Модель и инструментальные средства анализа информационных процессов биологической системы Мать-плод Гергет Ольга Михайловна

Содержание к диссертации

Введение

Глава 1. Основные аспекты информационного моделирования объектов с развивающейся структурой и обнаружение новых знаний 22

1.1. Структурное представление объектов с развивающейся структурой на основе системного подхода 22

1.2. Исследование методов формирования макросистем на основе индивидуальных свойств объектов. Магистрали развития 28

1.3. Динамические модели индивидуальных траекторий на основе балансовых уравнений. Понятие динамического гомеостаза 33

1.4. Исследование особенностей информационного моделирования состояния биообъектов 1.4.1. Бионические модели анализа функционирования биообъекта 42

1.4.2. Особенности моделирования состояния организма беременных женщин и детей 45

1.4.3. Методы извлечения информации о состоянии здоровья новорожденных 52

1.4.4. Алгоритм анализа информационных процессов биологической системы Мать-плод 60

Выводы по главе 63

Глава 2. Информационная структура и методы мониторинга функционального состояния развивающихся систем 65

2.1. Информационная структура мониторинга функционального состояния развивающейся системы 65

2.1.1. Метод оценки информационных потоков, характеризующих состояние биосистемы с учетом влияния внутренних и внешних факторов 67

2.2. Выявление скрытых закономерностей динамических процессов 71

2.3. Анализ динамических данных функционирования развивающихся биосистем. Определение магистрали развития динамических процессов 74

2.4. Метод интегральной оценки состояния биосистемы 78

2.5. Интегральный критерий оценки функционального состояния 84

2.6. Энтропийный метод оценки нестабильных состояний однородных объектов 86

2.7. Информационная структура мониторинга функционального состояния развивающихся систем на основе метода вычисления обобщенного показателя биосистемы Мать-плод (МиП) 90

2.8. Апробация методов и алгоритмов мониторинга функционального состояния развивающейся биосистемы 95

Выводы по главе 102

Глава 3. Бионическая модель и методы оценивания и прогнозирования состояния развивающихся систем с учетом управляющих воздействий 104

3.1. Бионическая модель выбора управляющих воздействий 104

3.2. Нейроэволюционный метод формирования последовательности управляющих воздействий 108

3.2.1. Прогнозирование функционального состояния объекта исследования на основе бионической модели с учетом управляющих воздействий 108

3.2.2. Проблемы обучения динамических нейронных сетей 111

3.2.3. Целевая функция и обучение нейронной сети 112

3.2.4 Эволюционный подход в структуре бионической модели 115

3.3. Результаты бионического моделирования выбора управляющих воздействий 118

3.4. Методологические основы информационного анализа данных и выбора последовательности управляющих воздействий 126

Выводы по главе 128

Глава 4. Алгоритмическое обеспечение модуля оценивания функционального состояния организма по динамической входной информации на основе методов машинного обучения 130

4.1. Исследование электрокардиограммы плода на основе синтеза слепого разделения источников и нейронных сетей 131

4.1.1. Алгоритм разделения источников абдоминальной электрокардиограммы на основе синтеза метода слепого разделения источников и нейронных сетей 131

4.1.2. Обоснование выбора рекуррентной нейросетевой модели разделения сигнала 135

4.2. Параллельное развертывание нейронной сети 136

4.2.1. Алгоритм параллельного развертывания динамической нейронной сети 139

4.3. Затухание градиента из-за линейности обратного распространения 140

4.4. Алгоритм обучения, основанный на принципе изменения знака производной 142

4.4.1. Метод Resilient propagation и его модификация для обучения развернутой нейронной сети 143

4.5. Экспериментальное исследование алгоритма 146

4.5.1. Экспериментальный подбор параметров нейронной сети 150

4.5.2. Сравнительный анализ нейросетевого подхода и анализа независимых компонент 156

Выводы по главе 161

Глава 5. Информационная система мониторинга функционального состояния организма человека с учетом управляющих воздействий 163

5.1. Информационная система нового поколения для формирования последовательности управляющих воздействий и минимизации возможности перехода в неблагоприятное функциональное состояние 163

5.2. Прототипирование 165

5.3. Проектирование системы 166

5.3.1. Технологии 166

5.3.2. Функциональные требования к системе 167

5.3.3. Архитектура информационной системы 169

5.4. Разработка информационной системы 173

5.5. Практическая апробация информационной системы 181

5.5.1. Экспериментальные данные 181

5.5.2. Оценивание функционального состояния беременных женщин 184

5.5.3. Оценивание функционального состояния детей в раннем возрасте 190

5.5.4. Исследование взаимосвязи различных стратегий адаптации беременных женщин с функциональным состоянием их детей 193

5.6. Внедрение информационной системы нового поколения и практическая значимость полученных результатов 196

5.6.1. Мониторинг и прогнозирование функционального состояния пациентов с профессиональными заболеваниями 196

5.6.2. Оценка и прогнозирование функционального состояния детей в раннем возрасте по адаптационным стратегия беременных женщин 198

5.6.4. Экономический эффект применения управляющих воздействий у беременных женщин и их детей 200

5.6.3. Прогнозирование состояния здоровья беременных женщин и выбор управляющих воздействий 203

Выводы по главе 205

Заключение 207

Список литературы 210

Приложение 1 Акты внедрения 250

Приложение 2 Патент на изобретение и свидетельства о регистрации программ для ЭВМ 259

Приложение 3 Исходные данные и результаты к главам диссертации 265

• Структурное представление объектов с развивающейся структурой на основе системного подхода
• Метод интегральной оценки состояния биосистемы
• Алгоритм разделения источников абдоминальной электрокардиограммы на основе синтеза метода слепого разделения источников и нейронных сетей
• Оценивание функционального состояния беременных женщин

Введение к работе

Актуальность проблемы

Разработка информационных технологий мониторинга развивающихся биосистем, основанных на применении бионических принципов, является одним из перспективных научных направлений. Эволюционируя в течение миллионов лет, в биосистемах сформировались структуры, в частности генетическая, иммунная, нейронная, обеспечивающие сбалансированное развитие и наличие необходимых информационных средств контроля и адаптивного управления в изменяющейся среде. В настоящее время делаются попытки комплексного использования искусственных систем обработки информации, структурно отражающих функционирование биосистем. Особое внимание при этом уделяется разработке моделей, методов и алгоритмов, всесторонне учитывающих специфику объекта исследования.

Разработка информационных технологий обработки и анализа данных является первоочередной задачей особенно в области медицины. В процессе обнаружения закономерностей при принятии решения медицинские работники сталкиваются с рядом проблем: неполнота и неточность исходной информации, большая вариабельность признаков и малый объем выборок, ограниченность времени принятия решения, занятость компетентных экспертов и др. Указанные факторы нередко приводят к врачебным ошибкам. С целью повышения эффективности и качества обработки информации необходимо в основу разрабатываемых информационных систем заложить методы математического моделирования, системного анализа, теории управления. В информационных системах нового поколения активно применяются нечеткая логика, интеллектуальный анализ данных, ситуационный анализ, рассуждение на основе прецедентов, нейронные сети и статистический анализ. Большое внимание на этапе проектирования структуры информационной системы уделяется возможности обучения системы, в частности алгоритмам машинного обучения. Среди авторов, развивающих это направление, следует выделить А.Н. Горбаня, В.В. Грибову, А.М. Дубеля, А.П. Карпенко, В.Л. Кодкина, В.В. Курейчика, Л.В. Массель, К.В. Симонова, П.Б. Цывьян, J. Behar, G. Clifford, M. Hasan, J.R. Koza, Ming-ai Li, J. Oster, J.P. Rice и др.

На данный момент ведется активная работа, связанная с созданием методов мониторинга состояния организма человека, что говорит об актуальности исследования. Следует обратить внимание еще на один важный аспект: рождение здорового поколения, снижение материнской и младенческой смертности, сохранение здоровья сложной развивающейся биосистемы Мать-плод, в которой с одной стороны, мать и плод находятся в переходном состоянии, с другой – обе подсистемы развиваются, адаптируясь и взаимодействуя друг с другом и внешней средой.

В результате проводимых в последние годы мероприятий по совершенствованию здравоохранения в России можно отметить устойчивую положительную тенденцию к снижению материнской и младенческой смертности. Однако, общее количество случаев смерти в период беременности и в раннем детском возрасте выше, чем в странах Прибалтики и Западной

Европы. Несмотря на современные достижения в данной области сохраняется необходимость в разработке эффективных методов мониторинга и прогнозирования состояния здоровья биосистемы Мать-плод. Нормальное функционирование биосистемы протекает при малых отклонениях признаков от равновесного состояния, которые задают гомеостатическую область. При оценивании состояния здоровья по совокупности разнотипных данных более предпочтительно формировать интегральную оценку. Решению проблемы выбора единого количественного показателя, который бы достаточно полно отражал различные стороны такого сложного явления, как здоровье, уделяли и уделяют большое внимание П.К. Анохин, Р.М. Баевский, Н.В. Бокучава, А.Л. Васин, Б.А. Кобринский, Л.И. Константинова, В.А. Кочегуров, Г.В. Мамасахлисов, П.Е. Марченко, В.И. Новосельцев Я.С. Пеккер, В.А. Фокин, Т.В. Хохлова, О.Н. Чопоров, А.В. Шафиркин и др.

Данное направление исследований прежде всего связано с необходимостью количественно оценить реакцию целостной системы на изменения, происходящие под действием факторов внутренней и внешней среды. Следовательно, мониторинг состояния организма разумно осуществлять на основе интегральных показателей, что позволит выявлять не только закономерности функционирования биосистем, но и делать выводы об адаптационных возможностях на основе проведения дозонологических обследований и соответствующего моделирования.

На современном этапе развития является оправданным стремление к созданию программных средств автоматизации обнаружения новых медицинских знаний с целью принятия решений. Согласно программе «Цифровая экономика РФ – 2024», Минкомсвязь России выделил одним из основных направлений «…повышение производительности и эффективности использования материальных, человеческих, информационных и иных ресурсов при оказании медицинских услуг (к 2024 году не менее чем на 30 %)». Однако многие из существующих программных средств ограничиваются сбором и накоплением информации, являются узконаправленными и неотчуждаемыми, требующими постоянной адаптации, что недостаточно эффективно для принятия управленческих решений. Согласно вышесказанному, существует необходимость в разработке информационной системы нового поколения с интеллектуальным ядром обработки информации, включающей подсистемы оценивания, прогнозирования функционального состояния организма, выбора управляющих воздействий для снижения возможности перехода в неблагоприятное состояние. Активно развивают данное направление М.Р. Алискеров, А.В. Андрейчиков, Р.Е. Баталов, В.Л. Глотко, Г.Р. Зарипова, Л.Е. Карпов, В.А. Катаев, Б.А. Кобринский, В.С. Симанков, А.А. Спирячин, И.Г. Черноруцкий, M. Frize, R. Greenes, R. Miller, S.M. Stivaros, А. Walker, и др.

Таким образом, несмотря на современные достижения в области анализа и обработки информации, сохраняется необходимость в: разработке эффективных методов, моделей и алгоритмов комплексной оценки, прогнозирования состояния развивающейся биосистемы (на примере системы Мать–плод); выявлении влияния корректирующих мероприятий на клинико-

лабораторные показатели объекта исследования; разработке рекомендаций по корректирующим мероприятиям беременных и их детей в условиях большой вариабельности признаков и неполноты информации.

Целью работы является повышение качества мониторинга и прогнозирования состояния биосистемы Мать-плод посредством создания бионической модели, методов и алгоритмов анализа информационных потоков, обеспечивающих увеличение эффективности использования информационных технологий в медицинских информационных системах.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести анализ существующих моделей, методов и алгоритмов мониторинга и прогнозирования состояния биосистемы Мать-плод.

2. Разработать методические основы информационного анализа данных и обнаружения в них закономерностей на базе новых бионической модели и метода вычисления обобщенного показателя биосистемы Мать-плод (МиП).

3. Предложить методы и алгоритмы интегральной оценки и прогнозирования состояния биосистемы.

4. Оценить динамику изменения состояния, обнаружить закономерности в полученной информации и использовать выявленные закономерности при мониторинге и прогнозировании состояния биосистемы Мать–плод.

5. Провести исследования по применению методов машинного обучения для диагностики, прогнозирования и формирования последовательности управляющих воздействий на биосистему с целью минимизации отклонения состояния биосистемы от нормы.

6. Разработать и апробировать новую бионическую модель выбора управляющих воздействий.

7. Разработать и реализовать алгоритм выбора гиперпараметров бионической модели.

8. Реализовать метод обучения нейронной сети, при котором решается проблема зависимости коррекции веса в глубоких слоях от значений производных.

9. Выделить тип модели, алгоритм мониторинга функционального состояния, способ представления управляющих воздействий с целью повышения адекватности бионического моделирования.

10. Провести исследование методов и разработать алгоритм, позволяющий повысить точность разделения источников взаимодействующих информационных процессов (на примере, абдоминальной электрокардиограммы).

11. Разработать информационную систему мониторинга, прогнозирования состояния биосистемы, выбора последовательности управляющих воздействий и провести вычислительный эксперимент с целью анализа эффективности реализованных алгоритмов.

12. Внедрить предложенный программный комплекс, в рамках которого проводились исследования и реализовывались модель, методы и алгоритмы, в

лечебные учреждения и организации, реализующие высокотехнологичные решения по автоматизации процессов в медицинских учреждениях.

Объект исследования

Информационные процессы, характеризующие биосистему Мать-плод.

Предмет исследования

Современные инструментальные средства анализа информационных процессов; динамика параметров характеристик процессов, протекающих в биосистеме Мать-плод, представленных набором информационных потоков; методы мониторинга и прогнозирования состояния развивающихся биосистем.

Методы исследования

Проведенные в диссертационной работе исследования основаны на использовании методов системного анализа, теории информации, вычислительной математики, теории вероятностей, математической статистики, машинного обучения и прикладного программирования.

Научная новизна работы

Предложен метод вычисления обобщенного показателя биосистемы Мать-плод (МиП), который позволяет получить количественную оценку состояния развивающейся биосистемы, отличающийся от существующих применением динамических параметров формирования признаков.

Впервые разработана бионическая модель, основанная на синтезе метода вычисления обобщенного показателя МиП, искусственных нейронных сетей и генетического алгоритма, позволяющая повысить эффективность выбора управляющих воздействий.

Разработан новый принцип представления данных в бионических моделях и алгоритм выбора гиперпараметров бионической модели, отличающийся от существующих возможностью явного или неявного представления информации.

Разработан алгоритм разделения источников ЭКГ-сигнала, адекватно отражающий информационные взаимодействия между элементами развивающейся биосистемы Мать-плод, основанный на синтезе метода слепого разделения источников и нейронных сетей, отличающийся от существующих тем, что коэффициентами разделяющей матрицы являются весовые коэффициенты нейронной сети.

Модифицирован алгоритм минимизации целевой функции обучения нейронной сети, позволяющий решить проблему зависимости коррекции веса от количества развертываний рекуррентной нейронной сети, отличающийся от существующих определением коррекции веса в зависимости от динамики знака суммы производных целевой функции по весу.

Разработана структура информационной системы предобработки и анализа информации, поступающей из разнородных источников, и ее

программная реализация, которая выступает каркасом систем мониторинга, прогнозирования, выбора управляющих воздействий, отличающаяся от существующих наличием новых предложенных в работе алгоритмов, моделей и методов.

Достоверность результатов диссертационной работы обеспечивается корректностью постановок задач, строгостью применения математического аппарата, соответствием экспериментальных данных, полученных в ходе исследований и опытного внедрения комплекса программ, непротиворечивостью моделей, проверкой на тестовых примерах.

Практическая значимость

Практическая значимость состоит в применении разработанных методов и алгоритмов анализа данных в слабоформализованных областях в ряде практических задач:

13. Выявлены закономерности реакции организма на условия жизнедеятельности, которые могут быть использованы в качестве адаптационных характеристик биосистемы Мать-плод.

14. Реализован магистральный подход представления результатов наблюдения за функционированием объекта исследования, позволяющий выявлять закономерности изменения переменных состояния в однородных группах объектов исследования и получать доказательные оценки индивидуального состояния на основе анализа информационных процессов.

15. Осуществлена эффективная оценка функционального состояния биосистем, и совместно с врачами сформированы рекомендации по выбору корректирующих мероприятий с целью минимизации возможности перехода в критические функциональные состояния.

16. Разработана и реализована подсистема выбора последовательности управляющих воздействий на основе бионической модели. Использование разработанной подсистемы в ряде клиник: ЛОЦ «Здоровая мама-крепкий малыш», ФГБНУ «Восточно-сибирский институт медико-экологических исследований», Национальный центр акушерства, гинекологии и перинатологии, Научно-клинический консультативный Центр гормонального здоровья, позволило повысить точность диагностики и прогнозирования состояния объекта исследования.

17. Реализованы бионическая и регрессионная модели состояния биообъекта. На основании перекрестной проверки обнаружены аномалии, которые не могли быть оценены надлежащим образом ни одной из исследованных моделей.

18. Создана, верифицирована и внедрена в клиническую практику информационная система, позволяющая осуществлять выбор последовательности управляющих воздействий для определения схемы лечения, на основе разработанных моделей и методов.

Предложенные в работе методы, модель и алгоритмы могут быть применимы в разных предметных областях.

Положения, выносимые на защиту

1. Метод вычисления обобщенного показателя биосистемы Мать-плод,
позволяющий получить количественную оценку состояния с учетом
динамических параметров формирования признаков, обеспечивающий
увеличение точности оценки состояния развивающихся биосистем.

Разработка математических моделей и методов взаимодействия информационных процессов, в том числе на базе специализированных вычислительных систем (п. 12 паспорта специальности).

2. Бионическая модель выбора управляющих воздействий, основанная на
синтезе метода вычисления обобщенного показателя МиП, искусственных
нейронных сетей и генетического алгоритма, позволяющая повысить
эффективность выбора управляющих воздействий и, как следствие, снизить
возможность перехода в критическое состояние в среднем на 14 %.

Применение бионических принципов, методов и моделей в информационных технологиях (п. 13 паспорта специальности).

3. Алгоритм выбора гиперпараметров бионической модели. Реализация
алгоритма в информационной системе позволила повысить точность
прогнозирования обобщенной оценки состояния биосистемы (на 10-12 %) в
отличие от линейной регрессии.

Применение бионических принципов, методов и моделей в информационных технологиях (п. 13 паспорта специальности). Разработка и исследование моделей данных и новых принципов их проектирования (п. 3 паспорта специальности).

4. Алгоритм выделения электрокардиограммы плода из абдоминального
ЭКГ-сигнала, основанный на синтезе метода слепого разделения источников,
обратного распространения ошибки во времени и правила коррекции веса в
зависимости от динамики знака суммы производных целевой функции по весу.
Реализация алгоритма в информационной системе позволила снизить

значение среднеквадратичной ошибки тестирования (порядка 10"²), что на порядок меньше по сравнению с алгоритмами обучения Левенберга - Марквардта, сопряженных градиентов и Rprop.

Разработка и исследование моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях (п. 5 паспорта специальности).

5. Программное обеспечение, реализующее совокупность разработанных
модели, методов и алгоритмов мониторинга, прогнозирования состояния
биосистемы и выбора управляющих воздействий.

Исследование, в том числе с помощью средств вычислительной техники, информационных процессов, информационных потребностей коллективных и индивидуальных пользователей (п. 1 паспорта специальности). Применение бионических принципов, методов и моделей в информационных технологиях (п. 13 паспорта специальности).

Внедрение

1. Проведена адаптация предложенных алгоритмов и методов на базе: ЛОЦ «Здоровая мама - крепкий малыш», г. Томск (акт о внедрении от 15.02.2018);

Национального центра акушерства, гинекологии и перинатологии, г. Астана (акт о внедрении от 29.11.13);

ФГБНУ «Восточно-сибирский институт медико-экологических исследований», г. Ангарск (акт о внедрении от 26.03.2018);

ООО «Элекард-Мед», г. Томск (акт о внедрении 18.04.2018);

Научно-клинический консультативный Центр гормонального
здоровья, г. Томск (акт о внедрении от 29.01.18);

КГБУЗ «Консультативно-диагностический центр», г. Бийск (акт о внедрении 20.03.18);

ФГБНУ «Томский национальный исследовательский медицинский центр Российской академии наук» «Научно-исследовательский институт кардиологии» (акт о внедрении 26.04.18).

Использование разработанного комплекса программ в лечебно-оздоровительных центрах и организациях, реализующих высокотехнологичные решения в области ПО для автоматизации процессов в медицинских учреждениях, позволило повысить скорость и качество принимаемых решений.

2. Получено 4 свидетельства о государственной регистрации программ
для ЭВМ:

Гергет О.М. Автоматизированная система энергоинформационного принятия решения // Программа для ЭВМ. - № 2014660045; заявл. 06.08.2014;

Гергет О.М., Милешин А.А. Интеллектуальная система диагностики состояния здоровья на основе математических методов // Программа для ЭВМ. - № 2014618085; заявл. 14.06.2014;

Гергет О.М., Девятых Д.В. Нейросетевой обработчик абдоминальной электрокардиограммы // Программа для ЭВМ. - № 2016613369; заявл. 26.01.2016;

Гергет О.М., Девятых Д.В. Конструктор динамических и глубоких нейронных сетей // Программа для ЭВМ. - № 2016616790; заявл. 25.04.2016.

3. Получен патент на изобретение:

Патент 2449287 Российская Федерация. Способ антенатального
прогнозирования последствий перинатальных поражений нервной системы у
детей / Кривоногова Т.С., Быбченко Е.Г., Гергет О.М., Соловьева С.А.,
Михалев Е.В.; патентообладатель ГОУ ВПО СибГМУ Минздравсоцразв;
опубликован 27.04.2012.

Содержание диссертации соответствует специальности 05.13.17 «Теоретические основы информатики», а именно пп. 1, 2, 3, 5, 12, 13.

Реализация результатов

Результаты диссертационного исследования использованы при выполнении следующих проектов:

РФФИ, № 13-07-90902-мол_ин_нр «Математические методы
и программные средства доказательной медицины», Р;

№ 04-06-80413-а «Моделирование адаптационных стратегий человека», Р; № 15-07-08922-а «Разработка виртуального Центра оценки и прогнозирования

качества здоровья детей с наиболее распространенными хроническими неинфекционными заболеваниями», И.

РГНФ, 07-06-12143-в, «Информационная система оценки и мониторинга психофизиологического состояния беременных женщин», И; № 11-06-12010в «Распределенная информационно-аналитическая система оценки компетентности ИТ-специалистов», И; № 12-06-12057 «Создание системы алгоритмических и программных средств обработки, представления и анализа экспериментальных данных в социальных и медицинских исследованиях», И.

Совместный проект с КарГТУ (Республика Казахстан), № 01112РК02111, 2013-2015 «Разработка распределенной интеллектуальной системы для оценки и прогнозирования заболеваемости детей в раннем возрасте по адаптационным стратегиям беременных женщин», Р.

Грант областной администрации г. Томска (гос. контракт № 322/1 от 9 июля 2010 г.) «Разработка и создание программно-аппаратного комплекса для мониторирования состояния системы мать-плацента-плод с последующей организацией службы сопровождения беременности», Р.

Государственное задание «Наука», № 44.002.13.800. 2013 г. «Разработка медицинских технологий комплексной реабилитации пациентов с профессиональными заболеваниями на основе использования преформированных и природных лечебных факторов региона»; № 17.8205.2017/БЧ «Моделирование и алгоритмизация процессов обработки, анализа и репрезентации графических данных в режиме реального времени для проведения эндоваскулярных операций на сердце»; №2.3583.2017/4.6 «Создание информационной системы защищенного управления гетерогенными сетями и устройствами, образующими инфраструктуру «интернета вещей», проектная часть ГЗ ТУСУР на 2017-2019гг.

Проект «Разработка и исследование базовых принципов функционирования интеллектуальных робототехнических систем с использованием естественно-языкового интерфейса Интернета вещей», поддержанный грантов Президента Российской Федерации по государственной поддержке ведущих научных школ Российской Федерации «НШ-3070.2018.8».

Апробация работы

Основные положения и практические результаты диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях и форумах: XIII Байкальская Всероссийская конференция «Информационные и математические технологии в науке и управлении» (Иркутск, 2008); V Международная научная конференция «Системный анализ в медицине (САМ-2011)» (Благовещенск, 2011); IX Всероссийская научно-практическая конференция «Молодежь и современные информационные технологии» (Томск, 2011); Международный симпозиум «Информационно-коммуникационные технологии в индустрии, образовании и науке» (Караганда, 2012); XXI Международная конференция «Новые информационные технологии

в медицине, биологии, фармакологии и экологии» (IT+M&E'2013) (Ялта, 2013); XIX Байкальская Всероссийская конференция «Информационные и математические технологии в науке и управлении» (Иркутск, 2014); XX Байкальская Всероссийская конференция и Школа-семинар научной молодежи «Информационные и математические технологии в науке и управлении» (Иркутск, 2015); The 9th International Forum on Strategic Techology (IFOST-2014) (Бангладеш, 2014); 11th Joint Conference on Knowledge-Based Software Engineering (Волгоград, 2014); II Международная научная конференция «Информационные технологии в науке, управлении, социальной сфере и медицине» (Томск, 2015); XVI Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям (Красноярск, 2015); Международная конференция «Information Technologies in Business and Industry (ITBI2016)» (Томск, 2016); XIII Всероссийская научно-практическая конференция «Технологии Microsoft в теории и практике программирования» (Томск, 2016); XXII Байкальская Всероссийская конференция и Школа-семинар научной молодежи «Информационные и математические технологии в науке и управлении» (Иркутск, 2017); II Международная конференция «Creativity in intelligent technologies & data science», CIT&DS 2017 (Волгоград, 2017).

Публикации

Материалы диссертации опубликованы в 63 печатных работах, из них: 1 монография; 18 статей в журналах, рекомендованных ВАК; 16 публикаций из источников, индексируемых в базе SCOPUS и WoS; 26 статей в научно-технических журналах и сборниках; 2 учебных пособия. Получено 4 свидетельства о государственной регистрации программ на ЭВМ, 1 патент на изобретение.

Личный вклад соискателя

Основные научные результаты, выносимые на защиту, получены автором лично. Интегральный критерий, входящий в предложенный метод мониторинга состояния развивающейся системы как один из элементов, был разработан автором совместно с к.т.н., профессором Сибирского государственного медицинского университета Я.С. Пеккером и д.т.н, профессором Томского политехнического университета О.Г. Берестневой. Метод мониторинга функционального состояния с позиции обменных процессов предложен д.т.н., профессором В.А. Кочегуровым. Автором осуществлен анализ возможностей оптимизации данного метода и разработан метод вычисления обобщенного показателя биосистемы Мать-плод, позволяющий увеличить точность идентификации и прогноза. Алгоритм нахождения матрицы разделяющих-весовых коэффициентов разработан автором совместно с аспирантом Д.В. Девятых. Разработка и апробация бионической модели выбора последовательности управляющих воздействий осуществлялась автором самостоятельно. Создание методических основ информационного анализа данных и обнаружения в них закономерностей осуществлялось автором лично.

Разработанные методы и алгоритмы реализованы в виде комплекса программ автором совместно с Д.В. Девятых. Обсуждение полученных результатов и подготовка материалов к печати выполнено совместно с экспертами (врачами): д.м.н. Т.С. Кривоноговой, д.м.н. Е.В. Михалевым, к.м.н. О.С. Тонких, к.т.н. Я.С. Пеккером.

Благодарности

Автор выражает глубокую и искреннюю благодарность учителю и наставнику доктору технических наук, Заслуженному профессору ТПУ Владимиру Александровичу Кочегурову.

Структура и объем диссертации

Структурное представление объектов с развивающейся структурой на основе системного подхода

В настоящее время существует большое разнообразие определений понятия «система». По словам основоположника теории систем Л. фон Берталанфи, система – это «комплекс взаимодействующих компонентов» или «совокупность элементов, находящихся в определенных отношениях друг с другом и со средой» [297]. В соответствии с Большой советской энциклопедией система есть «объективное единство закономерно связанных друг с другом предметов, явлений, а также знаний о природе и обществе». А. Холл, например, описывает систему как совокупность предметов, связей между предметами и их признаками [265]. Теория систем используется многими отечественными и зарубежными учеными в практических исследованиях: В.Г. Афанасьев, А.И. Баркин, Л. Берталанфи, А.Дж. Вильсон, В.Н. Волков, Б.С. Дарховский, В.Н. Новосельцев, Ф.И. Перегудов, Р.А. Перелет, Ю.С. Попков, И.Р. Пригожин, Ф.П. Тарасенко, Г. Хакен, М.В. Хачумов, А.М. Цирлин, У.Р. Эшби и др. Данный термин применяют в случае, когда необходимо исследуемый объект представить как нечто сложное, целое, изобразив его графически или описав математическими выражениями, не вдаваясь во взаимосвязи входящих подсистем. В этом случае система рассматривается как модель «черный ящик», а наблюдения за функционированием системы проводят на входах и выходах. Часто такого подхода для достижения поставленных целей недостаточно, тогда на первый план выходят структуры объектов и их связи. В рамках диссертации понятие «система» используется как совокупность объектов, позволяющая исследовать поставленную проблему, а сама система включает цель, структурные элементы и связи между ними. Любая система обладает свойствами эмерджентности и устойчивости (гомеостаза). Данные свойства в большей мере характеризуют статические свойства системы. Для того чтобы описать изменения системы, отражающие свойства объектов во времени и пространстве, необходимо ввести дополнительные понятия, такие как «траектория развития», «соответствующий пространственно-временной континуум».

Огромный интерес представляет большой класс систем, которые отражают свойства объектов с развивающейся структурой. Такие системы характеризуются рядом признаков, основными из которых являются [7, 251, 36 76, 256]:

способность вырабатывать варианты поведения и изменять свою структуру, сохраняя целостность и основные свойства;

целеполагание;

адаптивность.

Развивающаяся система содержит подсистемы саморегулирования, которые отвечают за автоматическую поддержку параметров протекающих процессов на необходимом (в пределах нормы) уровне. Различные механизмы саморегуляции обеспечивают устойчивость, самоорганизацию, адаптацию, переход из одного состояния в другое. В частности, регуляторные, как правило, динамические процессы, в биосистеме обеспечиваются взаимодействием нескольких подсистем. При этом иерархия подсистем представляется большим количеством уровней. На каждом уровне происходит формирование особых механизмов саморегуляции, основанных на принципе положительной или отрицательной обратной связи. Если регулирование на нижнем уровне не приводит к желаемому результату, то управление передается на более высокий уровень. Такое управление переменными состояния происходит, в частности, в любой биосистеме.

Примечательной особенностью биосистем является способность пребывать в различных стационарных состояниях. За счет этого система может адаптироваться к среде и некоторое время функционировать независимо от нее. Помимо стационарных состояний в биологической системе присутствуют автоколебательные процессы, возникающие из-за специфичности внутренней структуры и особенностей взаимодействия с внешней средой.

Главной отличительной особенностью развивающихся биосистем является наличие во внутренней структуре элементов, способствующих формированию негэнтропийных процессов, поддерживающих совместно с поступающими извне энергетическими ресурсами устойчивые жизненные циклы. Это в большинстве случаев делает невозможным, при структурном представлении системы, отразить взаимодействующие динамические потоки в виде адекватных нелинейных аналитических моделей.

При оценке функционирования развивающихся биосистем часто прибегают к таким характеристикам, как:

гибкость системы, под которой подразумевается способность системы адаптироваться в ответ на внешние и внутренние изменения;

траектория системы, определяющая ее поведение, изображается множеством точек, коррелирующих с состояниями биосистемы, которые характеризуют перемещение биосистемы во времени под действием внутренних и внешних сил.

Выделим основные классы задач, решаемые при исследовании развивающихся систем.

Первый класс связан со структурным представлением объекта исследования.

Во второй класс входят задачи мониторинга, выявления закономерностей и отражения индивидуальных траекторий функционирования развивающихся биосистем.

К третьему относится определение зон устойчивого функционирования и моментов перехода системы из одного состояния в другое.

Четвертый класс составляют задачи прогнозирования и управления.

Следует отметить, что обозначенные задачи несомненно актуальны при исследовании состояния биосистемы и, несмотря на то, что по данным направлениям ведутся работы много лет, в связи с появлением новых технологий требуются дополнительные исследования.

При выборе структуры модели необходимо отталкиваться от имеющейся в распоряжении исследователя информации об объекте исследования. Выбор структуры является важным этапом в решении прикладной задачи, поскольку он влияет не только на вычислительную сложность, но и на построение критериальных функций.

Удобнее работать с простыми, не перегруженными моделями и переходить к более сложным, если исходные не прошли тесты на подтверждение.

Для линейных систем чаще всего применяют модели черного ящика, которые приводят к некоторой обобщенной модельной структуре [209].

Во всех моделях необходимо знание коэффициентов модели. Однако на практике достаточно часто не удается определить численные характеристики системы. В связи с этим для определения коэффициентов применяют процедуру оценивания. Целью процедуры оценивания является выбор такого элемента, который позволяет наилучшим образом достичь результата.

В настоящее время существует ряд методов, отличающихся по используемому критерию оптимальности и имеющейся априорной информации. Широкое распространение для линейных динамических систем получили следующие виды оценок: байесовская оценка; оценка максимального правдоподобия; марковская оценка; оценка по методу наименьших квадратов (МНК).

Байесовская оценка – оценка с минимальным риском, априори известна плотность вероятности неизвестных параметров и величина штрафа за ошибки.

При оценке максимального правдоподобия задана плотность вероятности измеряемого случайного процесса. В марковской оценке известна ковариационная матрица шума. При МНК – задана динамика объекта.

Более сложно дело обстоит для нелинейных динамических систем.

Для нелинейных динамических систем в пространстве состояний широко используется модель, представленная в виде

Метод интегральной оценки состояния биосистемы

Показателями гомеостатической способности системы можно охарактеризовать степень сохранения реакции системы на внешние воздействия и степень сохранения адаптационных характеристик. Отклонение значений переменных в одну сторону от равновесных значений в пределах допустимых значений может компенсироваться отклонением значений переменных в другую сторону от равновесного значения в пределах допустимых значений и в целом, благодаря динамической взаимосвязи переменных, не нарушает состояния динамического гомеостаза.

Получение количественной оценки динамического гомеостаза предполагает учет динамики адаптационных процессов, отражающих индивидуальные особенности функционирования организма.

В работе рассматривается подход к адаптации биосистем через параметры временной и пространственной организации по совокупности существенных признаков. При изменении даже одного фактора внешней среды количественно изменяется не только соответствующая ему переменная биосистемы, но и связанная с ней адаптивная подсистема, перестраивающая количественные переменные других подсистем и всей биосистемы в целом. Учет взаимодействия существенных переменных позволяет получить эффективные оценки даже при условии небольших изменений параметров биосистемы, когда каждая в отдельности взятая переменная может не выходить за пределы допустимых отклонений. Таким образом, эффективный учет взаимодействия целого ряда переменных может быть агрегирован для получения обобщенной оценки состояния биосистемы. При разработке метода вычисления обобщенного показателя биосистемы Мать-плод, позволяющего получить интегральную оценку состояния биосистемы, были сформированы ряд требований:

математический аппарат, используемый для построения интегральной оценки, должен учитывать вариабельность и наличие взаимосвязей между признаками;

метод должен обеспечивать единообразие оценочного алгоритма для различных состояний биосистемы;

позволять проводить индивидуальную оценку состояния объекта исследования;

применение метода должно давать возможность получать такие оценки функционального состояния, как уровень функционирования (УФ), функциональный резерв (ФР), степень напряжения (СН).

В связи с этим для оценивания функционального состояния беременных женщин и детей построена обобщенная характеристика, которая позволяет оценить, как динамику адаптационных процессов [87, 90, 254], отражающих индивидуальные особенности функционирования организма, так и эффективность применения управляющих воздействий.

В работе исследованы три вида интегральных оценок: 1) интегральный критерий, в основе которого информационная мера Кульбака рассматривается как мера предпочтительности поведения биообъекта [53, 47]; 2) интегральный критерий, в основе которого лежит оценка меры близости областей наблюдаемого и референтного состояний в пространстве признаков, где мера близости в метрике Махаланобиса нормирована на внутримножественное расстояние области референтного состояния [260]; 3) энтропийный метод выявления реакции биосистемы на воздействие.

С целью оценивания степени отклонения состояния биосистемы от уровня нормального функционирования был исследован интегральный критерий на основе информационной меры Кульбака

На практике существуют различные виды норм. За обычную норму в медицине принимаются показатели здорового человека в спокойном состоянии, утром, натощак. Кроме этого, существуют «нормы адаптации» для активного состояния, сна и т. д. В связи с этим ориентироваться необходимо на показатели биосистемы с учетом конкретного состояния и условий. Следует различать индивидуальную норму и групповую, являющиеся статистической, или вероятностной. Каждая конкретная норма строго индивидуальна, и практически каждый организм представляет собой отклонение от нормы. Таким образом, понятие нормы - комплексное понятие, в которое входит не только норма в смысле нормативов, но и внешняя и внутренняя среда, которым эти нормативы должны соответствовать.

В работе при оценивании функционального состояния объекта исследования вероятность соответствия переменной х. предпочтительному состоянию рассчитана двумя способами (рисунок 11).

1. Отклонение (S) рассчитывалось от верхней и нижней границы нормы ().

2. Отклонение рассчитывалось от среднестатистических значений для контрольной группы: о (xj) = xj-д . P\( хJ) - вероятность, характеризующая текущее состояние, при котором значение переменной хj соответствует границам нормы [47].

Вследствие того, что в качестве предпочтительного состояния биосистемы в работе принято состояние объекта исследования, при котором не наблюдаются отклонения S = 0 от равновесного состояния, то вероятность P0 (Аx )=1.

Критерий (2.15) дает возможность оценить индивидуальные адаптационные возможности объекта исследования. Таким образом, имеем интегральную оценку адаптационного процесса, происходящего в системе под действием внутренних и внешних сил [85, 86]. При этом исходим из следующих принятых положений: если измеряемые параметры изменяются случайно, причем не наблюдается никакой закономерной тенденции, то система не переходит в новое состояние. При превышении информационными показателями принятого исходного уровня состояние системы изменяется.

Применение интегрального критерия для оценки адаптационных возможностей исследуемого объекта предполагает существование пороговых значений, превышение которых соответствует переходу в новое состояние.

Согласно [34] состояние, которое предшествует появлению заболеваний, называется донозологическим. Различают донозологические состояния (состояния адаптации), состояние напряжения, состояние предболезни (стадия неспецифических изменений) и стадию специфических изменений, возникающую при истощении защитных сил и нарушении равновесия между биосистемой и средой. Переход состояния перенапряжения в состояние заболевания является срывом адаптации и связан либо с недостаточностью компенсаторных механизмов, либо с их истощением. При введении пороговых значений был использован принятый в биокибернетике способ выделения градаций для количественных изменений исследуемых признаков (таблица 1).

Таким образом, оценивание адаптационного поведения биосистемы является важной задачей при наблюдении за динамическим гомеостазом, когда все внутренние ресурсы направлены на поддержание равновесного состояния в условиях нестабильной внешней и (или) внутренней среды.

Алгоритм разделения источников абдоминальной электрокардиограммы на основе синтеза метода слепого разделения источников и нейронных сетей

Рассмотрим решение задачи выделения сигналов отдельных источников из наблюдаемой смеси Хф х Хх ),.. )], Xj(t),x2(t),...xp(t)- наблюдения в момент времени t; р - количество ЭКГ-отведений. Определим вектор источников в момент времени t как

Физическая независимость биоэлектрических процессов сердцебиения матери и плода определяет статистическую независимость сигналов источников. Аналогичным образом делается предположение о статистической независимости от источников шумовых компонент nit) в разных каналах.

В случае отсутствия шумов задача состоит в нахождении разделяющей матрицы W с такими коэффициентами, которые бы являлись решением системы уравнений:

Матрица W является обратной по отношению к смешивающей матрице А. Если коэффициенты а. известны, то определить значения w tj не составляет труда, однако коэффициенты матрицы смешивания неизвестны.

Задачу слепого разделения источников материнской электрокардиограммы можно сформулировать следующим образом: определить коэффициенты смешивающей и разделяющей матриц, а также сигналы источников S(t) по нескольким независимым наблюдаемым значениям X(t).

Сформулированная таким образом задача называется задачей слепого разделения источников. Под формулировкой слепое в данном случае понимается то, что информация о характере разделяемых источников, свойствах регистрируемых сигналов и параметрах предоставляется в минимальном количестве. Предполагается статистическая независимость источников сигналов, неизменность коэффициентов смешивающей матрицы A на интервале наблюдения и о том, что плотность вероятности распределения амплитуд источников описывается определенным классом вероятностного распределения, наличие определенного класса вероятностного распределения, описывающего плотность вероятности амплитуд источников.

Анализ независимых компонент

Во многих работах по разделению источников медицинских сигналов используется метод fastICA (Fast Independent Component Analysis), являющийся одной из множества разновидностей алгоритмов слепого разделения источников [304].

Центральная предельная теорема говорит о том, что сумма независимых случайных значений стремится к нормальному распределению. Следовательно, чем больше слагаемых в данной сумме, тем больше она похожа на гауссиану. Априорным утверждением метода независимых компонент является отличное от нормального распределение статистически независимых источников.

Таким образом, линейная комбинация источников будет максимально негауссовой, если в точности представляет собой одну из независимых компонент. Для максимизации «негауссовости» необходимо определить меру количественной оценки степени разности распределений, например, обратная дифференциальная энтропия, которая представляет «упорядоченность» распределения случайной величины – негэнтропию.

В условиях заданного математического ожидания и дисперсии нормальное распределение характеризуется максимальной энтропией. При четкой кластеризации переменной и сосредоточении возле определенных значений мера ее неоднородности стремится к минимуму. Негэнтропия, напротив, будет стремиться к максимуму, в связи с этим она может быть использована как оптимальная мера оценки степени отличия источников сигнала. Негэнтропия Ду) задается формулой математическим ожиданием и отклонением, как у наблюдаемой переменной; Н(у) - энтропия случайной переменной, которая представляет собой один из источников в наблюдаемом сигнале ЭКГ, зарегистрированном в абдоминальном отведении.

Поскольку при вычислении негэнтропии возникает необходимость оценивать функцию плотности вероятности, Хювяринен [321] предложил использовать ее аппроксимацию: где Е - оператор математического ожидания; v - стандартизированная случайная переменная с нормальным распределением.

Дивергенция - удаленность друг от друга двух вероятностных распределений - оценивалась по формуле неквадратичной логарифмической функции: G(WTX) = logcosh( X). (4. 5)

Алгоритм анализа независимых компонент осуществляет поиск таких значений вектора W, что в пространстве, где он (вектор) является единичным, проецируемые вдоль него наблюдаемые данные W X максимизируют негэнтропию. Оптимум E{G(WTX)} достигается в точках приближения, где выполняется условие

Для решения уравнения можно использовать метода Ньютона. Обозначив левую часть (4.6) как F, получим градиент:

Чтобы упростить обращение матрицы, необходимо прибегнуть к приближению первого слагаемого уравнения (4.7), которое принимает вид E{xXTg{WTX)} « E{xXTE{g(WTX)}} = E{g(WTX)}l. (4. 8)

Нахождение решения уравнения (4.8) после всех преобразований сводится к итерационной процедуре поиска нового значения w : FM E{XG(W?X)\

Постановка и решение задачи слепого разделения источников как поиск коэффициентов, разделяющей матрицы, которые бы являлись решением системы линейных уравнений, оставляют открытыми множество вопросов.

Первый и немаловажный вопрос - количество источников. Как следует из самой постановки задачи, ее строгое решение возможно лишь для числа независимых источников, совпадающего с числом наблюдаемых сигналов.

Второй вопрос - стационарность и линейность смешивания. Большое количество медицинских сигналов не соответствуют требованиям линейности, неизменности статистических характеристик источников и коэффициентов смешивающей матрицы на интервале наблюдения.

Третий вопрос - определение принадлежности выделенных источников. Согласно методу слепого разделения, значение конкретного источника смеси получается в результате линейной комбинации вектора наблюдения X(t) и строки матрицы разделяющих коэффициентов W(t). Можно сказать, что каждому источнику соответствует своя строка в матрице разделяющих коэффициентов. Но специфика анализа независимых компонент такова, что при каждом новом получении матрицы разделяющих коэффициентов строки матрицы соответствуют случайному источнику смеси.

Оценивание функционального состояния беременных женщин

Оценка функционального состояния и эффективности лечения беременных женщин осуществлялась на основе реализации алгоритма построения обобщенных оценок, где информационная мера рассматривается как мера предпочтительности поведения биообъекта.

В результате обследования женщин, вошедших в обучающую выборку, получены обобщенные оценки на каждом временном срезе. Для детального изучения характера динамики изменения функционального состояния биосистемы Мать-плод обобщенные оценки рассмотрены в некотором временном диапазоне как адаптационные характеристики. На рисунке 47 приведен пример отображения динамики удовлетворительного функционального состояния, где временные срезы (отсчеты) соответствуют неделям беременности.

При исследовании динамики функционального состояния организма беременной женщины в условиях структурно-функциональных изменений была замечена идентичность с динамикой адаптации организма ребенка в раннем возрасте. Нахождение пороговых значений для интегрального критерия оценки функционального состояния беременных женщин было осуществлено посредством принятого в биокибернетике способа выделения градаций (Глава 2).

Анализ функций, построенных по значениям обобщенного показателя МиП, вычисленным по показателям беременных женщин из обучающей выборки в соответствии с полученными пороговыми значениями, позволил выделить 4 основных типа функционирования. Выделенные типы функционирования приведены в приложении 3.

Оценка эффективности применения рекомендованной схемы лечения на изменения, происходящие в функционировании беременной женщины и подготовленность ее к родам (приложение 3 таблица 47) , осуществляется с помощью разработанного комплекса алгоритмов расчета динамических параметров, информационного анализа (приложение 3 таблицы 42–46, 62-63), поиска гиперпараметров бионической модели выбора управляющих воздействий (приложение 3 рисунки 62–70), но основе которых реализована информационная система «Формула жизни».

Выбор управляющих воздействий осуществляется на основе генетического алгоритма с явным и неявным представлением исходной информации. Посредством генетического алгоритма осуществляются операции с популяциями хромосом до тех пор, пока не будет найдена такая особь, значений целевой функции которой будет соответствовать диапазону нормального функционирования состояния биосистемы от 0,1 до 1,0.

Гены представляют собой нейросетевые модели управляющих воздействий. Значения целевой функции генетического алгоритма определяются как отклонение прогнозируемого нейронной сетью (геном) значения обобщенного показателя от нормы. Причем может использоваться средняя обобщённая оценка состояния биосистемы Мать-плод как по всем генам (по всем временным срезам), так и по последнему (временному срезу на момент завершения воздействия).

Оценка эффективности лечения (выбор последовательности управляющих воздействий (УВ)) осуществляется посредством полученных прогнозных значений обобщенных оценок функционального состояния после/во время осуществления управляющих воздействий на основе нейросетевого подхода. На рисунке 48 показана динамика изменения функционального состояния беременных женщин с учетом управляющего воздействия.

Анализ полученных результатов позволил сделать вывод о том, что изменение функционального состояния здоровья женщин в контрольной группе говорит о физиологических изменениях в организме здоровой беременной женщины.

Положительная динамика значений обобщенного показателя получена в основной группе, что свидетельствует о том, что проведение оздоровительных мероприятий способствует положительной адаптации к условиям внутренней и внешней среды и снижению напряжения в организме женщины. В частности, включение в лечебный комплекс дыхательной и аквагимнастики обусловило оптимизацию протекания восстановительных процессов в организме женщины и благотворно повлияло на состояние здоровья детей в раннем возрасте, что подтверждено результатами исследований, проводимых на базе ЛОЦ «Здоровая мама- крепкий малыш», Научно-клинического консультативного Центра гормонального здоровья и Национального центра акушерства, гинекологии и перинатологии.

В таблице 19 приведена информация о состоянии здоровья новорожденных в соответствии с состоянием здоровья и применением/ отсутствием управляющих воздействий.

Анализ результатов, позволил сделать вывод, что выбор рекомендованной схемы управляющих воздействий позволил снизить количество женщин в состоянии напряженности на 4 % в 1-й группе (УВ №1), на 14 % во 2-й группе (УВ №2) и на 13 % – в 3-й группе (УВ №3). Отметим, что улучшение состояния здоровья женщины в основной группе отразилось на количестве рожденных здоровых новорожденных. Увеличение (на 17%) количества здоровых детей с оценкой 8–10 баллов по шкале Апгар наблюдалось в основной группе по отношению к группе сравнения, что подтверждено актом о внедрении ЛОЦ «Здоровая мама – крепкий малыш» от 15.02.18.

С целью оценки скорости сходимости алгоритмов выбора управляющих воздействий на исходных реальных данных был проведен анализ результатов (таблица 20), полученных посредством методов имитации отжига (Больцмановского отжига, отжига Коши, быстрого отжига) и генетического алгоритма при 100 независимых запусках.

По результатам, приведенным в таблице для конкретного объекта исследования, можно сделать вывод, что комплекс оптимальных корректирующих мероприятий, в соответствии с триместрами (для приведенного примера), должен включать 3-1-1 коррекционные комплексы.

Правильный, обоснованный выбор и реализация последовательности коррекционных мероприятий (в соответствии с внедрением результатов работы в ЛОЦ «Здоровая мама-крепкий малыш») позволил у 86% женщин основной группы, в анамнеза которых диагностировано заболевание анемия в 1 триместре беременности, и получающих комплекс коррекционных мероприятий, к третьему триместру беременности компенсировать отклонение показателей от нормы.