2.1. Объект, методы и средства исследования.

Объектом исследования является структура данных, характеризующая экзогенные и эндогенные факторы риска воздействующие на сельскохозяйственных рабочих (работников агропромышленного комплекса (АПК)), способствующие появлению и развитию профессиональных заболеваний.

Озимая пшеница: осень - “Диаммофоска”; ранняя весна - аммиачная селитра, сульфат аммония (азотосодержащие удобрения); в период созревания - мочевина, “Лигногумат”, “Аквамикс”, “Акварин 5”, “Балерина”, “Коллосаль-про”, “Кредо”, “Борей”; перед сбором урожая - “Торнадо 540".

Ячмень: весна - “Диаммофоска”, аммиачная селитра; с мая по июнь - “Лигногумат”, “Аквамикс”, “Акварин 3”, “Акварин 5”, “Оплот трио”, “Табу”, “Борей”, “Балерина”, “Ластик экстра”, “Деметра”, “Коллосаль про”, “Торнадо 540.

Люпин: обработка семян - “Витарос”, при посеве (весна) - аммиачная селитра; с мая по август - “ “Аквамикс - ТВ”, “Кредо”, “Лазурин”, “Коллосаль про”, “Торнадо 540.

Комплекс заболеваний, порождаемых минеральными удобрениями и пестицидами описан в первой главе.

В медицинской постановке объектом исследования являются сельскохозяйственные рабочие, занятые в растениеводстве и

контактирующие с ядохимикатами (минеральные и органические удобрения, пестициды).

В зависимости от условий труда, проживания и индивидуальных особенностей организма на рабочих анализируемой профессии действуют факторы риска различной модальности: сельскохозяйственные ядохимикаты (минеральные удобрения с содержанием азота, фосфора, хлора и т.д., пистициды различных типов и назначения); эргономические особенности используемых технических средств (микроклимат, вибрация, рабочая поза взаимодействия с органами управления и индикаторными панелями); экологические факторы без учета ядохимикатов (пыль с взвесями вредных примесей, выхлопные газы, геопатогенные факторы, радиационные загрязнения); индивидуальные факторы риска (социальная среда, предрасположенность к заболеваниям, употребление алкоголя, функциональное состояние, функциональный резерв и т.д.).

Для формирования репрезентативных обучающих и контрольных выборок, пользуясь рекомендациями работ [100, 137] при заданной оценке вероятности правильной классификации на уровне 0,95 объем выборки по классам соответствующим отсутствию профессиональных заболеваний и (или) отсутствию риска профессиональных заболеваний (класс ω₀) был определен в 100 человек, которые формировались из студентов сельскохозяйственной академии и сельскохозяйственных рабочих различной возрастной категории не занятых профессионально в исследуемой агросфере.

Такой же объем выборки использовался по рабочим контактирующим с ядохимикатами.

В силу естественных ограничений на объем исследований в качестве основных объектов выступали рабочие использующие ядохимикаты провоцирующие заболевания нервной системы, сердечно-сосудистой системы, системы дыхания.

Анализ особенностей исследуемых классификационных структур и данные разведочного анализа позволили сделать вывод о том, что в качестве 47

основного математического аппарата целесообразно выбрать технологию мягких вычислений и, в частности с учетом опыта накопленного в Юго­Западном государственном университете, методологию синтеза гибридных нечетких решающих правил [70, 73, 74, 78, 79, 88, 91, 140, 170, 194]. Обобщенный вариант этой методологии реализуется по следующим основным пунктам [70, 88, 194].

1. Если имеются трудности в выборе функций принадлежности и имеется обучающая выборка, проверяется эффективность последовательной процедуры А. Вальда при выполнении которой определяется диагностический коэффициент ДК и границы надежной классификации [34, 35]. Классификационная уверенность вычисляется по функции принадлежности к ω_rпо шкале ДК[70, 88].

2. Если при использовании интерактивных систем распознавания находятся двумерные отображающие пространства с приемлемым качеством классификации, то рекомендуется оценить эффективность метода диалогового конструирования двумерных классификационных пространств [84, 88, 89], с отображающим пространством Φ = Y1 ∙ Y2, определяемом декартовым произведением отображающих функций Y1 и Y2:

где F1и F2- функции преобразования многомерных объектов на двумерную плоскость;

А и В -настраиваемые параметры;

Х - многомерные координаты исследуемых объектов.

В процессе обучения в пространстве Ф с использованием интерактивных алгоритмов определяются разделяющие границы для отображений классов ω_sи ω_rпо критерию минимизации ошибок классификации в виде уравнений G_st = F_sr(Y1∕Y 2).

Нечеткое решение в пространстве Ф с границами G_srреализуется определением величин функций принадлежности μ (D_r) к классу ω_r, где D_r - расстояние от двумерных границ классадо отображений в

Ф исследуемого объекта.

Уверенность в ω_r, рассчитывается по формуле [70, 84, 88]:

3. Если в ходе проведения разведочного анализа принимается решение о целесообразности построения разделяющих поверхностей между классами и (или) формировании эталонных структур (точки, гиперпараллелепипеды, гиперсферы и т.д.), то известными методами осуществляется синтез разделяющих поверхностей и (или) построение эталонов. Для нечеткой классификации определяются функции принадлежности - μ_ω(D_kr), где D_krрасстояние от объектов исследования до разделяющих поверхностей и (или) эталонов с номерами к. Оценка уверенности осуществляется по максимальным значениям множества

Описание механизмов синтеза нечетких решающих правил этого типа, приведено в работах [68, 70, 88, 128]:

4. При проведении разведочного анализа может быть обнаружена целесообразность описания многомерных областей нечеткими

гиперпараллелипидами, каждый из которых определяется функцией принадлежности вида:- номер нечеткого

гиперпараллелипипеда. Множество нечетких гиперпараллелипипедов для класса ω_r,агрегируется выражением [88]:

5.

Наиболее часто агрегация производится с использованием выражений:

Рекомендации по синтезу нечетких решающих правил этого типа имеются в работах [70, 88, 170, 194].

6. Если клиницисты предпочитают использовать признаки, подтверждающие и (или) опровергающие гипотезы ωr, то следует проверить эффективность применения итерационных процедур Е. Шортлифа:

где Ky_r(Z_p)- уверенность в гипотезе ω_rот свидетельства (признака, интегрального показателя) Z_p.

В частном случае уверенность KY_r(Z_p)может определяться через функцию принадлежности к ω_r. [70, 80, 194]

7. В условиях целесообразного применения метода группового учета аргументов (МГУА) для исследуемых классов состояний ω_r синтезируются наборы моделей, характеризующих взаимосвязи между исследуемыми наборами признаков [7, 8, 55, 56, 57, 58, 139, 191]:

где x_rj-координаты признака с номером j,рассчитанные на объектах обучающей выборки по классу o_r;

X_kr-координаты вектора группы признаков с номером к (признак с номером jне входит в группу к);

F_jr-функция связи x_rjс X_kr, A_kr- вектор параметров, определяемых в ходе синтеза моделей (2.10).

Для перехода к нечеткой интерпретации определяются функции принадлежности μ_kr(D_kr)к классу ω_rс базовой переменной D_kr,где D_kr, определяется расстоянием от координаты точки пространства признаков до модели с номером kкласса ω_r [83].

Уверенность в принятии решения на основе нечеткой модификации МГУА вычисляется по формуле [83, 88]:

51

где L_k- количество уравнений (2.11) в классе ω_r.

8. В условиях когда у экспертов нет четкого представления о том как количественно определить исследуемые состояния и имеется ряд косвенных хорошо интерпретируемых показателей которые по мнению экспертов тем или иным образом описывают искомое состояние целесообразно проверить эффективность теории измерения латентных переменных [6, 20, 71, 76, 104, 105, 200, 205, 206].

В терминологии теории измерения латентных переменных информативные признаки и аналитически определяемые переменные называют индикаторными переменными, а исследуемые классы состояний - как латентные (скрытые) переменные [88].

Взаимосвязь индикаторных переменных с латентными переменными может быть установлена при использовании интерактивного пакета RUMM2020, который строит теоретические кривые модели Г. Раша, по которым судят о соответствии индикаторных переменных моделям Г. Раша. Если такое соответствие устанавливается считают, что индикаторные переменные являются информативными [71, 76, 104, 105].

При использовании пакета RUMM 2020 имеется возможность установления аналитической связи между латентной переменной Lи выбранным набором индикаторных переменных Sj где f_L- функциональная зависимость Lот Sj.

Для перехода от Lк классификационной функции принадлежности μ_ω(L)анализируют гистограмму распределения исследуемых объектов на шкале латентной переменной L, а функции μ_ω(L)строят, используя рекомендации работ [71, 76, 88].

Если в ходе синтеза описанных выше моделей требуемые показатели качества не достигаются решается вопрос об их агрегации в коллективы гибридных нечетких решающих правил. При синтезе гибридных коллективов могут использоваться известные методы теории распознавания образов, где показатели, рассчитываемые по формулам (2.2) - (2.13), используются как информативные признаки.

При использовании нечеткой логики синтез гибридных моделей целесообразно производить с учетом структуры обрабатываемых данных. Например, различные типы признаков агрегируются «специализированными, своими» решающими правилами, или все информативные признаки обрабатываются всеми правилами, входящими в коллектив. При комбинированном варианте различные решающие правила используют различные, возможно пересекающиеся группы информативных признаков. Объединение групп признаков может осуществляться по различному принципу: по информативности; по стоимости получения информации; по особенности структуры данных; по времени измерения и т.д.

Рассмотрим несколько вариантов агрегации частных решающих правил в более общие или финальные решатели [70, 88, 194].

Если решение принимается при обязательном учете «мнения» всех правил коллектива, то целесообразно использовать агрегатор типа:

При условии соизмеримой степени доверия к каждому из решающих правил целесообразно оценивать эффективность решающего правила вида:

В условиях, когда у экспертов есть уверенность в том, что использование каждого из правил коллектива увеличивает уверенность в принимаемых решениях для гипотезы ω_r, целесообразно проверить эффективность итерационных накопительных процедур, вида:

Как показали многочисленные исследования часто формула (2.16) реализуется в явном виде выражением (2.9).

Если эксперты рассматривают работу коллективного классификатора как латентные переменные, а частные решающие правила UN_r, UV_r, UP_r, UD_r, UG_r, UM_r, UR_rрассматриваются как формирователи индикаторных переменных, то при использовании логистической модели Г. Раша, может быть синтезирован гибридный классификатор вида:

где весовые коэффициенты aj (j=1,...,7)определяются по величинам переменной Location [71, 76].

Наличие базовых переменных с определенными на них функциями принадлежности позволяет задачи нечеткого управления социальными, технитческими и медицинскими системами решать с использованием хорошо зарекомендовавших себя алгоритмов Мамдани-Заде и Такаги-Сугено-Канга [152, 196, 197, 207, 208]. Кроме того, как показали результаты исследований кафедры биомедицинской инженерии, хорошие результаты для целого ряда задач, получаются если на нечетких переменных UG_rстроятся функции

принадлежности, каждая из которых соответствует «своей» схеме управления. В этом варианте предпочтительнее выбирать схему управления по максинальной величине функции принадлежности [88].

Для оценки влияния множества экзогенных и эндогенных факторов риска на состояние здоровья человека контактирующего с ядохимикатами, в зависимости от целей и имеющихся медико-технических ресурсов требуется достаточно большое количество технических средств и методов исследования. Прежде всего это разнообразное лабораторное оборудование позволяющее определять состав и концентрацию ядохимикатов. Для оценки индивидуальных факторов риска обследуемых рабочих может потребоваться традиционная медицинская техника.

Для оценки уровня психоэмоционального напряжения и утомления предлагается использовать аппаратуру и методы описанные в работах [63, 67, 77, 87, 120, 164, 165, 167, 168, 198]. Для оценки уровня эргономичности технических средств рекомендуется методика приведенная в работах [60, 61, 171, 183, 184].

Функциональный резерв удобно определять по методикам описанным в работах [3, 21, 29, 72, 85, 86, 119,175].

Для оценки экологических и индивидуальных факторов риска удобно использовать рекомендации приведенные в работах [52, 53, 54, 64, 65, 88, 89, 90, 106, 132, 133, 142, 143].

При использовании в качестве информативных признаков энергетических характеристик биологически активных точек, которые особенно хорошо зарекомендовали себя при решении задач прогнозирования и ранней диагностики, целесообразно использовать методы и средства достаточно хорошо описанные в работах [23, 30, 66, 81, 82, 92, 176, 177, 178, 179].