Нечеткие модели для оценки уровня адаптационного потенциала центральной нервной системы у инженерно-технического персонала

Целью исследования является разработка метода оценки уровня адаптационного потенциала центральной нервной системы, позволяющего обеспечить повышение качества принимаемых решений в задачах прогнозирования и диагностики заболеваний, характерных для инженерно-технического персонала.

Методы. Показано, что адаптационный потенциал представляют собой нечеткую переменную, описываемую в рамках классической теории нечеткой логики. В рамках этой методологии для синтеза решающих правил оценки уровня адаптационного потенциала центральной нервной системы вводятся нормирующие функции уровня адаптации для показателей, выбираемых из набора тестовых методик, описывающих состояние исследуемой системы, которые агрегируются в искомую гибридную нечеткую модель. Учитывая, что инженерный труд часто сопровождается высоким уровнем психоэмоционального напряжения и умственного утомления, для оценки состояния центральной нервной системы выбран прибор контроля функций внимания и памяти, позволяющий сформировать необходимый для решения поставленных задач объем исходных данных.

Результаты. В ходе проведенных исследований для синтеза решающих правил оценки уровня адаптационного потенциала центральной нервной системы, с учетом специфики труда инженерно-технических работников был сформирован набор информативных признаков: уровень личной и ситуативной тревожности, концентрированность внимания и показатель, характеризующий состояние блоков оперативной памяти, вычисляемый по методике определения отсутствующей цифры. Для этого набора показателей были получены соответствующие нормирующие функции уровня адаптации, агрегация которых дает искомую нечеткую математическую модель оценки уровня адаптационного потенциала центральной нервной системы.

Заключение. В ходе проведенных исследований был разработан метод оценки уровня адаптационного потенциала центральной нервной системы и получена соответствующая нечеткая модель оценки уровня этого потенциала с ориентацией на особенности труда инженерно-технических работников. В ходе экспертного оценивания и математического моделирования было показано, что уверенность в правильной оценке уровня адаптационного потенциала центральной нервной системы превышает величину 0,9.

1. Ломов Б. Ф. Основные проблемы инженерной психологии // Институт психологии Российской академии наук. Организационная психология и психология труда. 2022. Т. 7, № 1. С. 226–262. https://doi.org/10.38098/ipran.opwp_2022_22_1_011

2. Брумштейн Ю. М., Молимонов Д. А. Модели, методы, технические средства управления рисками проектирования, создания и эксплуатации сложных человеко-машинных систем с учетом психофизиологических характеристик людей-операторов // Прикаспийский журнал: управление и высокие технологии. 2019. № 3 (47). С. 143–162.

3. Матель В. А., Шишлянникова О. А. Система «человек-машина» и анализ и влияние факторов среды на производительность и здоровье работников // Российский экономический вестник. 2023. Т. 6, № 2. С. 58–63.

4. Брумштейн Ю. М., Молимонов Д. А. Математические модели и методы решения задач информационного обеспечения, управления и оценки качества работы операторов в сложных человеко-машинных системах // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2019. № 3. С. 73–89. https://doi.org/10.24143/2072-9502-2019-3-73-89

5. Анализ когнитивных функций и нейрофизиологических процессов при адаптации человека к условиям арктики / Е. П. Муртазина, И. И. Коробейникова, Л. В. Поскотинова, Н. А. Каратыгин, С. С. Перцов // Российский медико-биологический вестник имени академика И. П. Павлова. 2023. Т. 31, № 2. С. 293–304. https://doi.org/10.17816/PAVLOVJ109581

6. Величковский Б. Б. Когнитивные эффекты умственного утомления // Вестник Московского университета. Серия 14: Психология. 2019. № 1. С. 108–122. https://doi.org/10.11621/vsp.2019.01.108

7. Применение инструментов дискретной оптимизации для классификации когнитивного дефицита: особенности использования минимаксного и аддитивного критериев / Ю. А. Мезенцев, О. М. Разумникова, П. С. Павлов, И. В. Тарасова, О. А. Трубникова // Программные продукты и системы. 2021. № 4. С. 579–588. https://doi.org/10.15827/0236-235X.136.579-588

8. Когнитивные расстройства у пациентов умственного труда с хронической ишемией головного мозга, их профессиональная дезадаптация и выгорание / М. А. Трещинская, В. Д. Мишиев, Л. Н. Сулий, М. В. Глоба // Психиатрия, психотерапия и клиническая психология. 2019. Т. 10, № 2. С. 241–250.

9. Ахапкин Р. В., Файзуллоев А. З. Структура когнитивных нарушений у больных с не психотическими депрессивными расстройствами // Кремлевская медицина. Клинический вестник. 2020. № 3. С. 54–64.

10. Фешин Б. Н. Оператор-диспетчер в интегрированных системах управления. Информационно-психологическая подготовка // Автоматика. Информатика. 2020. № 2. С. 31–35.

11. Родионова С. Н. Метод оценки неспецифической защиты организма человека по показателям, характеризующим процессы адаптации // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13, № 4. С. 175–192. https://doi.org/10.21869/2223-1536-2023-13-4-175-192

12. Математические модели прогнозирования и ранней диагностики заболеваний нервной системы, провоцируемых комбинированным воздействием разнородных факторов риска / Т. Н. Говорухина, М. А. Мясоедова, И. Ю. Григоров, А. В. Поляков // Системный анализ и управление в биомедицинских системах. 2019. Т. 18, № 2. С. 110–116. https://doi.org/10.25987/VSTU.2019.18.2.022

13. Быков А. В. Метод и нечеткая модель оценки степени тяжести ишемической болезни центральной гемодинамической системы // Вестник новых медицинских технологий. 2019. Т. 24, № 4. С. 144–150. https://doi.org/10.12737/article_5a38fb1e7bef61.32280165

14. Прогнозирование и оценка степени тяжести ишемии сердца на основе гибридных нечётких моделей / И. А. Комлев, О. В. Шаталова, С. В. Дегтярев, А. В. Серебровский // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 1 (30). С. 133–145. https://www.elibrary.ru/item.asp?id=50423113

15. Методы и алгоритмы формирования слабых классификаторов в ансамбле классификаторов прогнозирования сердечно-сосудистых рисков / З. У. Протасова, О. В. Шаталова, А. А. Б. Дафалла, С. В. Дегтярев // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 3 (32). С. 64–83.

16. Шаталова О. В., Медников Д. А., Протасова З. У. Мультиагентная интеллектуальная система для прогноза риска сердечно-сосудистых осложнений с синергетическими каналами // Системный анализ и управление в биомедицинских системах. 2020. Т. 19, № 3. С. 177–188. https://doi.org/10.36622/VSTU.2020.19.3.023

17. Модели латентных предикторов в интеллектуальных системах прогнозирования состояния живых систем / А. В. Киселев, О. В. Шаталова, З. У. Протасова, С. А. Филист, Н. С. Стадниченко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 1. С. 114–133.

18. Кореневский Н. А., Родионова С. Н., Хрипина И. И. Методология синтеза гибридных нечетких решающих правил для медицинских интеллектуальных систем поддержки притяни решений: монография. Старый Оскол: ТНТ, 2019. 472 с.

19. Стародубцева Л. В. История разработки аналоговых нейронных сетей и перспективы их использования для медицинских приложений в разработках советских ученых // Медицинская техника. 2022. № 4 (334). С. 46–48.

20. Стародубцева Л. В. Вклад курских исследователей в развитие систем обработки символьной информации // История и педагогика естествознания. 2021. № 3-4. С. 61– 65. https://doi.org/10.24412/2226-2296-2021-3-4-61-65

21. Метод синтеза математических моделей прогнозирования и ранней диагностики нарушений когнитивных функций / Н. А. Кореневский, А. В. Поляков, С. Н. Родионова, Т. Н. Говорухина // Системный анализ и управление в биотехнических системах. 2019. Т. 18, № 4. С. 85–92. https://doi.org/10.25987/VSTU.2020.18.4.011

22. Метод и нечеткие модели оценки функциональных состояний оперативной памяти / А. Ю. Рыбаков, С. Н. Родионова, К. В., Разумова, Н. А. Милостная, Н. Л. Коржук // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 2. С. 106–125. https://doi.org/10.21869/2223-1536-2024-14-2-106-125