Методы и алгоритмы двухагентной классификации состояния системы кровообращения, основанной на морфологическом анализе и вероятностных нейронных сетях тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Волков, Иван Иванович

• Волков, Иван Иванович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Волков, Иван Иванович

СОДЕРЖАНИЕ

СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. МЕТОДЫ КЛАССИФИКАЦИИ СЛОЖНЫХ СИСТЕМ НА ОСНОВЕ АНАЛИЗА СЛОЖНОМОДУЛИРОВАННЫХ СИГНАЛОВ СИСТЕМНЫХ РИТМОВ

1.1. Генезис медленных волн в живых системах

1.2. Методы анализа медленных волн квазипериодических

биосигналов

1.3. Аппаратные и алгоритмические средства мониторинга кардиосигнала

1.4. Автоматизированные системы диагностики сердечнососудистых рисков на основе оценки колебательной структуры кардиосигналов

1.5. Основные понятия теории агентов

1.6. Цели и задачи исследования

2. РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ ВЫДЕЛЕНИЯ МЕДЛЕННЫХ ВОЛН ИЗ КАРДИОСИГНАЛОВ РАЗЛИЧНОЙ ПРИРОДЫ42

2.1. Исследование моделей медленных волн

2.2. Метод и алгоритмы выделения медленных волн из кардиосигналов

2.3. Метод и алгоритм выделения медленных волн из фотоплетизмосигнала

2.4. Метод и алгоритмы выделения медленных волн из ЭКС

2.5. Метод и алгоритм выделения медленных волн из ЭКС посредством

частотной демодуляции квазипериодического сигнала

Выводы второй главы

ГЛАВА 3. РАЗРАБОТКА ПОДСИСТЕМЫ ВЕРХНЕГО ИЕРАРХИЧЕСКОГО УРОВНЯ ДЛЯ ДВУХАГЕНТНОЙ КЛАССИФИКАЦИИ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ СЛОЖНЫХ СИСТЕМ

3.1. Теоретические аспекты объединения решений на основе вероятностных моделей классификации

3.2. Структурно-функциональные решения верхнего уровня двухагентной системы на основе вероятностных нейронных сетей

3.3. Исследование архитектуры вероятностной нейронной сети

3.4. Модифицированная вероятностная нейронная сеть для медицинских

приложений

Выводы третьей главы

ГЛАВА 4. ИССЛЕДОВАНИЕ МОДЕЛЕЙ И АЛГОРИТМОВ УПРАВЛЕНИЯ ПРОЦЕССОМ ОПРЕДЕЛЕНИЯ СЕРДЕЧНОГО РИСКА И СРАВНИТЕЛЬНАЯ ОЦЕНКА ИХ ЭФФЕКТИВНОСТИ

4.1. Вероятностные нейронные сети с макрослоями для классификации и прогнозирования сердечнососудистых осложнений

4.2. Системный анализ групповых факторов риска ССО на примере инсулинозависимых больных

4.3. Структурная схема автоматизированной системы диагностики на основе технологии вероятностных нейронных сетей с группированием информативных признаков по макрослоям

4.4. Исследование диагностической эффективности разработанных методов и

алгоритмов классификации

Выводы четвертой главы

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

АГ

АД

АТФ

ВНСМ

ВСР

ГИ

ДАД

ДС

ДЧ

ДЭ

ИБС

ИНС

ИО

ИП

ИР

ло ли

ЛИР

МАС

мс

нем

оос

ОПФ

охс

ПАРС

РБВНС

РБНС

СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ

артериальная гипертония артериальное давление аденозинтрифосфат

вероятностная нейронная сеть с макрослоями вариабельность сердечного ритма гиперинсулинемия

диастолическое артериальное давление диагностическая специфичность диагностическая чувствительность диагностическая эффективность ишемическая болезнь сердца искусственные нейронные сети истина отрицательна истина положительна инсулинорезистивность ложь отрицательна ложь положительна лицо, принимающее решение мультиагентная система метоболический синдром нейронная сеть с макрослоями отрицательная обратная связь оконное преобразование Фурье общий холестерин

показатель активности регуляторных систем радиальная базисная вероятностная нейронная сеть радиальная базисная нейронная сеть

САД - систолическое артериальное давление

СД сахарный диабет

ССЗ - сердечнососудистые заболевания

ССО сердечнососудистые осложнения

СФЕ - структурная функциональная единица

ФР - фактор риска

ЧСС - частота сердечных сокращений

ЭКГ - электрокардиограмма

ЭКС - электрокардиосигнал

ЭС - экспертная система

ЭЭГ - электроэнцефалограмма

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы двухагентной классификации состояния системы кровообращения, основанной на морфологическом анализе и вероятностных нейронных сетях»

ВВЕДЕНИЕ

Актуальность работы. Основную проблему для современного здравоохранения представляют болезни системы кровообращения, которые по данным Всемирной организации здравоохранения (ВОЗ) прочно занимают первое место в мире по смертности трудоспособного населения. Несмотря на значительные усилия ученых, сегодня не замечено тенденции к уменьшению индекса заболеваемости и смертности по причине сердечнососудистых заболеваний (ССЗ), что говорит о недостаточности изучения сердечнососудистой системы (ССС) с позиций ее адекватного функционирования. Локальные исследования ССС проводятся без взаимосвязи с динамикой сегментов и общей динамикой сосудистой системы на разных региональных уровнях. Такая позиция приводит к отставанию в понимании функционирования ССС с позиций системного анализа как системы с синхронизацией на разных уровнях ее функционирования.

Степень разработанности темы исследования. Для поддержания сложной системы, в том числе и ССС, в должном функциональном состоянии необходима информация о состоянии сегментов, которые входят в систему, на основании анализа которой делается «правильный логический вывод». По С. Расселу такую задачу решает рациональный (компьютерный или интеллектуальный) агент. В данной работе под агентом понимается комплекс технических, алгоритмических и программных средств, способных получать новые знания об исследуемом объекте и на основе вновь полученных и имеющихся в базе данных знаний формировать управленческие решения, направленные на поддержку функционального состояния объекта или системы в целом.

При диагностике состояния ССС «правильный логический вывод» не исчерпывает понятие рациональности, поскольку часто возникают сложные ситуации, в которых невозможно (часто вследствие ограниченности информации) однозначно выбрать какое-либо правильное действие, но при этом выбор необходим, то есть что-то надо делать. В этих сложных ситуациях используют

множество агентов. Правильная организация взаимодействия между агентами в такой многоагентной системе позволяет значительно повысить как эффективность самой системы принятия решения, так и эффективность функционирования контролируемой системы.

Значительной информационной ценностью о функционировании ССС обладают скрытые составляющие процессов - системные ритмы, которые проявляются во всех подсистемах ССС. Информация о системных ритмах может быть получена посредством множества агентов, работающих с различными подсистемами, и затем интегрирована либо агентом более высокой иерархии либо лицом, принимающим решение (ЛПР). Однако вопросы взаимодействия агентов в системах со сложными системными ритмами, а также друг с другом при принятии окончательных решений не достаточно освещены в научной литературе и требуют дальнейшего исследования.

Научно-технической задачей исследования является повышение качества принятия диагностических решений при неинвазивном контроле состояния ССС.

Объект исследования. Сложноструктурированные квазипериодические сигналы.

Предмет исследования. Методы и алгоритмы анализа и классификации состояния сердечнососудистой системы.

Цель исследования - разработка методов и алгоритмов для двухагентной классификации, основанных на морфологическом анализе и вероятностных нейронных сетях, обеспечивающих повышение качества принятия диагностических решений по состоянию сердечнососудистой системы.

Для достижения поставленной цели в диссертационной работе решены следующие задачи:

- выполнен системный анализ существующих методов интеллектуальной поддержки принятия решений, предназначенных для решения практических задач в медицинских системах, выявлены их достоинства и недостатки;

разработан метод и алгоритмы формирования пространства информативных признаков для классификации состояний системы

кровообращения, основанные на морфологической обработке данных о системных ритмах и их спектральном анализе;

- разработана структурно-функциональная организация сетевых структур, предназначенных для классификации состояний системы кровообращения, и алгоритмы их функционирования, предназначенные для принятия решений в многоагентных системах классификации;

- выполнены экспериментальные исследования по оценки эффективности применения созданных методов и алгоритмов для решения задач медицинской диагностики.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

- метод формирования пространства информативных признаков в двухагентных классифицирующих системах, отличающийся тем, что для классификации сложных систем осуществляется синхронная запись двух системных сложномодулированных сигналов, источником которых являются процессы в подсистемах сложной системы, из полученных сигналов выделяются медленные волны, вычисляется их спектр, распределение мощности которого по частотам медленных волн используется в качестве системы информативных признаков, позволяющий сформировать модели классификации живых систем;

- алгоритмы морфологического анализа кардиосигналов, отличающиеся последовательностью морфологических и алгебраических операций, позволяющие выделить спектры медленных волн, модулирующих кардиосигналы в различных подсистемах живой системы;

- структура гибридной вероятностной нейронной сети с макрослоями, содержащая два макрослоя, отличающаяся тем, что первый макрослой состоит из вероятностных нейронных сетей, а второй макрослой - из нечетких нейронных сетей, позволяющая определить субъективные вероятности принадлежности входного вектора к выделяемым классам;

- структурно-функциональная организация вероятностной нейронной сети с макрослоями, отличающаяся группированием информативных признаков по макрослоям, позволяющая агрегировать решения множества агентов.

Теоретическая и практическая значимость работы состоит в том, что изложены идеи формирования двухагентных классификаторов состояния системы кровообращения на основе вероятностной нейронной сети с макрослоями с группированием информативных признаков по макрослоям.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы (государственный контракт № П705 от 12 августа 2009 г., номер госрегистрации 01200962672) по проблеме «Прогнозирование функционального состояния сердечнососудистой системы человека на основе многомерного спектрального анализа данных мониторинга акустических и электрофизиологических процессов жизнедеятельности, осуществляемого посредством микроминиатюрных датчиков и мобильных средств связи» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Практическое значение работы определяется возможностью применения результатов исследования при прогнозировании и диагностике сердечнососудистых заболеваний. Разработанные методы, модели и алгоритмы составили основу построения автоматизированной системы прогнозирования риска осложнений атеросклероза, в частности, прогнозирования ишемической болезни сердца и инфаркта миокарда, основанной на анализе медленных системных ритмов, получаемых в результате анализа отсчетов электрокардиосигнала и фотоплетизмосигнала на выбранной апертуре наблюдения. Основные теоретические и практические результаты работ внедрены в учебный процесс Юго-Западного государственного университета при подготовке специалистов 200402 «Инженерное дело в медико-биологической практике», использованы при проведении научно-исследовательской работы, выполняемой по заказу Министерства образования и науки РФ (гос. per.

№01200962672) и используются в ходе профилактических обследований по профилактике сердечнососудистых заболеваний в учреждениях здравоохранения Курской области, что подтверждено соответствующими актами.

Методы исследований. Для решения поставленных задач использовались методы: системного анализа, спектрального анализа, морфологического анализа, математической статистики, нечетких нейронных сетей, распознавания образов, экспертного оценивания и принятия решений. При разработке нейросетевых модулей принятия решений и нечеткого вывода в качестве инструментария проведения экспериментов использовался Matlab 7.10 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox. При реализации методов спектрального и морфологического анализа использовался Mathcad 14.

Область исследования. Содержание диссертации соответствует п. 10 «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах» и п. 12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации» паспорта специальности 05.13.01 - Системный анализ, управление и обработка информации (технические науки).

Положения, выносимые на защиту. 1. Методы морфологического анализа кардиосигналов, позволяющие выделить системные ритмы из сложномодулированных сигналов с различными способами модуляции. 2. Гибридный классификатор состояний системы кровообращения, позволяющий увеличить основные показатели качества прогнозирования сердечнососудистых рисков на 10.. 16%. 3. Структурно-функциональная организация вероятностной нейронной сети с макрослоями с группированием информативных признаков по макрослоям.

Личный вклад автора. В диссертации приведены результаты исследований, выполненных лично автором или при его непосредственном участии.

Степень достоверности и апробация результатов. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость

концепциям спектрального анализа и нейросетевого моделирования, а так же аналогичным результатам, полученным другими исследователями. Методы и алгоритмы выделения медленных волн из сложномодулированных сигналов построены на теории морфологического анализа сложноструктурированных данных и согласуются с ранее опубликованными экспериментальными данными по теме диссертации.

Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 12 Международных, Всероссийских и региональных конференциях и симпозиумах: Биомедсистемы - 2011 (Рязань-2011); «Компьютерные науки и технологии» (Белгород - 2011); «Медико-экологические информационные технологии» (Курск- 2011, 2012, 2013); Распознавание - 2012 (Курск-2012); «Информационные технологии и компьютерные системы для медицины» (Маврикий - 2012); «Компьютерное моделирование в науке и технике» (Андорра - 2012); Физика и радиоэлектроника в медицине и экологии (Владимир-2012); Современные наукоемкие технологии (Испания-Франция -2012); Теория и практика системного анализа (Белгород-2012); «Биология - наука XXI века» (Пущино- 2013); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск - 2011, 2012, 2013).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 17 научных работ, из них три статьи в рецензируемых научных журналах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 99 отечественных и 14 зарубежных наименований. Работа изложена на 134 страницах машинописного текста, содержит 49 рисунков и 14 таблиц.

ГЛАВА 1. МЕТОДЫ КЛАССИФИКАЦИИ СЛОЖНЫХ СИСТЕМ НА ОСНОВЕ АНАЛИЗА СЛОЖНОМОДУЛИРОВАННЫХ СИГНАЛОВ СИСТЕМНЫХ РИТМОВ

1.1. Генезис медленных волн в живых системах

У живых систем есть циклы их деятельности [20]. У разных систем могут быть разные циклы деятельности и они зависят от сложности и алгоритма блока управления. Самый простой цикл работы у системы с простым блоком управления. Он складывается из микроциклов (рисунок 1.1):

- восприятие, селекции и измерения внешнего воздействия рецептором «X»;

- выбор из «базы данных» должного значения результата действия;

- переходный процесс (мультимикроцикл ООС).

кзмеритьХ

Определить должный результат деисте ия

агтиеирое атъ эти СФЕ_

определить число активных СФЕ

V нет <

Рисунок 1.1 - Полный цикл действия идеальной системы и алгоритм её работы

На рисунке 1.1 импульс а - внешнее воздействие, на которое система начинает реагировать, а импульс Ь - внешнее воздействие, на которое система не реагирует, потому что находится в рефрактерном состоянии, импульс с -длительное внешнее воздействие, на которое система реагирует (пунктиром показана реакция системы, если бы длительность внешнего воздействия была прежней); интервалы ё - переходные мультициклы системы; интервалы е -установившееся значения функции; величина Г - заданное значение результата действия системы; интервал g - полный цикл действия системы {на верхней кривой - внешнее воздействие, на нижней - график функции системы, цифрами (1. 2, 3) указаны микроциклы системы).

После начала внешнего воздействия срабатывает рецептор «X» (1-й микроцикл). Затем из «базы данных» выбирается то значение результата действия, которое должно соответствовать данному внешнему воздействию (2-й микроцикл). После этого начинается переходный процесс (переходный период, 3-й мультимикроцикл, цикл ООС): срабатывание рецептора «У», сравнение результата действия с должной величиной, выбранной в «базе данных», корректирующее воздействие на структурно-функциональную единицу (СФЕ) (включаются то число СФЕ, которое определил блок управления в микроцикле «с») и снова возврат к срабатыванию рецептора «У». И так до тех пор, пока результат действия не будет равным данному. С этого момента цель достигнута и после этого блок управления возвращается к 1-му микроциклу, к рецепции внешнего воздействия. Деятельность же системы для выработки результата действия прекращается до тех пор, пока не появится новое внешнее воздействие.

Микроциклы с 1-го по 2-й составляют стартовый период работы блока управления. Если было короткое внешнее воздействие, блок управления определяет его во время стартового цикла и переходит к переходному периоду (с1 на рисунке 1.1), во время которого стремится получить актуальный результат действия, равный должному. Если во время переходного периода снова появится внешнее воздействие (Ь на рисунке 1.1), то блок управления не прореагирует на него, потому что в этот момент он не измеряет «X» (рефрактерная фаза). По

окончании переходного периода блок управления вновь обращается к стартовому периоду, но пока он это делает (обращается), достигнутое должное значение результата действия сохраняется неизменным {установившийся период).

Если внешнее воздействие достаточно длительно и не меняется, так что после первого достижения цели блок управления успевает вновь обратиться к рецепции «X», то установившееся значение результата действия будет сохраняться до тех пор, пока будет продолжаться внешнее воздействие. При этом переходного цикла не возникнет, потому что установившееся значение результата действия равно должному.

Если длительное внешнее воздействие будет продолжаться и менять свою амплитуду, то возможно появление нового переходного цикла. Причём амплитуда колебаний функции будет тем больше, чем больше изменение амплитуды внешнего воздействия. Резкие перепады амплитуды внешнего воздействия недопустимы, потому что они вызывают различные нежелательные эффекты, связанные с переходным процессом рисунок 1.2).

Рисунок 1.2 - График функции системы при меняющемся уровне внешнего воздействия

Система постоянно циклически работает, выполняя свои микроциклы. Если нет внешнего воздействия или они не меняются, то система находится на одном из своих стационарных уровней в одном и том же функциональном состоянии с

одним и тем же числом функционирующих СФЕ, от нуля до всех. В таком режиме у неё нет переходного мультимикроцикла (длительного повтора 3-го микроцика).

При каждом изменении уровня внешнего воздействия возникают переходные процессы. Переход функции на новый уровень становится возможным лишь после того, когда система готова это сделать.

У разных систем подобные микроциклы могут отличаться в деталях, но у всех без исключения систем есть мультимикроцикл ООС. При всех достоинствах систем с ООС у них есть существенный недостаток - наличие переходных процессов. Переходные процессы неустранимы принципиально, потому что ООС срабатывает уже после появления результата действия системы.

Для человека особое значение имеют переходные процессы, возникающие при резкой смене ситуации. Стресс-синдром прямо связан с этим явлением. Чем резче меняется ситуация вокруг нас, чем она более угрожающая (чем сильнее внешнее воздействие), тем резче переходные процессы, вплоть до парадоксальных реакций типа ступора. При этом возникает дисбаланс работы различных участков нервной системы (блоков управления), который приводит к дисбалансу работы различных систем организма и появлению различных патологических реакций и процессов, типа вегетоневрозов и депрессий, ишемий вплоть до инфарктов и язв, начиная с ротовой полости (афты) и до толстого кишечника (язвенные колиты, язвы желудка и 12-ти перстной кишки и т.д.), артериальной гипертонии и т.д.

Если построить графики, характеризующие процессы в системе, то получим волнообразные кривые, характеризующие цикличность. Примерами этому могут быть кривые пневмотахограммы, электрокардиограммы, кривые изменения кислотности желудочного сока, сфигмограммы, кривые электрической активности нейронов, периодичность альфа-ритма ЭЭГ и т.д. Формы кривой цикличности могут быть самыми разнообразными. Кривая ЭКГ отличается от кривой артериального давления, и кривая артериального давления отличается от кривой давления в левом желудочке.

Два основных параметра характеризуют цикличность - период и неравномерность периода (квазипериодичность). У СФЕ (простейшая система) не должно быть неравномерности периода цикла, её циклы действия всегда одинаковы. Но у систем уже есть переходные периоды (интервалы, соответствующие переходным процессам), у которых может быть различное время цикла. Кроме того, различные системы имеют собственные периоды цикла и при их взаимодействии происходит интерференция (наложение) периодов. Поэтому появляются дополнительные смещения собственных периодов систем, появляются гармоники циклов, то есть появляется квазипериодичность системных процессов.

Например, кровенаполнение лёгких определяется в основном балансом синхронности и соразмерности ударного выброса правого и левого желудочков сердца (баланс притока и оттока лёгочного объёма крови). Но на кровенаполнение лёгких также оказывают влияние дыхательные движения грудной клетки, которые меняют давление внутри альвеол и, тем самым, сдавливая лёгочные сосуды, меняют их сопротивление. Период сердечных циклов порядка 1 ... 0.25 с, а период дыхания в 3...4 раза больше. Соответственно на кривой кровенаполнения лёгких можно увидеть и кардиоциклы, и циклы дыхания (рисунок 1.3, кривая импедансной реоплетизмографии лёгких в модификации тетраполярной реоплетизмографии по Кубичеку [61]). На верхнем графике этого рисунка представлена полная импедансная реоплетизмограмма лёгких, представляющая собой сумму волн сердечных и дыхательных циклов (обведены пунктирными кружками); на среднем графике - кардиоциклы, после фильтра нижних частот, срезающих низкочастотные дыхательные волны; на нижнем графике -дыхательные волны, после фильтра верхних частот, срезающего высокочастотные кардиоволны

Импеданс ная р еоплетнзмогр афня лёгких

Пер вкчная кривая

Волны кровенаполнения. лёгких

Время (сек) —-*—

.....

Втор нчная кр нвая

Сердечные еолны кровенаполнения легких

Втор нчная кривая Дыхаяелъные еолны

кровенаполнения легких

Время (сек)

■■^хгчтжжшштттттжштттж:

жжжжтттттжжттттт

Рисунок 1.3 - Дыхательные и сердечные волны (циклы) кровенаполнения

легких

Число таких наложений волн может быть сколь угодно большим. Поэтому реально наблюдается очень большое разнообразие кривых - правильные синусоиды, неправильные кривые и т.д. Но любые кривые можно разложить на составляющие их гармоники, используя специальные методы анализа, например, преобразования Фурье [50, 75, 90]. В результате можно получить спектр более простых волн типа синусоиды. Чем более детальный (и одновременно более трудоёмкий) анализ, тем ближе форма каждой составляющей к синусоиде и тем большее число синусоидальных волн с разным периодом.

Период цикла системы - очень важный параметр для понимания процессов, происходящих в любой системе, в том числе и в живом организме. Его

длительность зависит от постоянной времени реакции системы на внешнее воздействие. Начав очередной цикл действий, система не остановится, пока не закончит его. Можно попытаться воздействовать на систему в то время, когда она ещё не закончила свой цикл действий, но реакция системы на такое действие не будет адекватной. Скорость нарастания функций системы полностью зависит от времени периода цикла действий системы. Чем больше период цикла, тем медленнее система переходит от уровня к уровню.

Понятия абсолютной и относительной рефрактерности прямо связаны с понятием периода и фазы цикла системы (рисунок 1.4). Если, например, миокард не закончил свой цикл «систола-диастола», то внеочередной (преждевременный) импульс водителя ритма или экстрасистолический импульс не сможет заставить желудочек выдать полноценный ударный выброс.

Рисунок 1.4 - Рефрактерные фазы возбудимости живых тканей

Возбудимость невозбуждённой клетки наибольшая; в момент её возбуждения (1) возбудимость резко падает до нуля (2, все СФЕ в действии, 2-й микроцикл) - абсолютная рефрактерность; затем, если нет последующего возбуждения, система постепенно восстанавливает свою возбудимость, проходя через фазы относительной рефрактерности, до первоначальной (3) и даже выше

(сверхвозбудимость в данном случае не рассматривается), и затем снова до первоначального уровня (4).

В зависимости от того, на какую фазу рефрактерного периода придётся экстрасистолический импульс, величина ударного выброса может меняться от нуля до максимально возможного. Если возбуждающий импульс попадёт на 2-й и 3-й микроциклы, миокард вообще не прореагирует на них (абсолютная рефрактерность), потому что во время не измеряется информация с рецептора «X». После сокращения миокарду, как и любой другой клетке тюг.де её возбуждения, требуется некоторое время для восстановления энергетического потенциала (накопление АТФ) и для установки всех СФЕ в «стартовое» состояние. Если в это время появится внеочередной импульс, то ответ системы возможен в зависимости от того, сколько АТФ уже накопилось или в какой степени разошлись акто-миозиновые нити саркомеров миокарда, чтобы снова включиться в функцию (относительная рефрактерность). Поэтому у больных сердечной недостаточностью может наблюдаться неравномерность пульса, когда пульсовые толчки неравномерны по силе. Крайним проявлением такой неравномерности является так называемый «дефицит пульса» - есть электрическая активность сердца на ЭКГ, но нет её механического (гемодинамического) аналога на сфигмограмме и при пальпации пульса ударного толчка не ощущаем.

Главные выводы из всего выше сказанного:

- любые системы работают циклически, проходя через микроциклы;

- у любой системы с ООС есть переходные процессы;

- период цикла у каждой системы может быть различен, то есть в системе формируются квазипериодические сигналы, и зависит от постоянной времени реакции системы на внешнее воздействие (в живых системах - от скорости биохимических реакций и от скорости проведения управляющих сигналов);

- квазипериодичность процессов в системе зависит от наличия переходных процессов, следовательно, в определённой степени, от силы внешнего воздействия;

- квазипериодичность процессов в системе зависит от наложения периодов циклов взаимодействующих систем;

- по окончании цикла действий после одиночного воздействия система возвращается в исходное состояние, в котором она была до начала внешнего воздействия (на одиночное внешнее воздействие - одиночный результат действия).

1.2. Методы анализа медленных волн квазипериодических биосигналов

Существующие методы количественного анализа циклических процессов в живых системах, в том числе пульсовых сигналов, можно разделить на две группы [6]:

1) методы первичного анализа сигнала, когда производится непосредственное измерение амплитудных и временных значений характерных элементов сигнала, например, спектральный анализ;

2) методы вторичного анализа, когда на основе выделенных элементов формируется сигнал («вторичный»), характеризующий новые свойства сигнала, например, статистическая оценка вариабельности сердечного ритма (ВСР).

К первичным методам анализа пульсового сигнала лучевой артерии относится измерение базовых параметров, определяемых амплитудными и временными значениями основной, дикротической и предсистолической волн. Благодаря этим измерениям оценивается ряд физиологических показателей, в том числе: частота пульса, вариабельность сердечного ритма, время быстрого и медленного кровенаполнения, продолжительность систолы и диастолы, время подъема дикротического зубца и ряд производных характеристик, таких, например, как дикротический индекс, индекс эластичности сосудов и многих других.

Список литературы диссертационного исследования кандидат наук Волков, Иван Иванович, 2013 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Айвазян Т. А., Новиков И. Д. Психологические предикаторы эффективности психорелаксационной терапии при гипертонической болезни// Психологическая диагностика отношения к болезни при нервно-психической и соматической патологии. Л., 1990. С. 109-113.

2. Айвазян С.А. Прикладная статистика. Основы эконометрики: учебник для вузов: В 2 т. Т. 2. Основы эконометрики. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001.432 с.

3. Айвазян С. А., Мхитрян B.C. Прикладная статистика. Основы эконометрики: учебник для вузов. В 2 т. Т. 1. Теория вероятностей и прикладная статистика. 2-е изд., испр. М.: ЮНИТИ-ДАНА, 2001. 656 с.

4. Александер Ф. Психосоматическая медицина. М.: ЮНИТИ, 2007.

435 с.

5. Аронов Д. М., Лупанов Д.М. Вторичная профилактика хронической ИБС // Лечащий врач. 2004. № 7. С. 66-68.

6. Баевский P.M., Иванов Г.Г., Чирейкин Л.В., Гаврилушкии А.П., Довгалевский П.Я., Кукушкин Ю.А., Миронова Т.Ф., Прилуцкий Д.А., Семенов A.B., Федоров В.Ф., Флейшман А.Н., Медведев М.М. Анализ вариабельности сердечного ритма при использовании различных электрокардиологических систем // Уральский кардиологический журнал. 2002. № 1. С.22 - 39.

7. Барсегян A.A. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. СПб.: БХВ-СанктПетербург, 2007. 384 с.

8. Батюшин М.М. Прогнозирование сердечно - сосудистых заболеваний //Монография. Ростов -н/Д.: Издательство МАРТ, 2006. 144с.

9. Борисов А.Н., Крумберг О.А, Федоров И.П. Принятие решений на основе нечетких моделей: Примеры использования. Рига: Зинатне, 1990. 180 с.

10. Боровиков В.П. STATISTIC А. Искусство анализа данных на компьютере: Для профессионалов. 2-е изд. (+CD). СПб.: Питер, 2003. 688 с.

11. Бутрова С. А. Метаболический синдром: патогенез, клиника, диагностика, подходы к лечению Русский медицинский журнал. 2001. № 2. С. 56-60.

12. Волков И.И., Томаков М.В., Филист С. А. Гибридная модель классификации живых объектов на основе анализа медленных волн системных ритмов // Компьютерное моделирование в науке и технике: матер. Междунар. науч. конф. Опубл. в Междунар. журнале прикладных и фундаментальных исследований. 2012. №4. С. 47-48.

13. Волков И.И., Ефремов М.А., Шаталова О.В. Гибридные технологии для анализа сложномодулированных сигналов в среде МАТНСАБ 14 // Физика и радиоэлектроника в медицине и экологии: Доклады 10-й межд. научн.-техн. конф. Книга 2. Владимир, 2012. С. 185-189.

14. Волков И.И., Зо Зо Тун. Классификация ишемических кардиоциклов с использованием базы множества нечетких правил на основании миннесотовых кодов // Медицинские приборы и технологии: Международный сборник научных статей. Тула: Изд-во ТулГУ, 2011. Вып.4. С. 152-156.

15. Волков И.И., Емельянов С.Г., Филист С.А. Метод классификации сложных объектов на основе анализа структурных функций медленных волн // Биомедицинская радиоэлектроника. 2012. №4. С. 6-11.

16. Волков И.И., Филист С.А. Многофункциональные интеллектуальные мобильные системы для непрерывного контроля и управления функциональным состоянием органов и систем человека на основе анализа сложномодулированных системных ритмов // Известия Южного федерального университета. Технические науки. 2012. Т. 134. №9. С. 14-18.

17. Волков И.И. Морфологические операторы в задачах выделения медленных волн кардиологических сигналов 17-я Международная Пущинская школа-конференция молодых ученых «БИОЛОГИЯ - НАУКА XXI ВЕКА»: материалы 17-й Международной Пущинской школы-конференции молодых ученых. Пущино, 2013. С. 583.

18. Генкин A.A. Новая информационная технология обработки данных (программный комплекс ОМИС). СПб.: Политехника, 1999. 191 с.

19. Гимаров В.А., Дли М.И., Битюцкий С.Я. Нейро-нечеткий метод классификации объектов с разнотипными признаками // Системы управления и информационные технологии. 2004. №4 (16). С. 13-18.

20. Глас Леон, Мэки Майкл. От часов к хаосу: Ритмы жизни, Пер. с англ. Р.И. Сельковой; Под ред. Е.Е. Селькова. М.: Мир, 1991. 248 с.

21. Горбань А. Н. Обучение нейронных сетей. М.: СП ПараГраф, 1990.

22. Горелик А.Л., Скрипкин В.А. Методы распознавания М.: Высшая школа, 2004. 261 с.

23. Грахов A.A., Жилин В.В.,. Филист С.А. Имитационное моделирование систем нечеткого вывода для медицинских приложений // Медико-экологические информационные технологии - 2008: сб. материалов XI Международной научно-технической конференции. Курск: КГТУ, 2008. С. 102-105.

24. Грахов A.A., Жилин В.В., Филист С.А. Модель модуля нечеткого вывода для ранней диагностики ишемической болезни сердца // Физика и радиотехника в медицине и экологии: доклады 8-й межд. научн. техн. конф. -Владимир, 2008. Книга 1. С.208-211.

25. Грахов A.A., Жилинкова Л.А., Шевелева Е.В. Система поддержки принятия решений для врача-терапевта на основе нечетких сетевых моделей //Вестник новых медицинских технологий. Тула, 2006. T.XIII. №2. 2С.43-46.

26. Десова A.A., Гучук В.В., Дорофеюк A.A. Анализ комплекса спектральных плотностей пульсового сигнала лучевой артерии // Медицинская техника. Москва, 2011. №6. С. 41-46.

27. Десова A.A., Дорофеюк A.A., Гучук В.В. Многомерный анализ ритмической структуры пульсового сигнала // Биомедицинские технологии и радиоэлектроника. 2008. № 8-9. С. 4-11.

28. Десова A.A., Дорофеюк A.A., Гучук В.В., Дорофеюк Ю.Л., Покровская И.В. Процедуры классификационного анализа в задаче формирования

информативных признаков при исследовании ритмической структуры биосигнала // Автоматика и телемеханика. 2008. № 6. С. 143-152.

29. Десова A.A., Гучук В.В., Дорофеюк A.A., Анохин A.M. Формирование пространства признаков пульсового сигнала лучевой артерии // Медицинская техника. Москва, 2012. №4. С. 20-24

30. Джарратано Дж., Райли Г. Экспертные системы: принципы разработки и программирование. М.: Вильяме, 2007. 1152 с.

31. Дмитриева Н.В., Глазачев О.С. Индивидуальное здоровье и полипараметрическая диагностика функциональных состояний организма (системно - информационный подход). М., 2000. 214 с.

32. Дубров A.M., Мхитрян B.C., Трошин Л.И. Многомерные статистические методы. М.: Финансы и статистика, 2000. 352 с.

33. Дуда Р., Харт Р. Распознавание образов и анализ сцен. М.: Мир, 1976. 521 с.

34. Дюк В. Обработка данных на ПК в примерах. СПб: Питер, 1997.

240 с.

35. Елисеева И.И., Рукавишников В. О. Логика прикладного статистического анализа. М.: Финансы и статистика, 1982. 192 с.

36. Заде А. Основы нового подхода к анализу сложных систем и процессов принятия решений // Математика сегодня. М., 1974. 165 с.

37. Заенцев И.В. Нейронные сети: основные модели: учебное пособие по курсу «Нейронные сети» для студентов 5 курса магистратуры физического ф-та Воронежского государственного университета. Воронеж, 1999. 76 с.

38. Затейщикова A.A., Затейщиков Д.А. Эндотелиальная регуляция сосудистого тонуса: методы исследования и клиническое значение // Кардиология. 1998. № 9. С. 68-80.

39. Зимин Ю.В. Артериальная гипертония при сахарном диабете: особенности патогенеза и лечения (обзор) // Терапевтический архив. 1998. №10. С. 15-20.

40. Ильинский Б.В., Клюева C.K. Ишемическая болезнь сердца и наследственность. JL: Медицина, 1985. 176 с.

41. Калинина A.M., Чазова JT.Ж., Павлова J1.И. Влияние многофакторной профилактики ИБС на прогноз жизни // Кардиология. 1996. № 3. С. 22 - 27.

42. Коломоец Н.М., Бакшеев В.И. Гипертоническая болезнь и ишемическая болезнь сердца: Руководство для врачей, обучающих пациентов в школе больных гипертонической болезнью и ишемической болезнью сердца. М.: Медицина, 2003. 336 с.

43. Кореневский H.A., Устинов А.Г., Ситарчук В.А. Автоматизированные медико-технологические системы. Монография. В 3 ч. Под ред. А.Г. Устинова. Курск, гос. техн. ун-т. Курск, 1995. 390 с.

44. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Физматлит, 2002. 322 с.

45. Назаренко Г.И., Клейменова Е.Б., Гущина H.H. Лабораторные и генетические маркеры в стратификации риска ишемической болезни сердца // Кардиоваскулярная терапия и профилактика. 2009. том 8. №1. С. 35-42.

46. Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ-Петербург, 2005. 736 с.

47. Макаров Е.Г. Инженерные расчеты в Mathcad 14. СПб.: Питер, 2007.

592 с.

48. Макаров Л.М. Особенности вариабельности циркадного ритма сердца в условиях свободной активности.// Физиология человека. 1998. Т. 24. №2. С.56-62.

49. Волков И.И., Маслак A.A., Старков Ф.А., Новиков A.B. Метод и алгоритм классификации сложных объектов на основе частотного и частотно-временного анализа медленных волн системных ритмов // Известия Юго-Западного государственного университета. 2012. №1(40). Часть 1. С.47-52.

50. Жилин В.В., Кузьмин A.A., Филист С.А., Шаталова О.В. Математические методы обработки многомерных данных и временных рядов: учебное пособие. Изд-во Курск, гос. с.-х. ак., 2009. 229 с.

51. Медведев В. С, Потемкин В. Г. Нейронные сети. MATLAB 6 / Под общ. ред. к. т. н. В. Г. Потемкина. ДИАЛОГ-МИФИ, 2002. 496 с.

52. Томпкинс У., Уэбстер Дж. Микрокомпьютерные медицинские системы: Проектирование и применения. Пер. с ант. М.: Мир, 1991. 544 с.

53. Фрейзер П. Микрокомпьютеры в физиологии: Пер. с англ. М.: Мир, 1990.383 с.

54. Назаренко Г.И., Клейменова Е.Б., Пающик С.А. Оценка риска ИБС с помощью комбинации традиционных факторов риска и генетических маркеров. // Кардиоваскулярная терапия и профилактика. 2008. №7. Прил. №1. 260 с.

55. Поспелов Д.А. Нечеткие множества в моделях управления и искусственного интеллекта. М.: Наука, 1986. 312 с.

56. Малыше Н.Г., Берштейн П.С., Боненюк A.B. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991. 136 с.

57. Назаренко Г.И., Клейменова Е.Б., Пающик С.А. Общепринятые алгоритмы для оценки факторов риска ишемической болезни сердца и генетические полиморфизмы//Сердце. 2009. Том 8. №2. С. 104-108.

58. Оганов Р.Г., Александров A.A. Гиперинсулинемия и артериальная гипертония: возвращаясь к выводам United Kingdom Prospective Diabetes Study // Русский медицинский журнал. 2002. №10-11. С.486-491.

59. Омельченко В. П., Демидова A.A. Практикум по медицинской информатике // Серия учебники. Учебные пособия. Ростов на Дону: Феникс, 2001. 304 с.

60. Орлов, А.И. Экспертные оценки: учебное пособие. М.: 2002.

61. Губанов В.В., Ракитская Л.В., Филист С.А. Основы проектирования автоматизированных систем анализа медико-биологических сигналов. Курск: ГУИПП «Курск», 1997. 134 с.

62. Осовский С. Нейронные сети для обработки информации. Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.

63. Парфенов A.C. Ранняя диагностика сердечнососудистых заболеваний с использованием аппаратно-программного комплекса «Ангиоскан-01» // Поликлиника. 2012. №2. С. 70-74.

64. Перова Н.В., Метельская В.А., Оганов Р.Г. Патогенетические основы метаболического синдрома как состояния высокого риска атеросклеротических заболеваний // Международный медицинский журнал. 2001. №7(3). С.6 - 10.

65. Лилли Л. Патофизиология заболеваний сердечно-сосудистой системы. Пер. с англ. М.: БИНОМ. Лаборатория знаний, 2003. 598 с.

66. Петри А., Сэбин К. Наглядная статистика в медицине / А. Петри, Пер. с англ. Леонова В.П. М.: ГЭОТАР-МЕД, 2003. 144с.

67. Плотников Д.В., Белозеров А.Е., Мешковский Д.В. Методы и средства оценки параметров ФС с различными типами обратных связей. Вестн. нов. мед. технол. 2006. №8 (2). С.28-31.

68. Поспелов Г.С. Искусственный интеллект - основа новой информационной технологии. М.: Наука, 1988. 168 с.

69. Прохоров С.А. Прикладной анализ случайных процессов. СНЦ РАН, 2007. 582 с.

70. Журавлев Ю.И., Назаренко Г.И., Рязанов В.В., Клейменова Е.Б. Новый метод анализа риска развития ишемической болезни сердца на основании геномных и компьютерных технологий. // Кардиология. 2011. Том 51. №2. С. 1925.

71. Журавлев Ю.И., Назаренко Г.И., Рязанов В.В., Клейменова Е.Б. Прогностическая значимость различных методов оценки риска ишемической болезни сердца. // Клиническая геронтология: научно-практический журнал. 2009. №7. С. 52-60.

72. Прохоров С.А., Графкин В.В. Структурно-спектральный анализ случайных процессов. СНЦ РАН, 2010. 128 с.

73. Цыдыпов Ч.Ц. Пульсовая диагностика тибетской медицины. Новосибирск: Наука, 1988. 133 с.

74. Васильев Д.В., Витоль М.Р., Горшенков Ю.Н. и д.р. Радиотехнические цепи и сигналы: Учеб. пособие для вузов. / Под ред. К.А. Самойло. М.: Радио и связь, 1982. 528 с.

75. Рангайян P.M. Анализ биомедицинских сигналов. Практический подход / Пер. с англ. Под ред. А.П. Немирко. М.: Физматлит, 2007. 440 с.

76. Рассел С. Норвиг П. Искусственный интеллект: современный подход. Пер. с англ. М.: Издательский дом «Вильяме», 2006. 1408 с.

77. Назаренко Г.И., Скворцова В.И., Клейменова Е.Б., Константинова М.В. Роль генетической предрасположенности в развитии сердечно-сосудистых осложнений (инфаркт миокарда, ишемический инсульт, нестабильная стенокардия) и ее взаимодействие с традиционными факторами риска. //Журнал неврологии и психиатрии им. С.С. Корсакова + Stroke. 2009. Том 2. № 2. С. 19 -25.

78. Рутковская Д., Пилиньский М., Рутковский J1. Нейронные сети, генетические алгоритмы и нечеткие системы. Пер. с польск. И.Д. Рудинского. М.: Горячая линия - Телеком, 2004. 452 с.

79. Семенов А.Д., Артамонов Д.В., Брюхачев A.B. Идентификация объектов управления: Учебн. Пособие. Пенза: Изд-во Пенз. гос. ун-та, 2003. 211 с.

80. Симоненко В.Б., Цоколов A.B., Фисун А.Я. Функциональная диагностика: руководство для врачей общей практики. М.: ОАО "Издательство "Медицина", 2005. 304с.

81. Волкова В.Н., Козлов В.Н. Системный анализ и принятие решений: Словарь-справочник: Учеб. пособие для вузов. М.: Высш. шк., 2004. 616с.

82. Снежицкий В. А. Методологические аспекты анализа вариабельности сердечного ритма в клинической практике // Медицинские новости. 2004. № 9. С. 37-43.

83. .Спицнадель В. Н. Основы системного анализа: Учеб. пособие. СПб.: «Изд. дом «Бизнесс-пресса», 2000 г. 326 с.

84. Тарасов В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном интеллекте // Новости искусственного интеллекта. 1995. №4. С. 24-30.

85. Терзиян A.B., Витько В.Я. Вероятностные метасети для решения задач интеллектуального анализа данных // Искусственный интеллект. 2002. №3. С. 188-197.

86. Тэрано Т., Асаи К., Сугено М. Прикладные нечеткие системы: пер. с японского. М.: Мир, 1993. 249 с.

87. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика: пер. с англ. М.: Мир, 1992. 240 с.

88.Филист С.А. Жилин В.В., Абдулкарим Аль-Муалеми Ваил. Гибридный способ классификации биосигналов на основе технологий нечеткой логики принятия решений и нейронных сетей // Биомедицинская радиоэлектроника.

2009. №5. С. 77-82.

89. Филист С.А., Красковский А.Б., Шаталова О.В. Комплексная методика оценки риска возникновения сердечно-сосудистых заболеваний. // Перспективы медицинского приборостроения: Известия ЮФУ. Технические науки. Тематический выпуск. Таганрог: Изд-во ТТИ ЮФУ, 2009. № 10 (99). С. 53-58.

90. Филист С.А., Белобров А.П., Кузьмин A.A. Многомерная частотная селекция в задачах анализа медленных волн // Биомедицинская радиоэлектроника.

2010. №2. С. 4-10.

91. Филист С.А., Емельянов С.Г., Рыбочкин А.Ф. Нейросетевой решающий модуль для исследования живых систем // Известия Курского государственного технического университета. 2008. №2 (23). С. 77-82.

92. Филист С.А., Тун Зо Зо, Горбатенко С.А. Программный модуль для кодирования QRS-комплексов на основе морфологических признаков // Биомедицинская радиоэлектроника. 2010. №2. С.24-29.

93. Фролов В.Н. Управление в биологических и медицинских системах: Учеб. пособие. Воронеж: Воронеж.гос.техн.ун-т., 2001. 327 с.

94. Хайкин С. Нейронные сети: полный курс. М.: ООО «И.Д. Вильяме», 2006. 1104 с.

95. Хайтун Д. Наукометрия. Состояние и перспективы. М.:Наука,1983.

121с.

96. Четыркин Е.М. Статистические методы прогнозирования. М.: Прогресс, 1970. 247 с.

97. Шаповалов В.В., Коресталев А.Г., Тишков А.В. Двухуровневая система принятия решений в медицинской информационной системе // Биомедицинская радиоэлектроника. 2010. №9. С.79-88.

98. Швагер Д. Технический анализ. Полный курс. М: Альпина, 2007.

805 с.

99. Шестакова М.В., Чугунова J1. А., Шамхалова М. Ш. Сердечно -сосудистые факторы риска у пожилых больных сахарным диабетом 2 типа и методы их коррекции. // Русский медицинский журнал. 2002. №10-11. С.480 -485.

100. 2007 Guidelines for the Management of Arterial Hypertension. The Task Force for the Management of Arterial Hypertension of the European Society of Hypertension and of the European Society of Cardiology. J Hypertens. 2007. №25. Pp.1105-1187.

101. ALLHAT Officers and Coordinators for the ALLHAT Collaborative Research Group. The Antihypertensive and Lipid-Lowering Treatment to Prevent Heart Attack Trial. Major outcomes in moderately hypercholesterolemic, hypertensive patients randomized to pravastatin vs usual care: the Antihypertensive and Lipid-Lowering Treatment to Prevent Heart Attack Trial (ALLHAT-LLT). 2002. №288. Pp. 2998-3007.

102. Anderson K.M., Odel P.M., Wilson P.W., Kannel W.B. Cardiovascular disease risk profiles. Am Heart J. 1991. №121. Pp. 293-298.

103. Conroy RM, Pyorala K, Fitzgerald AP, et al. Estimation of ten-year risk of fatal cardiovascular disease in Europe: the SCORE project. Eur Heart J. 2003. №24. Pp. 987-1003.

104. Dunin-Keplicz B., Treuer J. Compositional Formal Specification of MultiAgent System In •.Intelligent Agents. ECAI-94 Workshop on Agent Theories, Architecture and Languages. The Netherlands: Amsterdam, 1994. August 8-9. Pp. 102117.

105. European Guidelines on cardiovascular disease prevention in clinical practice. 4th Joint European Societies' Task Force on Cardiovascular Disease Prevention in Clinical Practice. Eur J Cardio Vase Prev & Rehabil. 2007. №4. Pp. 3640.

106. Grafkin, V.V. The Specialized Data Type Which Are Exploitable In Tasks Are Critical To Overflow Situations Existent In A Memory Part Used For Storing Variable's Value. // Interactive Systems and Technologies: The Problems of HumanComputer Interaction. Collection of scientific papers. Ulyanovsk: UISTU, 2007. Pp. 239-241.

107. Grundy S.M., Cleeman J.I., Merz C. N.B., Brewer H. B., Jr; Clark L.T., Hunninghake D.B., Pasternak R.C., Smith S.C., Jr Stone N.J., for the Coordinating Committee of the National Cholesterol Education Program, Endorsed by the National Heart, Lung, and Blood Institute, American College of Cardiology Foundation, and American Heart Association. Implications of Recent Clinical Trials for the National Cholesterol Education Program Adult Treatment Panel III Guidelines. NCEP Report. Circulation. 2004. №110. Pp. 227-239.

108. Heart rate variability. Standards of measurement, physiological interpretation and clinical use. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology II Eur. Heart J. 1996. Vol. 17. №3. Pp. 334-381.

109. Kittler J. et al. On combining classifiers. IEEE Transactions on pattern Analysis and Machine Intelligence. 1998. Vol.20. №3. Pp. 226-229.

110. Kucheva L., Bezdec J., Duin R. Decision Templates for Multiple Classifier Fusion. Pattern Recognition. 2001. №34(2). Pp. 299-314.

111. Kucheva L. Switching between Selection and Fusion in Combining Classifiers: An Experiment. IEEE Transactions On Systems Man And Cybernetics. Part Bcybernetics. 2002. Vol.32. №2. Pp. 146-148.

112. Singh S.P., ed. Aproximation Theory, Spline Functions and Applications, Dor-drecht. The Netherlands: Kluwer, 1992. 500 p.

113. Zadeh L.A. Fuzzy algorithms // Information and control. 1968. Vol. 12. №2. Pp. 233-238.