350 руб
Журнал «Биомедицинская радиоэлектроника» №2 за 2020 г.
Статья в номере:
Перспективы использования методов нечеткой кластеризации в вопросе прогнозирования паттерна изменений содержания костного минерала после космических полетов
DOI: 10.18127/j15604136-202002-07
УДК: 57.087.1
Ключевые слова: Нечеткие множества метод c-средних горная кластеризация минеральная плотность костной ткани содержание костных минералов микрогравитация
Авторы:

К.В. Гордиенко – мл. науч. сотрудник, Государственный научный центр Российской Федерации – 

Институт медико-биологических проблем РАН (Москва)

E-mail: k.vl.gordienko@gmail.com

В.Е. Новиков – к.м.н., вед. науч. сотрудник, Государственный научный центр Российской Федерации – 

Институт медико-биологических проблем РАН (Москва)

А.М. Носовский – д.б.н., вед. науч. сотрудник, Государственный научный центр Российской Федерации –

Институт медико-биологических проблем РАН (Москва)

Т.А. Смирнова – к.б.н., вед. науч. сотрудник, Государственный научный центр Российской Федерации – 

Институт медико-биологических проблем РАН (Москва)

Г.Ю. Васильева – к.м.н., вед. науч. сотрудник, Государственный научный центр Российской Федерации –  Институт медико-биологических проблем РАН (Москва)

Аннотация:

Постановка проблемы. Пребывание человека в условиях сниженной функциональной нагрузки – главная причина снижения минеральной плотности костной ткани во время космического полета, которое ассоциировано в клинической практике с увеличением риска нетравматического вида переломов. Однако, у участников основных экспедиций орбитальной станции Мир и Международной космической станции наблюдается индивидуальная вариабельность данного показателя.

Цель работы – оценка возможности применения методов нечеткой кластеризации для выделения групп обследуемых с различной реакцией на снижение функциональной нагрузки, связанного с пребыванием человека в условиях космического полета. Результаты. Описан алгоритм деления на группы методом c-средних с предварительным определением числа кластеров методом горной кластеризации.

С помощью дисперсионного анализа проверена нулевая гипотеза об отсутствии реакции костной системы на условия космического полета (сравнивали предполетные значения с послеполетными) как до, так и после деления на кластеры. Показаны различия в результатах.

Практическая значимость. Деление на кластеры позволяет глубже изучить влияние эффекта на биологические системы. При этом метод нечеткой кластеризации предоставляет возможность исследователю самостоятельно выбрать степень принадлежности значений изучаемого параметра к одному из образованных кластеров.

Выделение групп по реакции на снижение функциональной нагрузки позволит скорректировать комплекс профилактических мероприятий в полете, а также тактики реабилитации после полета.

Страницы: 50-56
Список источников
  1. Gordienko K., Nosovsky A., Novikov V. Constitutional characteristics and bone mineral content in astronauts before and after flights // 69th International Astronautical Congress. Bremen, 1–5 Oct., 2018. [electronic sources] https://iafastro.directory/iac/paper/id/47768/abstractpdf/IAC-18,A1,IP,12,x47768.brief.pdf-2018-08-01.19:36:53 (18.06.2019).
  2. Новиков В.Е., Рыкова М.П., Антропова Е.Н., Берендеева Т.А., Калинин С.А., Васильева Г.Ю., Пономарёв С.А. Минеральная плотность костной ткани и молекулярно-генетические маркеры ее ремоделирования в крови у космонавтов после длительных полетов на международной космической станции // Физиология человека. 2018. № 6. С. 88–94.
  3. Оганов В.С. Костная система, невесомость и остеопороз. Изд. 2-е, перераб. и доп. Воронеж: Научная книга. 2014. 291 с.
  4. Болдина М.Ю. Применение метода нечетких множеств в разработке инструментария социологического исследования // Инновационная наука. 2015. № 12. С. 231–233.
  5. Manco G., Ortale R., Sacca D. Similarity-based clustering of Web transactions // Proceedings of the 2003 ACM symposium on Applied computing. P. 1212–1216.
  6. Migaly S., Abonyi J., Szeifert F. Fuzzy Self-Organizing Map Based on Regularized Fuzzy C-Means Clustering. Advances in Soft Computing, Engineering Design and Manufacturing / In J.M. Benitez, O. Cordon, F. Hoffmann, et al. (Eds.), Springer Engineering Series. Revised papers of the 7th On-line World Conference on Soft Computing in Industrial Applications. 2002. P. 99–108.
  7. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику / http://matlab.exponenta.ru/fuzzylogic/book1/12.php (17.06.2019).
  8. Höppner F., Kruse R., Klawonn F., Runkler T. Fuzzy Cluster Analysis. Methods for Classification, Data Analysis and Image Recognition. Wiley. 1999. 289 p.
  9. Bezdek, J.C. Pattern Recognition with Fuzzy Objective Function Algorithms. New York: Plenum Press. 1981. 266 р.
  10. Yager R.R., Filev D.P. Learning of fuzzy rules by mountain clustering. Proc. SPIE Conf. Applicat. Fuzzy Logic Technol. 1993. P. 246–254
Дата поступления: 31 июля 2019 г.