лом, блок управления должен обеспечивать частоту опроса датчиков около
200 Гц.
Информация с датчиков на блок управления может передаваться проводным способом, либо беспроводным (радиосвязь, Wi-Fi). Последний способ предполагает использование соответствующего дополнительного оборудования, и в виду этого, а также большой вероятности возникновения помех при передаче данных, нами рассматриваться не будет.
В случае большой нагрузки на блок управления вследствие разветвленности системы или использования большого количества датчиков можно будет использовать несколько блоков управления, объединенных в одну локальную вычислительную сеть через маршрутизатор и сервер.
Исходя из масштабов, разветвленности и сложности обслуживания различных технологических систем разработка модели поиска дефектов даст возможность своевременного и точного диагностирования поломок, и, как следствие, предотвращения аварий, а также многократно увеличит скорость обслуживания, ввиду сведения к минимуму работу по поиску дефектного участка [18].
Нами были подробно рассмотрены и проанализированы основные методы частотного анализа, а так же различные области и направления их применения. Были определены основные требования к разрабатываемой модели определения дефектов и, как итог, разработана и подготовлена к дальнейшей реализации физическая модель системы определения дефектов в технологических системах, основанная на использовании частотных методов [17].
Преимуществами данной модели являются:
1)возможность регулирования периодичности анализа технологической среды на предмет наличия дефектов;
2)возможность обнаружения точного обнаружения конкретной дефектной области технологической системы.
3)универсальность использования в различных технологических средах, благодаря возможности задания эталонных параметров;
4)относительно невысокая стоимость оборудования;
5)простота и интуитивная понятность в эксплуатации;
6)высокая надежность за счет отсутствия сложных элементов.
Модель ввиду своих особенностей будет универсальна для технологических систем и магистралей поставляющих, как жидкие, так и газообразные вещества. В связи с этим, применение данной модели возможно в совершенно разных областях промышленности [17].
Внедрение и последующая эффективная эксплуатация данной модели позволит, за счет предупреждения аварийных ситуаций и возможности обнаружения отклонений с точностью до дефектного узла, увеличить срок службы оборудования и значительно сократить расходы на его обслуживаниеи ремонт [17].
165
Литература
1.Сергиенко, А.Б. Цифровая обработка сигналов [Текст] / А.Б. Сергиенко. – СПб.: Питер, 2002. – 608 с.
2.Тhompson, D.J. Spectrum Estimation Techniques for Characterization and Development of WT4 Waveguide-II Bell Sytech. J., vol. 56, December 1977.
3.Heideman, M. Gauss and the history of the fast fourier transform / M. Heideman, D. Johnson, C. Burrus // IEEE ASSP Magazine, Vol. 1, Issue 4, October 1984, p. 14-21.
4.Баскаков, С.И. Радиотехнические цепи и сигналы [Текст] / С.И. Баскаков. – Изд. пятое, стереотипное. – Москва: Высшая школа, 2005. – 462 с.
5.Hayes, Monson H. Statistical Digital Signal Processing and Modeling / John Wiley and Sons, // Inc., 1996. ISBN 0-471-59431-8.
6.Марпл, С.Л. мл. Цифровой спектральный анализ и его приложения [Текст] / С. Л. Марпл мл. – Москва: Мир, 1990. – 571 с.
7.Дастин, Э. Тестирование программного обеспечения. Внедрение, управление и автоматизация [Текст] / Э. Дастин, Д. Рэшка, Д. Пол; пер. с англ. М. Павлов. – М.: Лори, 2013. – 567 c.
8.Ленивкин, В.А. Электротехнологические процессы и оборудование [Текст] / В.А. Ленивкин, Е.Л. Стрижаков. –Рн/Д: Изд. центр ДГТУ, 2007. – 266 c.
9.Сторчак, Н.Н. Технологические процессы производства [Текст] / Н.Н. Сторчак. – М.: МГИУ, 2008. – 126 c.
10.Схиртладзе, А.Г. Технологические процессы автоматизированного производства [Текст] / А.Г. Схиртладзе, А.В. Скворцов. – Вологда: ИнфраИнженерия, 2011. – 400 c.
11.Бородин, И.Ф. Автоматизация технологических процессов и системы автоматического управления (ССУЗ) [Текст] / И.Ф. Бородин. – М.: Колос, С,
2006. – 352 c.
12.Брюханов, В.Н. Автоматизация производства [Текст] / В.Н. Брюханов.
–М.: Высшая школа, 2005. – 367 c.
13.Управление проектами. Справочное пособие [Текст] / под ред. И.И. Мазура и В.Д. Шапиро. – М.: Высшая школа, 2001.
14.Abramov, G.V. Information system for diagnosis of respiratory system diseases / G. V. Abramov, L. A. Korobova, A. L. Ivashin, I. A. Matytsina I.A. // Journal of Physics: Conference Series (см. в книгах). 2018. Т. 1015. С. 042036.
15.Коробова, Л.А. Программная реализация нечеткой модели распознавания звуковых сигналов / Л.А. Коробова, Т.В. Курченкова, И.А. Матыцина // Научные ведомости Белгородского государственного университета. Серия: Математика. Физика. 2016. № 13 (234). С. 174-178.
16.Абрамов Г.В. Анализ и использование математических методов для распознавания звуковых сигналов / Г.В. Абрамов, Л.А. Коробова, А.Л. Ивашин, И.А. Матыцина // Вестник Воронежского государственного университета инженерных технологий. 2015. № 2 (64). С. 61-65.
166
17.Калугин, В.А. Обнаружение дефектов в технологических трубопроводах / В.А. Калугин, Л.А. Коробова // В сборнике: Моделирование энергоинформационных процессов. Сборник материалов VII национальной научнопрактической конференции с международным участием. 2019. С. 242-250.
18.Bukharin, S.V. The method of immersion the problem of comparing technical objects in an expert shell in the class of artificial intelligence algorithms / S.V Bukharin, A.V. Melnikov, S.N. Chernyaeva, L.A. Korobova // В сборнике: IOP Conference Series: Materials Science and Engineering International Conference on Materials. 2017. С. 012208.
ФГБОУ ВО «Воронежский государственный университет инженерных технологий», Россия
УДК 004.6
А.А. Махмутова, Л.Р. Ахмадеева, А.Ф. Тимирова, И.А. Лакман
МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ПО ПРОГНОЗИРОВАНИЮ ПРОЦЕССА ВОССТАНОВЛЕНИЯ ПОСЛЕ ПЕРЕНЕСЕННОГО ИНСУЛЬТА
Целью исследования являлось создание реестра пациентов для медицинского учреждения для возможности отслеживания изменения в динамике течения болезни, а также повышение эффективности реабилитационных мер после перенесенного инсульта за счёт прогнозирования исхода реабилитации с помощью соответствующего программного продукта. Методы. На первом этапе была создана база данных пациентов. В качестве объекта исследования использовалась статистика за 6 месяцев по 265 пациентам. Для проведения исследования была использована модель множественного выбора с упорядоченными альтернативами. Для проверки корректности построенной модели применялся расчёт показателей качества на основе матрицы сопряженности. По полученной модели было разработано программное обеспечение. Результаты. При построении модели были определены значимые факторы. Модель успешно угадывает попадание в альтернативу 2 (хорошая динамика) и 0 (отсутствие динамики), показывает средние результаты для альтернатив 1, 3, отсутствуют глобальные ошибки определения попаданий в альтернативу. По итогам проведенной работы было получено свидетельство о государственной регистрации программы для ЭВМ. Имеется акт о внедрении программного продукта в ГБУЗ РБ ГКБ №21 г. Уфа.
Выводы. Модель множественного выбора с упорядоченными альтернативами оказалась перспективным инструментом для анализа статистических данных о больных. Новизной работы является использование шкалы NIHSS не как предиктора, а как прогнозируемого показателя. Система позволяет повысить эффективность медицинского обеспечения для пациентов с инсультом, учесть
167
влияние определенных факторов на здоровье конкретного пациента, обеспечивает безопасность хранения конфиденциальной информации и удобство оперирования клиентской информацией. Использование реестра обеспечит получение качественной статистики по состоянию здоровья пациентов и динамике их восстановления, предоставит возможности для дальнейшего анализа.
На сегодняшний день инсульт стабильно остаётся одной из наиболее частых причин смертности в мире. По дан ным Всемирной организации здравоохранения сосудистые заболевания мозга занимают второе место среди смертности от заболеваний системы кровообращения после ишемической болезни сердца.
Процесс восстановления у пациентов, перенесших инсульт, напрямую зависит от условий лечения в остром периоде и в дальнейшем соблюдении плана реабилитации. В связи с этим имеется необходимость создать инструмент, позволяющий оценить вероятность восстановления больного после перенесённого инсульта.
Кроме того, для назначения эффективного индивидуального плана реабилитации врачу необходимо предусмотреть все возможные варианты развития событий, определить, как может измениться состояние больного. При этом в каждом конкретном случае следует учитывать общие характеристики больного, его возрастные особенности, фоновые заболевания и прочие факторы [5].
Поскольку в сферу здравоохранения всё больше проникают информационные технологии, а их внедрение и рациональное использование имеют первостепенное значение, следует использовать их возможности для решения перечисленных проблем [3].
Например, ведение реестра позволит проводить долгосрочное отслеживание течения заболевания. Создание реестров пациентов позволит значительно увеличить эффективность медицинского обеспечения и облегчит процесс контроля оказания услуг [2]. Интеграция подобных реестров с другими системами предоставит множество возможностей для анализа данных, изучения статистики и составления прогнозов по исходу лечения пациентов, а накопляемая в базе информация позволит получить объективные данные для будущих исследований [6]. А проектирование прогностической модели даст возможность предугадывать вероятный сценарий развития болезни на основе индивидуальных характеристик [4].
Одной из самых применимых шкал для оценки ранних результатов состояния постинсультного больного является шкала NIHSS [7]. Она часто используется в качестве предиктора, однако работы с предсказанием показателей самой шкалы NIHSS практически отсутствуют.
В данной статье описывается разработка математического и программного обеспечения, предоставляющего функции хранения данных пациентов, возможности их редактирования, добавления, удаления, расчёта оценки вероятности восстановления для конкретного пациента, а именно прогнозирование разностей показателей шкалы NIHSS.
168
Данная система была разработана в содействии с Башкирским государственным медицинским университетом и ГБУЗ РБ ГКБ №21 г. Уфы.
Цели и задачи исследования.
Целью исследования являлось создание реестра пациентов для медицинского учреждения для возможности отслеживания изменения в динамике течения болезни, а также повышение эффективности реабилитационных мер после перенесенного инсульта с помощью созданной информационной системы.
Были поставлены следующие задачи:
–создание модели для оценки вероятности восстановления пациента;
–создание реестра пациентов, перенёсших инсульт;
–создание приложения для взаимодействия с базой данных и автоматической оценки вероятности восстановления пациента.
Материалы и методы исследования Данное исследование проводилось согласно следующим этапам:
1)предобработка данных для возможности проведения анализа и построения модели;
2)выбор алгоритма и построение модели;
3)оценка качества полученной модели;
4)расчёт метрик качества;
5)реализация программного обеспечения по полученной модели.
На первом этапе необходимо было подготовить данные для их последующего анализа. В качестве материала для исследования была использована статистика за 6 месяцев, объектами стали 265 пациентов, перенёсших инсульт и проходивших последующее лечение, в возрасте старше 40 лет.
Для каждого пациента имелась информация по 29 параметрам, таким как: койко-дни в ОРИТ, БРИТ, НСО, ОСХ, ОМР, перенесенные операции, повторное поступление, возраст, пол, диагноз, период восстановления, подтип инсульта, наличие фоновых заболеваний, социальная категория (работающий, пенсионер, инвалид, безработный), информация о лечении и назначаемых процедурах, а так же оценки состояния пациента (тревога, депрессия, MoCA).
Все данные хранятся в реляционной базе данных MySQL в следующих таблицах:
–Personal_data – хранит персональные данные пациента;
–Contact_number – номера телефонов пациента (может быть несколько);
–Hospitalization – госпитализации пациента (может быть несколько);
–Background_diseases – фоновые заболевания;
–Information_about_stroke – информация об ОНМК;
–Medication_NSO – медикаментозное лечение в НСО;
–Medication_OMR – медикаментозное лечение в ОМР;
–Physiotherapy – физиотерапевтическое лечение;
–Kinesiotherapy – кинезиотерапия;
–Evaluation_scales – оценочные шкалы (две – до и после).
169