СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Разработка информационных технологий мониторинга развивающихся биосистем, основанных на применении бионических принципов, является одним из перспективных научных направлений. Эволюционируя в течение миллионов лет, в биосистемах сформировались структуры, в частности генетическая, иммунная, нейронная, обеспечивающие сбалансированное развитие и наличие необходимых информационных средств контроля и адаптивного управления в изменяющейся среде. В настоящее время делаются попытки комплексного использования искусственных систем обработки информации, структурно отражающих функционирование биосистем. Особое внимание при этом уделяется разработке моделей и методов, всесторонне учитывающих специфику объекта исследования.

В статье рассмотрена концепция выбора последовательности управляющих воздействий с целью минимизации возможности перехода состояния организма в неблагоприятное. Для этого разработана бионическая модель, основанная на синтезе информационных подходов, нейронных сетей и генетического алгоритма. Синтез в бионических моделях нейронной, генетической и информационной систем позволил системам обмениваться информацией и передавать в качестве входных воздействий значения своих характеристик. Рассмотрены функционал каждого из элементов модели и их взаимодействие. Особое внимание уделено нейроэволюционному взаимодействию. Приведено краткое описание программного обеспечения, реализованного на языке программирования Python. На основе перекрестной проверки результатов тестирования машинного обучения выявлены аномалии, которые не были обнаружены ни одним из рассмотренных ранее методов. Эффективность решений, полученных на основе бионического моделирования, оценена на основе контрольно-тестовых групп и кросс-валидации. На основе результатов эксперимента показана эффективность выбора и применения управляющих воздействий с целью минимизации возможности перехода функционального состояния организма человека в неблагоприятное.

1. Диагностика состояния человека: математические подходы / А.В. Богомолов, Л.А. Гридин, Ю.А. Кукушкин, И.Б. Ушаков. – М.: Медицина,2003. – 464 с.

2.Максимов И.Б., Столяр В.П., Богомолов А.В. Прикладная теория информационного обеспечения медико-биологических исследований. –М.:Бином, 2013. – 312 с.

3.Гергет О.М., Кочегуров А.И. Использование энергетических и информационных показателей в оценке состояния функционирования медицинских систем // Известия Томского политехнического университета. – 2012. – Т. 321, № 5. – С. 117–120.

4.Система поддержки принятия решений при назначении комплексов немедикаментозной реабилитации / И.В. Горбунов, А.А. Зайцев, Р.В. Мещеряков, И.А. Ходашинский// Медицинская техника. – 2016. – № 6 (300). – С. 23–26.

5.Девятых Д.В., Гергет О.М., Михаленко И.В. Применение искусственных нейронных сетей для прогнозирования развития перинатального поражения нервной системы// Известия Волгоградского государственного технического университета. – 2013. – Т. 16, № 8 (111). – С. 77–80.

6.Математическое и алгоритмическое обеспечение оценки состояния здоровья человека/ Н.С. Козыренко, Р.В. Мещеряков, И.А. Ходашинский, Н.Ю. Ануфриева //Труды СПИИРАН. –2014. –Вып. 2 (33). –С. 116–146.

7.Кочегуров В.А., Гергет О.М., Константинова Л.И.Модели закономерностей развития детей в раннем периоде и методы оценки их состояния// Проблемы информатики. – 2012. – № S3 (17). – С. 6–12.

8.Комплексный подход к оздоровлению беременных женщин / Т.С. Кривоногова, И.Д. Евтушенко, Н.А. Тренькаева, Л.К. Гладких, О.М. Гергет. – Томск: Томский гос. ун-т систем упр. и радиоэлектроники, 2008. – 183 с.

9.Фокин В.А.Статистическое моделирование данных при оценке состояния биологических систем // Известия Томского политехнического университета. –2007. –Т. 311, № 5. – С. 132–135.

10.Юсупов Р.М.,Ронжин А.Л.От умных приборов к интеллектуальному пространству//Вестник Российской академии наук. – 2010. –Т. 80, № 1. – C. 45–51.

11.Carmesin H.Multilinearback-propagationconvergencetheorem //PhysicsLetters A. –1994. –Vol. 188 (1). – P. 27–31.

12. Gerget O.M.Bionic models for identification of biological systems// Journal of Physics: Conference Series. – 2017. –Vol. 803, N 1. – P. 12–24.

13.Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining,inference, and prediction. –New York, NY: Springer, 2009. –745 p.

14.Goodfellow I., Bengio Y., Courville A. Deep learning.– MIT Press, 2016. – 800 p.

15.Shcherbakov M.,Kamaev V.,Shcherbakova N. Automated electric energy consumption forecasting system based on decision tree approach // 7th IFAC Conference on Manufacturing Modelling, Management, and Control. –2013. –Vol. 46,iss. 9. –P. 1027–1032.

16.Calculation of performance indicators for passenger transport based on telemetry information / M.A. Yurchenko, E.A. Kochegurova, A.S. Fadeev, A.Y. Piletskaya// Engineering Technology, Engineering Education and Engineering Management: proceedings of the International Conference on Engineering Technologies, Engineering Education and Engineering Management (ETEEEM 2014), China, November 15–16, 2014. – London: Taylor & Francis Group,2015. – P. 847–851.

17.Wang H., Song G. Innovative NARX recurrent neural network model for ultra-thin shape memory alloy wire //Neurocomputing. –2014. – Vol. 134. – P. 289–295.