Функционально-диагностические исследования основываются на снятии кривой поток-объем. Объектом функционально-диагностических исследований (конкретно исследование отношений потока и объема во время форсированного выдоха) является важный орган – легкие. Исследование отношений потока и объема имеет следующие основные особенности:

• большая информативность и наглядность полученной кривой поток-объем;
• видимость даже очень незначительных отклонений от нормы в состоянии бронхолегочного аппарата;
• простота и необременительность исследования для пациента;
• низкая стоимость одного исследования и аппаратуры.

Экспертные системы - это прикладные системы ИИ, в которых база знаний представляет собой формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой либо узкой предметной области. Экспертные системы предназначены для замены при решении задач экспертов в силу их недостаточного количества, недостаточной оперативности в решении задачи или в опасных (вредных) для них условиях.

Можно выделить следующие основные классы задач, решаемых экспертными системами:

• диагностика,
• прогнозирование,
• идентификация,
• управление,
• проектирование,
• мониторинг.

На рисунке 2 изображена обобщенная структура экспертной системы.

Рис.2. Структура экспертной системы (упращенная).

База знаний предназначена для хранения экспертных знаний о предметной области, используемых при решении задач экспертной системой.База данных предназначена для временного хранения фактов или гипотез, являющихся промежуточными решениями или результатом общения системы с внешней средой, в качестве которой обычно выступает человек, ведущий диалог с экспертной системой.

Машина логического вывода - механизм рассуждений, оперирующий знаниями и данными с целью получения новых данных из знаний и других данных, имеющихся в рабочей памяти. Для этого обычно используется программно реализованный механизм дедуктивного логического вывода (какая-либо его разновидность) или механизм поиска решения в сети фреймов или семантической сети.

Машина логического вывода может реализовывать рассуждения в виде:

1. дедуктивного вывода (прямого, обратного, смешанного);
2. нечеткого вывода;
3. вероятностного вывода;
4. унификации;
5. поиска решения с разбиением на последовательность подзадач;
6. поиска решения с использованием стратегии разбиения пространства поиска с учетом уровней абстрагирования решения или понятий, с ними связанных;
7. монотонного или немонотонного рассуждения;
8. рассуждений с использованием механизма аргументации;
9. ассоциативного поиска с использованием нейронных сетей;
10. вывода с использованием механизма лингвистической переменной.

Подсистема общения служит для ведения диалога с пользователем, в ходе которого ЭС запрашивает у пользователя необходимые факты для процесса рассуждения, а также, дающая возможность пользователю в какой-то степени контролировать и корректировать ход рассуждений экспертной системы.

Подсистема объяснений необходима для того, чтобы дать возможность пользователю контролировать ход рассуждений и, может быть, учиться у экспертной системы. Если нет этой подсистемы, экспертная система выглядит для пользователя как "вещь в себе", решениям которой можно либо верить либо нет. Нормальный пользователь выбирает последнее, и такая ЭС не имеет перспектив для использования.

Подсистема приобретения знаний служит для корректировки и пополнения базы знаний. В простейшем случае это - интеллектуальный редактор базы знаний, в более сложных экспертных системах - средства для извлечения знаний из баз данных, неструктурированного текста, графической информации и т.д.

Нечеткая логика. Мощь и интуитивная простота нечеткой логики как методологии разрешения проблем гарантирует ее успешное использование во встроенных системах контроля и анализа информации. При этом происходит подключение человеческой интуиции и опыта оператора.

В отличие от традиционной математики, требующей на каждом шаге моделирования точных и однозначных формулировок закономерностей, нечеткая логика предлагает совершенно иной уровень мышления, благодаря которому творческий процесс моделирования происходит на наивысшем уровне абстракции, при котором постулируется лишь минимальный набор закономерностей.

Нечеткие числа, получаемые в результате “не вполне точных измерений”, во многом аналогичны распределениям теории вероятностей, но свободны от присущих последним недостатков: малое количество пригодных к анализу функций распределения, необходимость их принудительной нормализации, соблюдение требований аддитивности, трудность обоснования адекватности математической абстракции для описания поведения фактических величин. В пределе, при возрастании точности, нечеткая логика приходит к стандартной, Булевой. По сравнению с вероятностным методом, нечеткий метод позволяет резко сократить объем производимых вычислений, что, в свою очередь, приводит к увеличению быстродействия нечетких систем

Недостатками нечетких систем являются:

• отсутствие стандартной методики конструирования нечетких систем;
• невозможность математического анализа нечетких систем существующими методами;
• применение нечеткого подхода по сравнению с вероятностным не приводит к повышению точности вычислений.

В обыкновенной логике существуют только две оценки. Если элемент принадлежит множеству, то 1, если не принадлежит, то 0. Например: есть множество шоколадных конфет. Они могут быть либо вкусными, либо нет. Это в обыкновенной логике. А предположим, что конфета - так себе, но невкусной ее все же не назовешь. Как быть? Человек говорит себе так: эта конфета скорее вкусная, чем нет. То есть делает предположение, высказывание. Или извечная тема - погода. Мы говорим - "кажется тепло" или "скорее холодно, чем тепло" и т.д. Нечеткая логика - это способ сгладить углы 0 и 1 и приблизить программирование компьютеров к мышлению человека.

Пример. Пусть имеется множество молодых людей. Как определить это понятие в четкой логике. Пусть вы скажете молодые люди - это от 15 и до 35 лет. А что же человек, которому 36 лет - уже старичок и ему пора зубы ложить на полку ? Как-то некрасиво получается. Нечеткая логика позволяет ослабить такое строгое разделение на старых и молодых. Обычно человек мыслит так - да, Ваня почти молодой человек или да он еще молодой, но возраст скоро даст о себе знать. Если в первом случае для обычной логики элементы множества кодировались компьютером как 0(старый) или 1 (молодой), то Мы же теперь введем значения - промежуточные между 0 и 1 (рис.3).

Рис.3. Функция принадлежности

В нечеткой логике вводится понятие лингвистической переменной, значениями которой являются не числа , а слова естественного языка , называемые термами. Например, в случае управления мобильным роботом можно ввести две лингвистические переменные: «ДИСТАНЦИЯ» (расстояние до помехи) и «НАПРАВЛЕНИЕ» (угол между продольной осью робота и направлением на помеху).

Рассмотрим лингвистическую переменную «ДИСТАНЦИЯ». Значениями ее можно определить термы «ДАЛЕКО», «СРЕДНЯЯ», «БЛИЗКО» и «ОЧЕНЬ БЛИЗКО». Для физической реализации лингвистической переменной необходимо определить точные физические значения термов этой переменной. Пусть переменная «ДИСТАНЦИЯ» может принимать любое значение из диапазона от нуля до бесконечности. Согласно положениям теории нечетких множеств, в таком случае каждому значению расстояния из указанного диапазона может быть поставлено в соответствие некоторое число от нуля до единицы, которое определяет степень принадлежности данного физического расстояния (допустим 40 см) к тому или иному терму лингвистической переменной «ДИСТАНЦИЯ» Степень принадлежности определяется так называемой функцией принадлежности М(d), где d-расстояние до помехи. В нашем случае расстоянию 40 см. можно задать степень принадлежности к терму «ОЧЕНЬ БЛИЗКО» равную 0,7 , а к терму «БЛИЗКО»– 0,3 (см. рис.4.). Конкретное определение степени принадлежности может проходить только при работе с экспертами.

Рис.4. Лингвистическая переменная и функция принадлежности

Переменной «НАПРАВЛЕНИЕ», которая может принимать значения в диапазоне от 0 до 360 градусов, зададим термы «ЛЕВОЕ», «ПРЯМО» И «ПРАВОЕ».

Теперь необходимо задать выходные переменные. В рассматриваемом примере достаточно одной, которая будет называться РУЛЕВОЙ УГОЛ. Она может содержать термы: «РЕЗКО ВЛЕВО», «ВЛЕВО», «ПРЯМО», «ВПРАВО», «РЕЗКО ВПРАВО». Связь между входом и выходом запоминается в таблице нечетких правил (рис.5).

Рис.5. Таблица нечетких правил.

Каждая запись в данной таблице соответствует своему нечеткому правилу, например:

Если «ДИСТАНЦИЯ» «БЛИЗКО» и «НАПРАВЛЕНИЕ» «ПРАВОЕ», тогда «РУЛЕВОЙ УГОЛ» «РЕЗКО ВЛЕВО»

Таким образом, мобильный робот с нечеткой логикой будет работать по следующему принципу: данные с сенсоров о расстоянии до помехи и направлении на нее будут фаззифицированы, обработаны согласно табличным правилам, дефаззифицированы и полученные данные в виде управляющих сигналов поступят на привода робота.

Основным результатом работы является создание специализированной экспертной компьютерной системы диагностики функционального состояния легких, постановка диагноза. Научной новизной работы является получение новых методов и инструментов для постановки диагноза. Полученные результаты будут иметь практическое применение, т.к. в настоящее время на Украине ни одна система диагностики не ставит диагноз. Обработка результатов новым способами позволит делать более точный диагноз и анализ степени нарушения функциональности легких. Экспертных систем с нечеткой логикой я собираюсь применять и в других областях медицины. Экспертные системы с нечеткой логикой являются хорошим решением проблем в медицине при постановке диагноза, при принятии решений, при анализе информации.

1. Клемент Р.Ф. “Функционально-диагностические исследования в пульмонологии: Метод. рекомендации”. – Санкт-Петербург. – 1993.

2. Клемент Р.Ф., Лаврушин А.А., Тер-Погосян П.А., Котегов Ю.М. “Инструкция по применению формул и таблиц должных величин основных спирографических показателей”. – Л. 1986.

3. Клемент Р.Ф., Аганезова Е.С., Котегов Ю.М. “Критерии отклонения от нормы некоторых параметров кривой форсированного выдоха // Современные проблемы клинической физиологии дыхания”. – Л., 1987.- С. 20-27.

4. 7. Ширяева И.С., Лукина О.Ф., Реутова В.С. и др. “Функциональные методы исследования бронхиальной проходимости у детей: Метод. рекомендации”. – М., 1990. – 22с.

5. Борисов А.Н., Крумберг О.А., Федоров И.П. “Принятие решений на основе нечетких моделей. Примеры использования”. – Рига: Зинатне, 1990. -184 с.