируемых с анемиями за последние 10 лет
Сравнительную оценку итогов такой коррекции см. на рис.6. При классификации по типам анемий система тестировалась как одноуровневая с синтезом решающих правил путем использования генетического алгоритма. Двухуровневую систему классификации тестировали на дифференцирование мегалобла-стных анемий. С этой целью на 1-м уровне использовались три признаковых подпространства: данные биологического анализа, внутренний риск (анамнез, конституция) и внешний риск (факторы окружающей среды). Используя выражения типа (1) и (2), были определены интегральные носители 8в, 8 а и 8с для функций принадлежности, определяющих уверенности в принятии решений по этим группам признаков. Агрегированные функции при-
надлежности по выбранным признаковым подпространствам по интегральным носителям 8в, и 8с для двух классов мегалобла-
стных анемий приведены на рис. 7.
0,95
0,9
0,75
еЬ
■ III
□ ЖДА
□ В12
Рис. 6. Диаграммы изменения качества классификации до и после коррекции по частоте заболеваний
Рис. 7. Агрегированные функции принадлежности по интегральным носителям 8б (а), За (б) и Зс (в) для двух классов мегалобластных анемий
Использованием генетического алгоритма получены две хромосомы для модуля нечеткого вывода 2-го уровня. Для оптимизации структуры блоков принятия решений на 1-ом и 2-ом уровнях использовали имитационное моделирование выходных векторов 1-го уровня, что позволило провести обучение блока нечеткого управления 2-го уровня независимо от 1-го, моделируя бимодальное распределение на его входе с заданной степенью выраженности, используя для этого бета-распределение. Результаты дифференцирования мегалобластных анемий см. в табл. 2.
Таблица 2
Анализ качества дифференцирования мегалобластных анемий методом скользящего экзамена
Типы анемий Фолиево-дефицитная ая на т и ц и ф е -д 2- £ Всего
Фолиево-дефицитная 165 9 174
В 12-дефицитная 4 138 142
Специфичность 0,971831 0,948275862
Для уточнения достоверности работы решающих правил осуществлялась их проверка на контрольных выборках, объем которых определялся согласно рекомендациям, принятым в медицинской практике. Для задачи диагностики ЖД-анемий получена величина объема контрольной выборки Пжд=115 человек, для задачи диагностики В12-дефицитных анемий получена величина Пв12=121 человек, для задачи диагностики гемолитических анемий - Пга=128 человек, для задачи диагностики апласти-ческих анемий - Паа=125 человек. Анализ качества работы полученных решающих правил на контрольных выборках показал, что при классификации ЖДА на контрольной выборке уровень ошибки классификации не превысил 5% (оценка вероятности правильной классификации Ржд=0,95 при экспертной оценке уверенности 0,955). При определении риска заболевания В12 -
в)
Статья
дефицитной анемией уровень ошибки классификации не превысил 4% (Рв12=0,96 при экспертной оценке уверенности 0,98). При определении риска заболеваний гемолитической анемией величина ошибки не превысила 7% (Рга=0,93 при экспертной оценке уверенности 0,96). Результаты экспертной оценки достаточно близки к результатам, полученным на контрольной выборке.
Литература
1. Кореневский Н.А. // Системный анализ и управление в биомедицинских системах.- 2005.- Т 4.- № 1.- С. 12-20.
2. Рутковская Д. и др. Нейронные сети, генетические алгоритмы и нечеткие системы / Пер. с польск. И.Д. Рудинского.- М.: Горячая линия - телеком, 2004.- 452 с.
УДК 615.84
МЕТОДЫ И СРЕДСТВА ОЦЕНКИ ПАРАМЕТРОВ ФУНКЦИОНАЛЬНЫХ СИСТЕМ С РАЗЛИЧНЫМИ ТИПАМИ ОБРАТНЫХ СВЯЗЕЙ
А.Е. БЕЛОЗЕРОВ,* Д.В. МЕШКОВСКИЙ*, В.В. ПЛОТНИКОВ**
Принято рассматривать биосистемы как системы открытого типа, взаимодействующие с окружающей средой. Оптимальное регулирование непрерывных потоков веществ, энергии и информации обеспечивается механизмами управления, поведением и состоянием биосистем. Состояние внутренней среды и оптимальное взаимодействие с внешней средой характеризуется стабилизирующими проявлениями и непрерывными динамическими модуляциями в соответствии с потребностями системы. Иерархичность является одной из основных характеристик структурной организации саморегулирующихся механизмов биосистем. Иерархия связана с постепенным усложнением и наслаиванием друг на друга аппаратов регулирования. Иерархия динамически сочетает принцип автономности с принципами субординации и централизованного соподчинения. Наряду с надежностью и гибкостью в иерархически построенных системах достигается высокая энергетическая, структурная и информационная экономичность. Отдельные уровни могут состоять из простых (или повторяющихся) элементов с ограниченным числом операций. Отдельные блоки выполняют роль фильтров, осуществляя передачу интегрированной информации на более высокие уровни системы.
Большинство функциональных систем (ФС), организованных по кольцевому принципу, возникает как результат процесса, в ходе которого идет непрерывное сличение параметров потребного и достигнутого результатов, корректировка и совершенствование организации ФС для достижения все большего соответствия этих двух видов результатов. Процесс достижения психофизиологическими ФС заданного результата является индивидуальным для каждого человека. Получить информацию об этом можно путем разработки специальных психофизических тестов на базе общей теории ФС П.К.Анохина [2]. Эта теория много лет является общепризнанной во всем мире, но надежных психологических методик, позволяющих получить количественные оценки, характеризующие способ организации ФС для реализации заданных типов действий, почти нет. Разработка таких тестов поможет создать методики, применяемые при решении задач профориентации, диагностики психических заболеваний и т. д.
Для исследования индивидуальных способов формирования ФС были разработаны методики воспроизведения линейных размеров объекта и высоты чистого тона без обратной связи, с обратной связью и ложной обратной связью. Исходя из поставленных целей, учитывая недостатки известных методик исследования законов формирования ФС, опыт построения методик саморегуляции, определяются требования, к основным из которых относятся: оценка количественных характеристик ФС при реализации цепочки «цель - действие - результат - цель»; возможность исследования формирования ФС для различных типов анализаторов; обеспечение чувствительности к индивидуальным особенностям формирования ФС, к изменению функционального состояния; обеспечение исследования режимов работы ФС на внутренних обратных связях и при использовании корректирующей внешней информации через подключение внешних цепей обратной связи с точными и ложными эталонными установками.
* 305040, г. Курск, ул. 50 лет Октября, 94, КГТУ
** 305047, г. Курск, ул. Карла Маркса, 3, КГМУ
В качестве сигналов к началу действия были выбраны зрительные и слуховые раздражители, а в качестве исследуемых параметров - точность воспроизведения линейных размеров эталонного отрезка и эталонной высоты тона. Методики, использующие зрительный канал формирования управляющих воздействий, построены следующим образом. Испытуемому на экране предъявляется горизонтальная линия эталонной длины (10 см). Через 5 с эталонная линия исчезает. На экране появляется короткая линия. Задача испытуемого сводится к тому, чтобы с помощью заданных клавиш, увеличивая и уменьшая длину рабочей линии, по памяти воспроизвести на экране величину эталонной линии. Предоставляется 4 пробных задания, результаты которых не учитываются, затем 5 с предъявляется эталонная линия, и далее проводится 50 рабочих тестов. Методики, использующие слуховой канал формирования управляющих воздействий построены так же: эталоном является звуковой сигнал частотой 700 Гц. Испытуемый должен воспроизвести высоту эталонного тона, меняя высоту рабочего тона с помощью клавиатуры. В методиках имеется 3 варианта теста. В тесте без обратной связи (ОС) испытуемый не получает информации о допущенной ошибке, в тестах с ОС испытуемому в цифровом и графическом виде выдается информация о ее величине, в тестах с ложной ОС информация об ошибке выводится заведомо ложно и зависит от значений ошибок при выполнении предыдущих тестов. При выполнении всех методик регистрируется величина отклонения от истинного или ложного эталона. При реализации методики без ОС испытуемый формирует свои действия, используя лишь внутренние механизмы саморегуляции. Методика с ОС позволяет корректировать рассогласование между работой внутренних и внешнего эталонов, когда ФС синхронизируется внешним управляющим сигналом, методика с ложной ОС позволяет исследовать работу сформированных ФС, когда заранее сформировавшийся внутренний эталон подвергается корректировке со стороны внешнего управляющего воздействия, не соответствующего «истинному».
Для получения качественных и количественных характеристик, описывающих индивидуальные параметры ФС человека как реакцию на предложенный набор тестов, предлагается модель поведенческого акта «цель - действие - результат», структура которой приведена на рис. В этой модели выделены управляющие и исполнительные элементы ФС, охваченные внутренними и внешними обратными связями, для которых в общем виде определены функциональные зависимости от параметров, характеризующих индивидуальные особенности организма, энергетические потенциалы функциональных узлов и систем, задействованных в реализации поведенческого акта «цель - действие - результат -цель» и внешние воздействия на сенсорные системы организма.
Рис. Формирование управляющих функциональных структур и команд.
На рис. используются обозначения: УСВУ - управляющие структуры высшего уровня; ГЭА - главный эталонный нейронный ансамбль; БПД - блок памяти действий; ПНА - промежуточный нейронный ансамбль; ППД - промежуточная память действий; РНА - рабочий нейронный ансамбль; РУНА - рабочий управляемый нейронный ансамбль; СС - сенсорные системы; ИМ - исполнительный механизм; ПК - персональный компьютер, реализующий заданную методику исследований; 7о - канал передачи информации о параметрах и условиях проведения эксперимента; 7м - канал передачи информации, формируемой по ходу выполнения методик от персонального компьютера; 7Г -канал запуска рабочего управляемого нейронного ансамбля; 7вс -канал внешней синхронизации РУНА; - пусковая команда для
