Прогностическая модель оценки функционального состояния организма студентов

Ввведение. Потребность в исследовании адаптации студентов к учебным нагрузкам сохраняется в связи с их возрастанием и происходящим одновременно ухудшением функционального состояния организма, влияющего на стояние здоровья. Здоровье - одно из обязательных условий полноценного выполнения студентом своих учебных, а в будущем и профессиональных функций (Авдиенко, 2007; Розов, 2007; Алтынова и др., 2009). Для организации адекватных организационных и медико-социальных мероприятий по предупреждению формирования нарушений здоровья в молодом возрасте необходим поиск ранних критериев оценки функционального состояния организма и прогнозирования его изменений (Бусловская, Рыжкова, 2010; Сараева, 2011; Кузнецова, Павлущенко, 2013; Полька, Бердник, 2013). С этой целью используется комплексный подход на основе современных методов информационных технологий (Щедрина, 2007, 2009; Трапезникова, 2011; Гриценко и др., 2013).

В настоящей работы мы задались целью построить прогностическую модель оценки функционального состояния организма студентов на основе психофизиологических показателей с помощью интеллектуального и статистического анализа Data Mining.

Методика. Обследовано 415 студентов медицинского университета (241 девушка и 174 юноши). Проводили оценку темпераментальных (нейротизм, личностная тревожность) и нейродинамических (уравновешенность и скорость нервных процессов, индивидуальное восприятие времени) особенностей (Римская, Римский, 1999; Лила и др., 2013). По данным вариабельности сердечного ритма определяли уровень функционального состояния организма студентов: удовлетворительный, напряженный и перенапряженный (Шлык, 2009). Для построения прогностической модели путем случайного отбора была

Вестник ТвГУ. Серия "Биология и экология". 2015. № 1

сформирована обучающая выборка, в которую вошли ПО девушек и 89 юношей. В проверочную выборку, необходимую для проведения биологической верификации сформированной модели, вошли 131 девушка и 85 юношей.

Предварительный статистический анализ полученных результатов проводили методами описательной статистики и кросстабуляционных таблиц с помощью модулей системы «STATISTIC А 10». Оценку многомерных данных и разработку прогностической модели проводили средствами интеллектуального и статистического анализа: визуальный Data Mining и определение прогностических классификационных правил в среде свободно распространяемого программного обеспечения ViDaExpert 1.2.

Результаты и обсуждение. Для оценки функционального состояния организма необходимо учитывать особенности деятельности различных систем, в первую очередь, нервной и сердечно-сосудистой, которые обеспечивают приспособительные реакции организма. Поэтому мы исследовали темпераментальные и нейродинамические характеристики и определяли возможность их использования для прогнозирования индивидуального уровня функционального состояния исследуемых студентов с помощью современного метода статистического анализа. Для этого сформировали три группы студентов с разным уровнем функционального состояния, в которые включались юноши и девушки: удовлетворительный уровень -37 (42%) юношей, 40 (37%) девушек; напряжение - 27 (30%) юношей, 42 (38%) девушки; перенапряжение — 25 (28%) юношей, 28 (25%) девушек. Эти группы использовали как обучающие для создания прогностической модели.

Для реализации построения прогностической модели в качестве исходных данных была выбрана совокупность признаков, отражающих психофизиологические характеристики, группы прогноза составили три известных уровня функционального состояния. Характеристики выражались совокупностью данных порядкового и количественного типов. Порядковые признаки предварительно шкалировались, после чего, вместе с количественными, были центрированы и нормированы. Результаты этой подготовки представляли в виде таблицы «объект-признак». Следующий шаг анализа - превращение исходных данных в удобный для восприятия графический образ путем их проецирования на заданную определенным образом двумерную плоскость. Созданный образ отражает объективные количественные многомерные свойства и совокупность характеристик объектов. Одним из аспектов визуального представления большого массива числовых данных является нормировка значений исходного множества объектов по каждому из параметров (т.е. по осям многомерного пространства). В программе предусмотрен режим ранжирования исходных значений, т.е. переход по

Вестник ТвГУ. Серия "Биология и экология". 2015. № 1

всем осям от реальных значений к ранговым. Благодаря использованию этой процедуры достигается статистически естественное нормирование, которое обеспечивает сохранение свойств выборки.

Для поиска зависимости признаков, на основе которых строилась модель и оценки степени их взаимного влияния, обнаружения главных и переменных, которые не коррелируют с последующей классификацией с помощью построенного редуцированного факторного пространства в рамках исследуемых групп юношей и девушек, были проведены корреляционный анализ и выявление главных компонент (РСА). Полученные результаты показали наличие корреляции между выбранными признаками, как у девушек, так и у юношей (табл. 1).

Таблица 1

Значимые корреляции признаков для построения модели

	Юноши				Девушки
	LT	Трг	FV	IM	LT	Трг	FV	IM
Е	-	0,24	-0,26	-0,23	-	0,28	-0,33	-0,16
LT		0,21	-0,16	-0,22		0,17	-0,34	-0,13
Трг			-0,54	-0,78			-0,28	-0,43
FV				0,43				-

Примечание. Е — нейротизм, LT — личностная тревожность, Трг — время преобладания реакции на движущийся объект, FV - показатель функциональных возможностей центральной нервной системы, IM - индивидуальная минута.

Как один из наиболее распространенных методов факторного анализа метод главных компонент состоит в последовательном поиске факторов. Первый фактор объясняет наибольшую часть дисперсии; не зависимый от него второй фактор объясняет наибольшую часть оставшейся дисперсии (Ковалева, Ростовцев, 2002). В группах юношей и девушек было выявлено три главных компоненты (табл. 2).

С помощью главных компонентов выделили три ортогональных оси, которые являются комбинациями переменных, в наибольшей степени характеризуют объясненную дисперсию вариабельности данных. Эти оси используются в целях дальнейшего проектирования набора точек и формирования совокупности данных в виде облаков для предварительной визуальной оценки структуры исследуемых данных (рис. 1). За счет ландшафтного расположения облаков судили о внутренней структуре данных, а об их сходстве или различии - по евклидовому расстоянию между точками.

Таблица 2

Результаты выявления главных компонент в группах юношей и девушек

Группа	№ признака по порядку	№ фактора	Признак	1	2	3	4	5
Юноши	1	4	Е	0,289	0,543	0,723	0,205	0,011
	2	5	LT	0,025	0,059	-0,330	-0,116	0,056
	3	1	Трг	0,573	0,006	-0,260	0,203	0,739
	4	3	FV	-0,472	-0,138	0,010	0,848	0,159
	5	2	IM	-0,551	0,040	0,294	-0,429	0,652
	Дисперсия			0,500	0,194	0,172	0,099	0,034
	Общая дисперсия			0,400	0,724	0,867	0,966	1,000
Девушки	1	2	Е	0,488	0,087	0,693	0,317	0,410
	2	1	LT	0,507	0,315	0,119	-0,260	-0,712
	3	4	Трг	0,348	-0,380	-0,187	0,533	-0,329
	4	3	FV	-0,383	0,738	0,087	0,472	-0,175
	5	5	IM	-0,212	-0,295	0,006	0,536	-0,239
	Дисперсия			0,503	0,242	0,115	0,079	0,061
	Общая дисперсия			0,403	0,755	0,861	0,939	1,000

Рис. 1 . Распределение облаков данных в виде «объект-точка» для групп девушек (А) и юношей (Б) с различным уровнем функционального состояния в трехмерном факторном пространстве:

коричневые ромбы - удовлетворительный уровень функционального состояния, красные квадраты - напряжение, зеленые треугольники - перенапряжение;

две оси отражены на плоскости, а третья находится в ортогональном положении к первым двум

Для дальнейшей визуализации многомерных данных была применена ГИС-технология с целью построения линий уровня и раскраски карты (картографирование). Данный метод позволяет наглядно представить расположение точек-объектов, восстановить пробелы в данных и построить прогноз. На картах, приведенных на рис. 2, представлена закономерность взаимосвязей между объектами с различным уровнем функционального состояния, отражена плотностью

Вестник ТвГУ. Серия "Биология и экология". 2015. № 1

распределения точек. Области различной плотности скопления точек закрашиваются по-разному.

Рис. 2 . Картографирование набора признаков, отражающих закономерность взаимосвязей между объектами с различным уровнем функционального состояния для девушек (а) и юношей (б): такие же, как па рис. 1; различные цвета областей отражают плотность распределения точек: 20 - синий, 40 - голубой, 60 - зеленый, 80 - желтый, 100 - красный

Проведения визуализация многомерных данных средствами Data Mining лежит в основе создания прогностических-классификационных правил, позволяющих провести классификацию исследуемых студентов по прогностическим группам с различным уровнем функционального состояния. С помощью решающих правил были получены результаты классификации всех объектов обучающей выборки, которые представлены в виде проекции точек на плоскости (рис. 3). При этом четко визуализируется компактное распределение объектов с похожим набором признаков. Достоверность в трех прогнозируемых группах, как у юношей, так и у девушек была высокой. В обеих группах процент ошибки первого и второго рода составлял от 0% до 3,57%, что свидетельствует о достаточно четком и правильном распределении объектов прогнозируемых классов. Вид полученных в результате исследований классификационных функций для девушек и юношей представлены в табл. 3.

(^ E26S34

1а

Рис. 3 . Построение классификационно-прогностических правил для классов с удовлетворительным уровнем функционального состояния (а), с напряжением (б) и перенапряжением (в) у девушек (1) и юношей (2): Черным цветом выделены объекты, выключились из рассмотрения при построении классификационных функций

-40 -

2в

Таблица 3

Прогноз уровня функционального состояния	Вид функций
	Девушки	Юноши
Удовлетворительный	fUD(X) = (-0,19519)*Е + (-0,1907)*Lt + (-0,1461 l)*Tpr + 0,707916*FV + 0,297275*IM + (-0,52251)	WX) = (-0,46591)*E + (-0,5641)*Lt + (-0,33394)*Tpr + (-0,09663)*FV + (-0,06812)*IM + (-0,47262)
Напряжения	fN(X) = (-0,44953)*E + 0,140162*Lt + (-0,35496)*Tpr + (-0,60283)*FV + (-0,25782)*IM + (0,32201)	fN(X) = 0,281386*E + 0,617426*Lt + (-0,61377)*Tpr+   0,114787*FV   + 0,006977*IM + (-0,32993)
Перенапряжения	fPN(X) = 0,609333*E + 0,09291 *Lt + 0,240236*Tpr +(-0,16927)*FV + (-0,16713)*IM + (-0,46176)	fPN(X) = 0,083174*E + 0,114531*Lt + 0,573641*Tpr + (-0,36317)*FV + (-0,39013)*IM + (-0,56374)

Классификационные функции для девушек и юношей с разным уровнем функционального состояния

Проверка достоверности решающих правил осуществлялась на объектах с известным уровнем функционального состояния, которые не входили в обучающую выборку (131 девушка и 85 юношей). Для решения прогностической задачи проводился расчет значений классификационных функций для всех признаков, характеризующих объекты (студентов). Максимальное значение одной из трех функций позволяло отнести каждого студента к тому классу, который описывала это функция. Пример проведения расчетов приведены в табл. 4.

Таблица 4

Вычисленные значения классифицирующих функций для студентовкросс-проверочной выборки с различными уровнями адаптационных возможностей

№ студента в выборке	Юноши			№ студента в выборке	Девушки
	fN(X)	fPN(X)	WX)		fN(X)	fpN(X)	fUD(X)
1	0,50	0,93	-0,81	1	-1,01	-2,19	3,00
4	-0,27	-0,47	-0,80	4	1,10	2,44	-3,39
7	-0,68	3,63	-1,35	8	-1,23	-1,82	3,00
10	0,41	0,52	0,74	9	-0,23	-0,98	1,15
И	-1,84	3,38	-0,98	И	-1,93	-1,26	3,15
18	0,35	0,66	-0,94	41	0,92	-1,32	0,57
19	-0,73	0,07	1,21	51	-0,31	2,21	-1,85
20	0,97	-0,01	-0,20	53	1,08	-1,29	0,45
21	-0,09	-0,17	0,53	141	-1,15	-1,26	2,42
22	-1,15	-0,82	0,57	143	-0,21	-0,91	U9
23	0,11	0,01	0,49	146	0,44	0,36	-0,70
42	-0,62	-0,51	0,49	151	0,78	0,21	-0,79
45	-2,62	-0,96	1,90	152	0,12	0,22	-0,25
50	0,96	0,88	-0,13	153	0,30	0,34	-0,54

В результате проверки было показано, что среди студентов 1 класса, с удовлетворительным уровнем функционального состояния, 47 (92%) юношей были классифицированы верно, только 4 (8%) юношей были отнесены ко второму классу (ошибка первого рода), также только 6 (7%) девушек были неверно классифицированы (табл. 5). Среди студентов 2 класса, с напряженным уровнем функционального состояния, ошибка первого рода составила 7% для юношей и 6% для девушек: двое юношей ошибочно классифицировались как лица с перенапряжением, пять девушек были отнесены к 3-му классу, а один -к 1-му. Юноши с перенапряжением функционального состояния классифицировались без ошибок, а 3 (5%) девушек из группы 3-го класса были отнесены ко 2-му классу. Таким образом, проверка показала высокую достоверность полученных результатов.

Таблица 5

Распределение студентов с разным уровнем функционального состояния на классы в проверочной выборке

Класс	Юноши				Девушки
	1	2	3	Всего	1	2	3	Всего
1	47 (92%)	4 (8%)	0	51	74 (93%)	6 (7%)	0	80
2	0	25 (93%)	2 (7%)	27	1 (1%)	93 (94%)	5 (5%)	99
3	0	0	7 (100%)	7	0	3 (5%)	59 (95%)	62

Примечание А - удовлетворительный уровень функционального состояния, 2 -напряжение, 3 - перенапряжение.

Заключение. Таким образом, путем анализа данных, характеризующих темпераментальные и нейродинамических свойства студентов, с помощью интеллектуального и статистического анализа средствами Data Mining были рассчитаны значения классифицирующих функций для юношей и девушек, позволяющие соотносить их в соответствии с прогнозируемым уровнем функционального состояния организма в покое. Проверка достоверности решающих правил или биологическая верификация показала, что разработанную модель можно использовать в других группах студентов.

PROGNOSTIC MODEL OF THE FUNCTIONAL

BODY STATE IN STUDENTS

N.L. Lila, T.P. Tananakina

Lugansk State Medical University, Lugansk

The prognostic model for the analysis of temperamental and neuro-dynamic peculiarities of students, based on students’ parameters and gender differences is proposed. The biological verification of the proposed model is provided. Keywords: students, functional state, prognostic model.

Вестник ТвГУ. Серия "Биология и экология". 2015. № 1

Об авторах: