1. Постановка глобальної цілі.

Для якісного і швидкого оцінювання психофізіологічного стану, здоров’я операторів екстремальних видів діяльності є необхідність в створенні системи прийняття рішення, що дозволить зменшити вплив людського фактору при оцінці стану оператора-екстремала.

Для створення такої системи застосовується математичний пакет MatLab, що поєднує в собі ефективний засіб для математичної обробки даних та засіб створення програмного коду.

Таким чином, глобальною ціллю є створення інформаційної технології процесу професійного відбору операторів екстремальних видів діяльності.

2. Формалізація глобальної цілі.

3. Побудова дерева подій.

4. Розробка системного плану дослідження за темою наукової роботи.

Об’єктом дослідження є процес відбору операторів екстремальних видів діяльності та прогнозування їхнього психофізіологічного стану організму на основі визначення нормованих значень біологічних параметрів організму при наявності генеральної вибірки з малою кількістю експериментальних значень.

Предметом дослідження є методи та засоби діагностування психофізіологічного стану операторів екстремальних видів діяльності.

Описова ціль моделі процесу психологічної класифікації та визначення рівня психічної профпридатності оператора полягає в ознайомлені з послідовністю та процесом перевірки готовності операторів екстремальних видів діяльності до виконання своїх професійних обов’язків в екстремальних умовах.

Приписова ціль моделі процесу психологічної класифікації та визначення рівня психічної профпридатності оператора полягає у визначені готовності операторів екстремальних видів діяльності до виконання своїх професійних обов’язків в екстремальних умовах.

Етапи створення моделі:

1. Огляд специфіки діагностування психофізіологічного стану операторів екстремальних видів діяльності;

2. Визначення основних кількісних параметрів, на основі яких приймається рішення;

3. Створення моделі;

4. Проектування моделі в середовищі програмування;

5. Дослідження моделі за допомогою математичного аналізу, статистичної обробки отриманих даних та на основі експерименту.

Цілі моделювання:

1. Визначення основних факторів, що впливають на процес визначення психофізіологічного стану оператора екстремальних видів діяльності;

2. Автоматизація процесу відбору операторів екстремальних видів діяльності;

Проблематика наукового дослідження.

Процес реєстрації біологічних даних потребує значних затрат часу та зусиль, через що робота із великою кількістю статистичної вибірки даних не завжди є можливою, що впливає на подальший розрахунок критеріїв професійного відбору операторів екстремальних видів діяльності. Тому, для підвищення ефективності розрахунку нормованих значень біологічних параметрів, які використовуються в процесі професійного відбору операторів екстремальних видів діяльності, застосовано ітераційне моделювання за методом Монте-Карло для попередньо класифікованих за типом темпераменту операторів. Серед переваг запропонованого підходу є можливість моделювати стохастичні вибірки даних та контролювати умови, що накладаються на об’єм ітераційної вибірки, які використовуються для розрахунку нормованих оцінок щодо стану роботи інформаційно енергетичного поля організму операторів екстремальних видів діяльності.

Концептуальна модель

Для підвищення якості статистичної вибірки реалізовано аналіз випадкових відхилень значень вибірки методом Граббса:

(1)

де x_(n) – значення вибірки, яка перевіряється на викид; – середнє арифметичне вибірки; S – середнє квадратичне відхилення вибірки.

Для реалізації ітераційного моделювання за методом Монте-Карло визначається закон розподілу вибірки. Враховуючи, що критерій Пірсона (χ²) та складений критерій (d) для перевірки на нормальний закон розподілу (r_н) не задовольняє або умові довжини вибірки (n_χ2≥100), або універсальності (d-критерій підходить лише для ідентифікації нормального закону розподілу), на початковому етапі реалізується перевірка вибірки на нормальний закон розподілу за критерієм Колмогорова-Смірнова (λ), використовуючи значення найбільшої абсолютної різниці:

(2)

де – спостережувані значення сумарної частоти влучень в і-й інтервал гістограми закону розподілу; n_j – кількість влучень випадкової величини в j-й інтервал гістограми закону розподілу; n – кількість спостережуваних випадкових чисел; – теоретичні значення сумарної частоти влучень в і-й інтервал гістограми закону розподілу, розраховані за законом розподілу F(x) випадкової величини ζ; x_i – середина і-ого інтервалу гістограми закону розподілу. Критерій Колмогорова-Смірнова також можна використовувати для перевірки на наступні закони розподілу вибірки:

• нормальний закон розподілу (r_н);

• експоненціальний закон розподілу (r_е);

• логарифмічно-нормальний закон розподілу (r_л);

• закон розподілу χ-квадрат (r_х);

• закон розподілу Релея (r_р);

• закон розподілу Вейбула (r_в).

Таким чином, провівши аналіз, було виявлено, що критерій Колмогорова-Смирнова є універсальним для визначення виду закону розподілу, а також його можна використовувати для вибірок з малою кількістю даних.

Для збільшення ефективності ітераційного моделювання при умові виявлення нормальності закону розподілу вибірки в алгоритмі застосовується робастний метод обробки даних, який дозволяє імітувати наближення статистичних оцінок малої вибірки даних до нормального закону великої кількості даних. Розрахунок за робастним методом комп’ютеризовано за наступним алгоритмом [8]:

• наявні вибіркові експериментальні дані ранжуються по наростанню;

• розраховується медіана ранжованого ряду: М = med{x_i};

• розраховується абсолютне відхилення експериментальних даних від медіани: |x_i – M|;

• ранжуються абсолютні відхилення по наростанню: |x_i – M|_min … |x_i – M|_max;

• розраховується медіана для ражнованого абсолютного відхилення: MAD_n = med{|x_i – M_n|};

• розраховується робастна оцінка СКВ: S_роб(x_i) = K(n)·MAD_n.

Відповідно до алгоритму (рис. 1), для ітераційного моделювання біологічних параметрів використано метод Монте-Карло, який комп’ютеризовано за наступним алгоритмом:

• задавшись законом розподілу (r), за експериментальною вибіркою визначаються статистичні оцінки цієї вибірки: середнє квадратичне відхилення S (СКВ); середнє арифметичне μ;

• завдяки лічильнику випадкових чисел, робота якого задана на основі СКВ розподілу експериментальних даних (S) та відхиленню (Sigma), задається шум вибірки (Noise);

• додається сформований вектор шуму (NoiseArray) до середнього арифметичного реальної вибірки для розрахунку вихідного вектору імітованих значень (Y).

Використовуючи змодельовані значення параметрів електроенцефалографії та параметрів аналізу крові певної підгрупи операторів, розраховується інтервальна оцінка ( ) при відомому середньому квадратичному відхилені (СКВ) та при обраному рівні значущості α = 0,05:

(3)

де n – кількість вибірки; t_α,n-1 – коефіцієнт Стьюдента; – середнє арифметичне вибірки; S – середнє квадратичне відхилення.

Рис. 1. Алгоритм ітераційного моделювання біологічних параметрів людини