Диссертация (Разработка системы поддержки принятия решения при обеспечении безопасности космонавтов в длительном космическом полете), страница 10

Совершенствование системыСМО предполагается с помощью внедрения дополнительных средств медицинского контроля:диагностические медицинские и психофизиологические программно-аппаратные комплексы,информация от которых будет поступать в разработанную СППР, после чего врач экипажапринимает решения о дальнейших профилактических мероприятиях или об оказаниимедицинской помощи для предотвращения чрезвычайной ситуации.3.2.Структура системы поддержки принятия решенийНаРис.3.6представленасхемаструктурыСППРдлярешениязадачиавтоматизированной оценки психофизиологического состояния космонавтов для обеспечениябезопасности в длительном космическом полете.

Система состоит из трех основных модулей:интерфейс, преобразователь, математическая модель.60Рис. 3.6. Структура СППРСистема состоит из нескольких модулей, ниже приведено более подробное описание.Интерфейс служит для ввода исходных данных для обучения, тестирования иклассификации и вывода результатов классификации и графических изображений. Вкомпоненте преобразователя происходит преобразование исходных данных, вычисленияплотностей вероятностей появления симптомокомплексов при наличии конкретных диагнозови вычисления правдоподобий. В компоненте математической модели зауправление всех подмодулей отвечает основной модуль управления, при необходимости,вызывая модули классификации или тестирования с помощью методов кросс-валидации, ROCанализа или матрицы обнаружения.Модуль подготовки исходных данныхИсходными данными для обучения является матрица чисел, один столбец которойявляетсяметкойкласса,всеостальныеэлементыпредставляютсобойвекторасимптомокомплексов, состоящих из значений физических параметров характеризующихсостояние космонавтапоявления.

На этапе обучения происходит вычисление плотностей вероятностейсимптомокомплексовприналичииконкретныхдиагнозов,при61непосредственнойработеклассификаторавычисляютсяправдоподобиядляопределения метки класса, что соответствует более вероятному диагнозу.Модуль классификацииВ ходе классификации происходит вычисление правдоподобийдля каждого изпараметров и по формуле (2.13) перемножение и вычисление апостериорной вероятностидля каждого класса. Затем по формуле (2.15) происходит сравнение апостериорныхвероятностейи наблюдению с вектором данных присваивается класс, которомупринадлежит максимальная апостериорная вероятностьМодуль классификации с порогом отсеченияПорог отсечения это точка баланса между ошибками I и II рода.

Варьируя значениепорога отсечения, возможно настроить классификатор на более приемлемый характер работы сучетом решаемой задачи, так например для медицинской диагностики важна высокаячувствительность, что свидетельствует об увеличении ошибки II рода и гипердиагностике.Рис. 3.7. Графическое представление ROC-кривой, варьирование порога отсечения, поискбаланс между ошибками I и II родаМодуль кросс-валидацииДля определении эффективности и точности работы классифкатора предусмотрен рядмодулей проверки, первый из них модуль кросс-валидации. Кросс-валидация – это методикапроверки эффективности работы модели на независимом наборе данных.

Для получения болееобъективного результата применяется кросс-валидация. Видов кросс-валидации множество,применен k-fold cross validation. Исходный набор данных разбивается на k фолдов, затемкаждый фолд используется для теста, в то время как остальные k-1 фолдов – для обучения.Значение параметра k может быть произвольным.62Модуль ROC-анализаМетод графической визуализации качества работы классификатора представлен в видеROC-кривой – это зависимость чувствительностью (sensitivity) от специфичности (specificity).Идеальный классификатор обладает чувствительностью и специфичностью, равным 1, однакопри анализе ROC-кривой, изображенной на Рис. 3.7, становится очевидно, что это невозможно,так как чем выше одна характеристика, тем ниже другая характеристика.

Баланс междучувствительностьюи специфичностьювозможно найти с помощью порога отсечения.Таким образом, данное действие позволяет повысить точность работы классификатора,настраивая оптимальный порог отсечения. Пороговая линия решающего правила должнаоптимально разделять области пересечения двух выборок, как представлено на Рис. 3.7.Модуль расчета матрицы сопряженности (обнаружения)Конкретная численная метрика качества работы классификатора для оценки накачественном и количественном уровне новых реализаций является матрица обнаружения,которая представляет собой таблицу, содержащую основные статистические характеристикикачества классификации.

Для бинарной классификации матрица содержит следующиеэлементы:TP (True Positive) – количество истинно-положительных результатов в выборке;TN (True negative) – количество истинно-отрицательных результатов в выборке;FP (False positive) – количество ложно-положительных решений в выборке(ошибка II рода);FN (False negative) – количество ложно-негативных результатов в выборке(ошибка I рода).Модуль адаптацииМодуль адаптации служит для повышения эффективности работы классификатора,добавляявобучающуювыборкуновыеверифицированныеслучаи,проводиться«переобучение» системы и уточнение параметров классификации. При использовании СППР наборту космического аппарата в случае диагностики сердечно-сосудистыхпатологийобновление и «переобучение» системы целесообразно производить через две недели послепроведенного исследования, так как повышение концентрации маркеров некроза миокарда вкрови происходит не более чем за вышеупомянутый срок до кардиальной катастрофы.Модуль интерфейсаВ данном модуле представлен интерфейс для работы с исходными данными, а так жевывода результатов обучения и классификации, представлено на Рис.

3.8 - Рис. 3.11.63Рис. 3.8. Визуализация обучающей выборки и выбор столбца классаРис. 3.9. Обучение классификатора64Рис. 3.10. ROC-криваяРис. 3.11. Матрица сопряженности (обнаружения) для тестовой выборки653.3.Выводы по главе 31. Разработаныструктураалгоритмапрограммно-математическогореализацииобеспеченияидляпринципырешенияпостроениязадачиавтоматизированной оценки состояния космонавтов в условиях ДКП дляобеспечения безопасности.2. Разработано программно-математическое обеспечения с возможностью решениязадач на основе различных исходных данных и варьированием пороговой линиирешающего правила.66ГЛАВА 4. Результаты тестирования программного комплекса4.1.Тестирование системы поддержки принятия решений на примереконцентрацийбиохимическихпараметров,характеризующихсостояние сердечно-сосудистой системыДляпроведения корректноготестированияСППРдляприменения набортукосмического аппарата, используя клинические данные пациентов, находящихся на Земленеобходимо определить априорную вероятность наступления заболевания для космонавтов.Надо добавить, что тестирования на статистических данных, полученных из космическоймиссии невозможно, так как такой полет лишь планируется, а задачу обеспечения безопасностинеобходимо решить заблаговременно.

В работе Юрова И.Б. (2006) отмечается, чтофункциональные изменения, которые происходят в сердечно-сосудистой и мышечной системаху космонавтов и профессиональных спортсменов схожи, поэтому в рамках моделирования из-занехватки информации непосредственно из космических миссий допустимо использоватьпараметры профессиональных спортсменов.По статистическим данных Министерства здравоохранения РФ (2013) в популяциироссийских граждан заболеваемость по острому инфаркту миокарда и сопутствующихкардиозаболеваний составляет 2 093,9 человека на 100 000 человек населения, что впроцентном соотношении составляет примерно 2%. Различные группы ученых в своих научныхисследованиях Corrado D. (2006), Adami P.E. (2015) показали, что сердечно-сосудистыезаболевания присущи профессиональным спортсменам в 2,4 раза выше, чем людям изпопуляции не занимающимся спортом.Следовательно, можно принять, что адаптации наземных данных к использованию вДКП необходимо применить априорную вероятность равную.

Кроме того, дляповышения качества классификации во время эксплуатации на борту космического аппаратапредлагается его «переобучать» по истечении трех недель после каждой успешнойклассификации.Итак, при моделировании БК необходимо учитывать следующую последовательностьдействий, которые представлены на Рис. 4.1. Инструменты для реализации всех этаповпредставлены выше в предыдущих пунктах работы.67ОбучениеПовышениеточностиТестированиеКлассификацияРис. 4.1. Этапы моделирования классификатораАлгоритм работы пользовательской программы имеет следующую структуру:1) загрузка обучающей выборки;2) визуализация обучающей выборки и выбор столбца класса;3) проведение обучения бинарного классификатора;4) проведение процедуры кросс-валидации;5) выполнение 10-фолдовой кросс-валидации, расчет матрицы обнаружения длякаждого фолда, расчет значения AUC для каждого фолда;6) визуализация расчета чувствительности и специфичности для построения ROCкривой.

Шаг порога отсечения задается произвольно, определение оптимальногопорога отсечения представлено в табл. 4.1.табл. 4.1ЗначениеSens1-SpecSpecSens+Spec|Sens-Spec|порога (η)(Se)(1-Sp)(Sp)(Se+Sp)(|Se+Sp|)0,01110110,02110110,03110110,04110110,0511011680,06110110,07110110,08110110,09110110,1110110,1111011………………0,790,780,50,51,280,280,80,780,50,51,280,280,810,780,50,51,280,280,820,780,330,671,450,110,830,780,330,671,450,110,840,780,330,671,450,110,850,670,330,671,3400,860,670,330,671,3400,870,670,330,671,3400,880,670,170,831,50,160,890,560,170,831,390,270,90,560,170,831,390,270,910,440,170,831,270,39………………Анализируя табл.

4.1 необходимо выбрать оптимальный критерий порога отсечения:максимальная сумма чувствительности и специфичности:(4.1)равенство чувствительности и специфичности:(4.2)Используя критерии нахождения оптимального порога отсечения, определено, чтомаксимальная чувствительность и специфичность и, следовательно, минимум ошибок I и IIрода достигается при значении порога 0,83. В данной точке чувствительность равна 78% этоможно интерпретировать, следующим образом, что данный классификатор в 78% случаев у69пациентов с наличием ИМ результаты классификации будут положительные. Специфичностьравна 67%, следовательно, в 67% случаев у пациентов без ИМ результаты классификации будутотрицательные. Точкой, в которой чувствительность и специфичность равны, является 0,86;7) построение ROC-кривых для каждого фолда (Рис. 4.2);Рис.

4.2. ROC-кривая8) выполнение тестирования классификатора. Загрузка тестовой выборки. Вычислениематрицы обнаружения (Рис. 4.3);Рис. 4.3. Матрица сопряженности (обнаружения) для тестовой выборки70Из представленного Рис. 4.3 можно сделать вывод, что при классификации тестовойвыборкиобъемом50случаевположительных результатовистинно-положительныхрезультатовFP=4, ложно-отрицательных результатовTP=2,ложно-FN=1, истинно-отрицательных результатов TN=43.9) проведение ROC-анализа для тестовой выборки Рис. 4.4.Рис. 4.4.

ROC-кривая для тестовой выборки4.2.Тестирование системы поддержки принятия решений на примерерасширенного перечня параметров, характеризующих состояниесердечно-сосудистой системыСтоит,однако,заметить,чтомедицинскиеданныезачастуюявляютсянеколичественными нормально распределенными, а могут иметь различные распределения.Также могут являться качественными данными, которые регистрируются по принципу «да –нет» или «0 – 1» или признаками, измеряемыми по порядковой шкале, когда результатыисследования оценивают в виде тестовых баллов.71В качестве исходных данных была использована выборка по сердечно-сосудистымзаболеваниямизUCIMachineLearningRepository[http://www.ics.uci.edu/~mlearn/MLRepository.html].

Irvine, CA: University of California, School ofInformation and Computer Science. Анализируемые данные состоят из 270 наблюдений и 13переменных (предикторов), 14 переменная является экспертной оценкой, которая отражаетэкспертное мнение о наличие или отсутствие заболевания у пациента. Данная оценка имеет двазначения: 1 – нет заболевания, 2 – есть заболевание. Диагностические предикторы можноинтерпретировать следующим образом:1) возраст;2) пол;3) тип боли в грудной клетке (4 значения);4) систолическое давление;5) значение холестерина в мг/дл;6) - уровень сахара в крови натощак> 120 мг / дл;7) ЭКГ в покое (значения 0,1,2);8) частота сердечных сокращений;9) наличие стенокардии;10) депрессия сегмента ST на ЭКГ;11) наклон пика сегмента ST;12) количество крупных сосудов (0-3);13) интегральный показатель: 3 - нормальный; 6 - зафиксированный дефект;7 - обратимый дефект;14) 1 - нет заболевания, 2 - есть заболевание.В представленной выборке тип данных 1, 4, 5, 8, 10, 12 – является количественным,2, 6 9 – бинарным, 3, 7, 11, 13 – бальным.Построение классификатора на базе дискриминантного анализа осуществляется внесколько этапов согласно Рис.