Комбінований метод розпізнавання причини виникнення захворювання

У роботі наведено підходи до побудови алгоритму розпізнавання причини виникнення захворювання. Запропоновано комбінований метод для визначення причини виникнення захворювання у хворого. Розглянуто роботу алгоритмів, що були використані, та їх покрокове застосування на практиці. Проведено оцінку можл...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2011
Автори:	Шкуліпа, О.В., Рубльов, Б.В., Шейман, Б.С.
Формат:	Стаття
Мова:	Ukrainian
Опубліковано:	Інститут проблем математичних машин і систем НАН України 2011
Назва видання:	Математичні машини і системи
Теми:	Моделювання і управління великими системами
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/83394
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Комбінований метод розпізнавання причини виникнення захворювання / О.В. Шкуліпа, Б.В. Рубльов, Б.С. Шейман // Мат. машини і системи. — 2011. — № 1. — С. 112-119. — Бібліогр.: 5 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-83394
record_format	dspace
spelling	irk-123456789-833942015-06-20T03:01:37Z Комбінований метод розпізнавання причини виникнення захворювання Шкуліпа, О.В. Рубльов, Б.В. Шейман, Б.С. Моделювання і управління великими системами У роботі наведено підходи до побудови алгоритму розпізнавання причини виникнення захворювання. Запропоновано комбінований метод для визначення причини виникнення захворювання у хворого. Розглянуто роботу алгоритмів, що були використані, та їх покрокове застосування на практиці. Проведено оцінку можливості використання комбінованого методу на практиці. В работе представлены подходы к распознаванию причины возникновения болезни. Представлен комбинированный метод для определения причины возникновения болезни у больного. Продемонстрирована работа алгоритмов, которые были использованы, и их пошаговое применение на практике. Проведена оценка возможности ее использования для распознавания причины возникновения болезни. Approaches to construction for recognition algorithm of the causes of diseases are shown in the article. A combined method to determine the causes of disease at a patient are proposed. A work of algorithms which have been used in model is considered, and step-by-step application of the algorithms in practice is demonstrated. Possibilities of using this method in practice are estimated. 2011 Article Комбінований метод розпізнавання причини виникнення захворювання / О.В. Шкуліпа, Б.В. Рубльов, Б.С. Шейман // Мат. машини і системи. — 2011. — № 1. — С. 112-119. — Бібліогр.: 5 назв. — укр. 1028-9763 http://dspace.nbuv.gov.ua/handle/123456789/83394 531.37 uk Математичні машини і системи Інститут проблем математичних машин і систем НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Ukrainian
topic	Моделювання і управління великими системами Моделювання і управління великими системами
spellingShingle	Моделювання і управління великими системами Моделювання і управління великими системами Шкуліпа, О.В. Рубльов, Б.В. Шейман, Б.С. Комбінований метод розпізнавання причини виникнення захворювання Математичні машини і системи
description	У роботі наведено підходи до побудови алгоритму розпізнавання причини виникнення захворювання. Запропоновано комбінований метод для визначення причини виникнення захворювання у хворого. Розглянуто роботу алгоритмів, що були використані, та їх покрокове застосування на практиці. Проведено оцінку можливості використання комбінованого методу на практиці.
format	Article
author	Шкуліпа, О.В. Рубльов, Б.В. Шейман, Б.С.
author_facet	Шкуліпа, О.В. Рубльов, Б.В. Шейман, Б.С.
author_sort	Шкуліпа, О.В.
title	Комбінований метод розпізнавання причини виникнення захворювання
title_short	Комбінований метод розпізнавання причини виникнення захворювання
title_full	Комбінований метод розпізнавання причини виникнення захворювання
title_fullStr	Комбінований метод розпізнавання причини виникнення захворювання
title_full_unstemmed	Комбінований метод розпізнавання причини виникнення захворювання
title_sort	комбінований метод розпізнавання причини виникнення захворювання
publisher	Інститут проблем математичних машин і систем НАН України
publishDate	2011
topic_facet	Моделювання і управління великими системами
url	http://dspace.nbuv.gov.ua/handle/123456789/83394
citation_txt	Комбінований метод розпізнавання причини виникнення захворювання / О.В. Шкуліпа, Б.В. Рубльов, Б.С. Шейман // Мат. машини і системи. — 2011. — № 1. — С. 112-119. — Бібліогр.: 5 назв. — укр.
series	Математичні машини і системи
work_keys_str_mv	AT škulípaov kombínovanijmetodrozpíznavannâpričiniviniknennâzahvorûvannâ AT rublʹovbv kombínovanijmetodrozpíznavannâpričiniviniknennâzahvorûvannâ AT šejmanbs kombínovanijmetodrozpíznavannâpričiniviniknennâzahvorûvannâ
first_indexed	2025-07-06T10:09:31Z
last_indexed	2025-07-06T10:09:31Z
_version_	1836891841824292864
fulltext	112 © Шкуліпа О.В., Рубльов Б.В., Шейман Б.С., 2011 ISSN 1028-9763. Математичні машини і системи, 2011, № 1 УДК 531.37 О.В. ШКУЛІПА, Б.В. РУБЛЬОВ, Б.С. ШЕЙМАН КОМБІНОВАНИЙ МЕТОД РОЗПІЗНАВАННЯ ПРИЧИНИ ВИНИКНЕННЯ ЗАХВОРЮВАННЯ Анотація. У роботі наведено підходи до побудови алгоритму розпізнавання причини виникнення захворювання. Запропоновано комбінований метод для визначення причини виникнення захворю- вання у хворого. Розглянуто роботу алгоритмів, що були використані, та їх покрокове застосу- вання на практиці. Проведено оцінку можливості використання комбінованого методу на прак- тиці. Ключові слова: алгоритм кластеризації, еліпс мінімальної площі, метод опорних векторів, ForEll. Аннотация. В работе представлены подходы к распознаванию причины возникновения болезни. Представлен комбинированный метод для определения причины возникновения болезни у больного. Продемонстрирована работа алгоритмов, которые были использованы, и их пошаговое примене- ние на практике. Проведена оценка возможности ее использования для распознавания причины возникновения болезни. Ключевые слова: алгоритм кластеризации, эллипс минимальной площади, метод опорных векто- ров, ForEll. Abstract. Approaches to construction for recognition algorithm of the causes of diseases are shown in the article. A combined method to determine the causes of disease at a patient are proposed. A work of algo- rithms which have been used in model is considered, and step-by-step application of the algorithms in practice is demonstrated. Possibilities of using this method in practice are estimated. Key words: clustering algorithm, minimal enclosing ellipse, support vector machine, ForEll. 1. Вступ У медицині одним із найбільш важливих компонентів, що впливають на ефективність лі- кування хворого в цілому, є заходи з діагностики етіологічного чинника захворювання (безпосередньої причини виникнення захворювання). Саме оперативна верифікація причи- ни хвороби обумовлює правильний вибір терапії, скерованої на її знешкодження. Проте існуючі в медицині діагностичні підходи у більшості не є оперативними, і на визначення етіологічного чинника (віруси, бактерії тощо) витрачаються значні терміни часу. Отримані результати досліджень на сучасному етапі розвитку знань з генетики та токсикології дозволяють фахівцям стверджувати про наявність зв’язків між етіологічним чинником, що потрапив до організму хворого, та токсикометричними характеристиками речовин, які накопичилися у кров’яному руслі в результаті дії цього чинника (токсикоз). Таким чином, подальший пошук та розробка нових підходів оперативної діагности- ки етіологічного чинника є важливою міждисциплінарною проблемою, вирішення якої повинно сприяти підвищенню ефективності лікування хворих в цілому. Вищезазначене дозволяє нам зробити гіпотетичне припущення, що побудова мате- матичного алгоритму дослідження токсикометричних параметрів токсикозу для визначен- ня етіологічного чинника захворювання у пацієнтів з різними захворюваннями є цікавим та перспективним напрямом сучасних математичних досліджень. Метою досліджень є побудова математичного апарата для визначення причини виникнен- ня захворювання у пацієнтів, тобто для заданого хворого ( )291,..., xxx = необхідно визна- чити чинник виникнення хвороби. Матеріали та методи дослідження. Для побудови математичної моделі були використані токсикометричні характеристики, які супроводжували перебіг різних захворювань 548 па- цієнтів. У всіх хворих за допомогою традиційних загальновизнаних методів дослідження ISSN 1028-9763. Математичні машини і системи, 2011, № 1 113 були встановлені етіологічні чинники (9 етіологічних чинників): аномалії печінки, аномалії нирок, автоімунні/автоалергічні реакції, бактеріальні та вірусні/паразитарні збудники, де- струкція тканин різного походження, локальні гіперпластичні процеси в тканинах (ново- утворення), системні запальні реакції (SIRS), отрути екзогенного походження. Постановка задачі. Розглядається побудова алгоритму кластеризації для знаходження етіологічного чинника (причини виникнення захворювання). Важливою умовою для клас- теризації даних, наприклад, з використанням дискримінантного аналізу [1], t -критерію Стьюдента [2], ForEll або ж інших методів, є те, що для їх використання розподіл даних має задовольняти нормальному закону. Так як для медичних даних ця умова часто не ви- конується, то виникає необхідність розробки нового алгоритму, позбавленого вищезазна- ченого обмеження. Алгоритм кластеризації з використанням побудови еліпсу мінімальної площі [3] дозволяє уникнути обмеження на вхідні дані. Метод опорних векторів дозволяє побудувати кластеризуючу гіперплощину у довільному просторі. Запропонований метод кластеризації є синтезом методів і використовує для кожної пари кластерів, що порівню- ються, той метод, який дозволяє якнайкраще розпізнати обидва кластери. 2. Комбінований метод розпізнавання етіологічного чинника токсемії Ідея визначення причини виникнення захворювання полягає в попарному порівнянні кож- ного з дев’яти кластерів з усіма іншими різними методами та у відборі для кожної пари кластерів того алгоритму, що найкраще їх розділяє. Для побудови алгоритму розпізнаван- ня причини виникнення захворювання нами були використані такі алгоритми кластериза- ції: з застосуванням t -критерію Стьюдента; з застосуванням дискримінантного аналізу; ForEll; еліпса мінімальної площі та методу опорних векторів (SVM). Побудова алгоритму класифікації з застосуванням дискримінантного аналізу Знаходяться прості дискримінантні функції kipkpikkik qxbxbbd ln...110 ++++= , (1) де gk ,...,1= , ),...,( 1 kpkk bbb = і 0kb – коефіцієнти k -тої класифікуючої функції i -го об'єкта; ^' ∑= kk xb , де ^ ∑ – коваріаційна матриця, gkxxx kpkk ,...,1,,...,1 == . gkxxb kkk ,...,1; 2 1 ^ 1' 0 =−= ∑ − . Коефіцієнти kib в даному випадку інтерпретуються як параметри, що характеризу- ють нахил гіперплощини з координатними осями, а 0kb називається порогом і відповідає відстані від гіперплощини до початку координат. При використанні простих класифікуючих функцій ),...,( 1 ipii xxx = буде відносити- ся до етіологічного класу, в якого значення d виявиться більшим. Важливим етапом дискримінантного аналізу є виявлення змінних, що входять в дискримінантну функцію. В нашому дослідженні використовували метод покрокового дискримінантного аналізу, в якому змінні вводяться послідовно, виходячи із їхньої здатно- сті розділяти дискримінантні етіологічні класи. Тобто при покроковому аналізі з «вклю- ченням» змінних на кожному кроці переглядаються всі змінні і встановлюється одна з них, яка вносить найбільший вклад у розділення етіологічних класів. Ця змінна включається в 114 ISSN 1028-9763. Математичні машини і системи, 2011, № 1 модель і переходить до наступного кроку. Покрокова процедура дискримінантного аналізу базується на F-статистиці. Побудова алгоритму класифікації з застосуванням t-критерію Стьюдента Використовується двовибірковий t -критерій для незалежних вибірок: , 22 m i l i ii i NN mm t ml ml lm σσ + − = де li m , mi m – математичні сподівання по i -тому фактору; 2 li σ та 2 mi σ – стандартні відхилення по i -тому фактору; lN та mN – кількість хворих в l та m -етіологіях відповідно. Тобто висуваються дві гіпотези: 0H – головна, нульова гіпотеза, в якій висувається припущення, що етіології немо- жливо відрізнити по i -тому фактору; 1H – альтернативна гіпотеза до 0H – обидві вибірки відрізняються по i -тому фак- тору. Так як для використання t -критерію Стьюдента необхідно, щоб вихідні дані задо- вольняли нормальному розподілу, треба провести перевірку нормальності даних за допо- могою критерію Колмогорова-Смірнова з рівнем значущості, рівним 0,05, а також для зме- ншення розмірності вхідних даних провести кореляційний аналіз залежності ix від класте- ра. Для подальшого аналізу використовуються лише ті фактори, які корелюють. Побудова алгоритму класифікації з застосуванням алгоритму ForEll Алгоритм ForEll (форель) є прикладом евристичного алгоритму класифікації. В основі йо- го роботи лежить використання гіпотези компактності: схожі об’єкти набагато частіше лежать в одному класі, ніж в різних, або класи утворюють компактно локалізовані підмно- жини у просторі об’єктів. Ціль роботи алгоритму ForEll знати таке розбиття множини об’єктів на класи, щоб величина ∑ = = n i nPP 1 була мінімальною, де nP – відстань між центром n -го класу і всіма точками класу. Робота алгоритму заключається в переміщенні гіперсфе- ри в геометричному просторі до тих пір, поки не отримаємо стійкий цент мас. Побудова алгоритму класифікації з застосуванням еліпса мінімальної площі Ідея полягає в знаходженні рівняння еліпса [3, 4], який найкращим чином буде кластеризу- вати два класи. Еліпс мінімальної площі будується в двовимірному просторі, тобто пере- бором по всіх ,, ji xx 29,1,, =≠ jiji . Крок 1 Для mlIml ≠∈ ,, будуються випуклі оболонки для кожного з класів 21, gg по ikmx . Якщо випуклі оболонки не перетинаються або їх можна розділити кривою другого порядку, то ml, переходять до наступного кроку, в протилежному випадку ml, відкидаються. Крок2 Для отриманих ml, будується еліпс мінімальної площі 1e для 1g . Крок 3 Для отриманих ml, будується еліпс мінімальної площі 2e для 2g . У результаті отримуються кластеризуючі еліпси, що дозволяють однозначно визна- чити, до якого з двох класів буде віднесено хворого за допомогою перевірки. ISSN 1028-9763. Математичні машини і системи, 2011, № 1 115 Якщо з показниками l та m виконується умова, що ikmx лежить в середині 1e , то хворого буде віднесено до класу 1g , в іншому випадку виконується аналогічна перевірка для 2e . Однією з основних переваг використання алгоритму з побудовою еліпса мінімаль- ної площі є те, що при порівнянні двох класів існує кілька пар ji xx , 29,1,, =≠ jiji , тобто будується декілька кластеризуючих еліпсів, що дозволяє збільшити точність. Так як для таких пар показників ml, визначається кілька еліпсів, то запропонований алгоритм дозволяє з великою точністю визначити етіологічний чинник токсемії у хворого. Побудова алгоритму класифікації з застосуванням методу опорних векторів Навчання методу опорних векторів [5] полягає у знаходженні гіперплощини 0, =− bxw , що найкращим чином розділяє два класи, які не перетинаються, де вектор n nwwww ℜ∈= ),...,,( 21 та скалярний поріг nb ℜ∈ – параметри алгоритму, а n nxxxx ℜ∈= ),...,,( 21 – показники хворого. Тобто фактично після перетворень отримаємо двоїсту задачу мінімізації квадратич- ного функціоналу: ,0 ,,...,1,0 ,),( 2 1 )( 1 1 11 min = =≥ →+−=− ∑ ∑∑∑ = = =− L I iI i l i l j jijiji l i i y li xxyyL λ λ λλλλ λ де ),...,,( 21 lλλλλ = – вектор двоїстих змінних, а iy – значення приналежності ix до першо- го або другого класу. В результаті алгоритм класифікації може бути записаний у вигляді ),()( 1 ∑ − −= l i iii bxxysignx λα , тобто розв’язується задача з жорстким зазором. Так як гаран- тувати, що вибірка буде лінійно роздільна, в нашому випадку достатньо важко, тому вико- ристовуємо перехід вихідних даних до нового спрямляючого простору, що задається полі- номіальним ядром: .)1,(),( 2+′=′ xxxxK 3. Застосування алгоритмів розпізнавання на прикладі етіологічних факторів, “Ано- малії нирок” та «Екзогенних токсинів» t -критерій Стьюдента Першим кроком до застосування t -критерію Стьюдента є проведення кореляційного ана- лізу та відбору тих параметрів, що корелюють із зазначеними етіологіями: «Аномалії ни- рок» та «Екзогенні токсини». В результаті з 29 параметрів залишилось 10. Потім прово- диться перевірка, чи розподілені дані за нормальним законом за допомогою критерію Ко- лмогорова-Смірнова з достовірністю 95%. В табл. 1 наведено ті показники, що залишились після перших кроків та до яких застосовується t -критерій Стьюдента. Таблиця 1. Значимі показники для t -критерію Стьюдента НСТ-Гсп НСТ-Мсп АРоЛ-п АРоЛ-г АРоЛ-с АРоЛс-СВ ЦАЛа 116 ISSN 1028-9763. Математичні машини і системи, 2011, № 1 Рис. 1. Показники (АРОЛ-г та НСТ-Гсп), що розділяють випуклі оболонки Примітка: 1) На рисунках знаком * позначені параметри ендо- токсемії у хворих з етіопатогенетичним чинником “Аномалії нирок”; 2) Знаком ° – параметри ендотоксемії у хворих з етіопатогенетичним чинником “Екзогенні токсини” Дискримінантний аналіз Для застосування дискримінантного аналізу обов’язковими є перевірка розподілу даних та відбір тільки тих показників, що задовольняють нормальний розподіл. Далі проводиться «покроковий дискримінантний аналіз з включенням» для виявлення тих змінних, що вно- сять найбільший вклад у розділення двох класів. Отримано 8 показників, за якими і буду- валися прості дискримінантні функції. В табл. 2 записані коефіцієнти простих дискримінантних функцій для кожного класу. Таблиця 2. Коефіцієнти простих дискримінантних функцій Показники Аномалії нирок Екзогенні токсини ЦАЛа-МВ 0,2223 0,1398 АРоЛк-СВ 0,0869 0,1744 ЦАЛп 0,6002 0,4956 ЦИК 0,0570 0,0941 АРоЛс-МВ 0,2644 0,1891 НСТ-М-инд 3,1315 2,9115 НСТ-М-инд 0,1347 0,0743 АРоЛ-п 0,1581 0,2038 АРоЛ-п 0,1497 0,1707 Константа -45,7252 -39,6512 Таблиця 3. Значимі показники для алгоритму ForEll АРоЛг-СВ АРоЛа-СВ АРоЛс-СВ АРоЛк-БВ АРоЛг-МВ АРоЛа-МВ АРоЛс-МВ ЦАЛп ЦАЛг ЦАЛа ЦАЛс ЦАЛг-СВ ЦАЛа-СВ ЦАЛс-СВ ЦАЛг-МВ ЦАЛа-МВ ЦАЛс-МВ ЦИК Еліпс мінімальної площі Алгоритм на основі побудови еліпса міні- мальної площі застосовувався до найхара- ктерніших хворих для кожного з класів. Тобто, з медичної точки зору, було відіб- рано найтяжчі форми, а далі для отрима- них даних будувалися випуклі оболонки і знаходилися ті показники, в яких випуклі оболонки або не перетинались, або їх мо- жна розділити за допомогою кривої друго- го порядку 02 3321 =++ ayax2a + ya +xy 2a + xa 13 2 2212 2 11 На рис. 1 зображено один із таких випад- ків. На основі аналізу побудованих випуклих оболонок для кожного з класів відібрано 204 з 406 пар показників. На рис. 2, 3 зо- бражено приклади побудови еліпсів міні- мальної площі для кожного з класів та зо- бражено хворих з контрольної вибірки для наочної демонстрації роботи алгоритму. ForEll Алгоритм ForEll – знаходження локаль- ного максимума щільності точок – засто- совується до точок, що знаходяться в діапазоні від 0 до 1. Саме тому спочатку проводиться нормування даних і надалі застосовується алгоритм ForEll до двох класів, повним перебором по всіх ix , 29,1=i , тобто по два, три, чотири і т.д. показники, для виявлення комбінації тих змінних, що найкращим чином роз- діляють два обраних класи. В табл. 3 на- ведено ті 15 показників, що правильно розділяють класи з найбільшою точніс- тю. ISSN 1028-9763. Математичні машини і системи, 2011, № 1 117 Рис. 2. Еліпс для «Аномалії нирок» за показниками АРОЛ-г та НСТ-Гсп Рис. 3. Еліпс для «Екзогенних токсинів» за по- казниками АРОЛ-г та НСТ-Гсп У результаті проведених досліджень отримано 6 рівнянь еліпсів мінімальної площі, що з достовірністю більше 65% правильно класифікують два класи. Один із рівнянь еліпса мінімальної площі, побудований для класу «Аномалії нирок», зображений нижче: 0.1-0,015551y+0,018738x+005y-7,3637e-xy0,00012723-005x--9,2824ey)f(x, 22 == Тобто, якщо показники хворого попадають у середину еліпса, то хворого буде від- несено до класу «Аномалії нирок», у протилежному випадку буде виконуватися перевірка для класу «Екзогенних токсинів». Важливим є встановлений результат, який указує на існування декількох пар показ- ників за якими можна з імовірністю більше 65% визначити приналежність хворого до од- ного з класів простою перевіркою потрапляння показників хворого в середину побудова- ного еліпса мінімальної площі. Метод опорних векторів Для визначення тих токсикометричних параметрів, які є значимими при розділенні зазна- чених двох класів, розв’язується задача знаходження оптимальної розділяючої гіперпло- щини для токсикометричних показників, згрупованих по 2 – 2 29C , по три – 3 29C тощо. Тобто розв’язується задача з жорстким зазором, проте з застосуванням поліноміального ядра 2)1,(),( +′=′ xxxxK . Це дає нам можливість вважати, що в деякому з просторів вибірка буде лінійно роздільною. Для заданих класів найкраща кластеризуюча площина будується за всіма 29 показ- никами. Значення параметрів алгоритму відповідно дорівнюють 0208,18=b та матриця .5757∗ℜ∈w Результати класифікації для класів «Аномалії нирок» та «Екзогенних токсинів» У наступній таблиці наведено результати роботи кожного з алгоритмів для обраних двох класів. Отже, аналізуючи отримані результати для кожної пари класів, вибирається алго- ритм, що найкращим чином розділяє класи. В даному випадку для кластеризації «Аномалії нирок» та «Екзогенних токсинів» вибирається алгоритм побудови з використанням еліпса мінімальної площі. 118 ISSN 1028-9763. Математичні машини і системи, 2011, № 1 Таблиця 4. Результати тестових досліджень розпізнавання етіологічного фактора за допомогою різних алгоритмів Розпізнавання етіології Аномалії нирок (%) Розпізнавання етіології Екзогенні токсини (% t -критерій Стьюдента 35,24 95,3 Дискримінантний аналіз 45,67 67,5 ForEl 56,4 25,4 Еліпс мінімальної площі 71,2 83,6 Метод опорних векторів 87,4 67,6 4. Комбінований алгоритм розпізнавання У побудованому алгоритмі використовується синтез методів для розпізнавання причини виникнення захворювання. Це дозволяє значно збільшити точність розпізнавання та пок- ращити розпізнавання тих пар, для яких один із методів не дає бажаних результатів розпі- знавання (більше 70%). Тобто, ідея визначення причини захворювання у хворого полягає в попарному порівнянні кожного класу (9 етіологій) попарно з усіма іншими та у відборі того алгоритму, що найкращим чином розділяє вибрані класи. Застосування синтезу мето- дів дозволило у 73 % випадків правильно визначити етіологічний чинник захворювання. 5. Висновки У статті описано модель визначення причини виникнення захворювання. Розглянуто алго- ритми, які лежать в основі побудованої моделі. Наведено приклади роботи алгоритму. Отримані результати наочно демонструють ефективність застосування запропонованих методів: 1. Застосування t -критерію Стьюдента для побудови алгоритму кластеризації до- зволяє визначити етіологічний чинник захворювання нирок з імовірністю 20%. 2. Використання дискримінантного аналізу для побудови алгоритму кластеризації токсикометричних даних дозволяє визначити етіологічний чинник захворювання у 48% випадків. 3. Побудова алгоритму класифікації з застосуванням алгоритму ForEll обумовлює визначення етіологічного чинника захворювання з імовірністю 42%. 4. Застосування еліпса мінімальної площі для побудови алгоритму кластеризації до- зволяє визначити етіологічний чинник захворювання з імовірністю 56%. 5. Використання методу опорних векторів (SVM) для побудови алгоритму класте- ризації токсикометричних даних дозволяє визначити етіологічний чинник захворювання у 53% випадків. 6. Застосування синтезу двох методів – еліпс мінімальної площі та метод опорних векторів – є найбільш оптимальним та ефективним підходом для розпізнавання за токси- кометричними параметрами токсикозу етіологічного чинника захворювання – 73%. СПИСОК ЛІТЕРАТУРИ 1. Шкуліпа О.В. Застосування дискримінантного аналізу для визначення етіологічного чинника токсемії у хворого / О.В. Шкуліпа, Б.С. Шейман, Б.B. Рубльов // Вісник Київського національного університету імені Тараса Шевченка (Серія «Фізико-математична»). – 2010. – № 1. – С. 158 – 161. 2. Застосування t -критерію Стьюдента в кластеризації точок у багатовимірному просторі / Б.B. Рубльов, О.В. Шкуліпа, Б.С. Шейман [та ін.] // Вісник Київського національного університету імені Тараса Шевченка (Серія «Фізико-математична»). – 2009. – № 3. – C. 180 – 183. ISSN 1028-9763. Математичні машини і системи, 2011, № 1 119 3. Shkulipa O. Determining an etiological toxemia factor using smallest enclosing ellipses / O. Shkulipa // Матеріали 8-ї міжнар. міждисциплінарної наук.-практ. конф. молодих вчених «Шевченківська вес- на». – Київ, 2010. – С. 91 – 92. 4. Рубльов Б.В. Геометричні властивості еліпса мінімальної площі та деякі суміжні питання / Б.В. Рубльов, Ю.І. Петунін, Ю.Ю. Милейко. – К.: Київський університет, 2000. – 73 с. 5. Nayak А. Handbook of applied algorithm. Solving scientific, engineering and practical problem / A. Nayak, I. Stojmenovic. – Willey interscience, 2008. – 541 p. Стаття надійшла до редакції 25.06.2010

Комбінований метод розпізнавання причини виникнення захворювання

Репозитарії

Схожі ресурси