ntvНаучно-технический вестник информационных технологий, механики и оптикиScientific and Technical Journal of Information Technologies, Mechanics and Optics2226-14942500-0373Университет ИТМО10.17586/2226-1494-2023-23-2-364-373ntv-382Research ArticleИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И КОГНИТИВНЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИARTIFICIAL INTELLIGENCE AND COGNITIVE INFORMATION TECHNOLOGIESМониторинг состояния здоровья населения по возрастным группамMonitoring the health status of the population by age groupshttps://orcid.org/0000-0002-7150-5837ИгнатьевН. А.IgnatevN. A.

Игнатьев Николай Александрович — доктор физико-математических наук, профессор, профессор

Ташкент, 100174sc 39361638900

Nikolay A. Ignatev — D.Sc. (Physics & Mathematics), Full ProfessorTashkent, 100174

sc 39361638900

n_ignatev@rambler.ruhttps://orcid.org/0000-0001-5849-3395РахимоваМ. А.RakhimovaM. A.

Рахимова Мехрбону Акром кизи — старший преподаватель

Ташкент, 100174

Mekhrbonu A. Rakhimova — Senior Lecturer

Tashkent, 100174

mehribonu@gmail.comНациональный университет Узбекистана имени Мирзо УлугбекаУзбекистанNational University of Uzbekistan named after Mirzo UlugbekUzbekistan202321122024232364373Copyright © Игнатьев Н.А., Рахимова М.А., 20242024Игнатьев Н.А., Рахимова М.А.Ignatev N.A., Rakhimova M.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ntv.elpub.ru/jour/article/view/382

Рассмотрена многокритериальная методика отбора информативных наборов разнотипных признаков для количественной оценки состояния здоровья населения по 14 возрастным группам. Для сравнения выборок из двух классов (групп) сформировано унифицированное описание объектов по двум градациям номинальных признаков. Полученное описание использовано для синтеза латентных признаков и вычисления значений меры компактности объектов классов на числовой оси. Преобразование количественных признаков в градации номинальных реализовано по критерию поиска минимального покрытия их значений непересекающимися интервалами. Значения границ интервалов и их число определено рекурсивным алгоритмом с учетом принадлежности объектов к классам. Отмечено важное свойство преобразования — инвариантность к масштабам измерений. Предложена формула для вычисления функции принадлежности объектов классов по каждой градации признака. Значения функции применены при унификации описаний объектов и вычислении показателя устойчивости признака вне зависимости от его шкалы измерений. Унификация описаний по двум градациям не меняет показателя устойчивости, но увеличивает вклад каждой градации в разделение объектов классов.  Ранжирование признаков по отношению к их устойчивости применено как для отдельных выборок, так и на множестве определяемых выборок. Результаты ранжирования по множеству выборок использованы для поиска закономерностей по отдельным признакам и формирования из них наборов для вычисления значений латентных признаков объектов. Множество из 13 выборок данных из представителей двух классов сформировано следующим образом. Первый класс представлен объектами младшей возрастной группы, второй — объектами разных возрастных групп. Определен набор из семи разнотипных признаков. По каждой из 13 выборок вычислены значения латентных признаков на этом наборе и меры компактности объектов классов на числовой оси. Получена монотонно неубывающая последовательность значений мер компактности выборок данных, инвариантных к порядку старшинства возрастных групп. Свойство монотонности значений последовательности согласуется с эмпирическими оценками состояния здоровья в процессе старения населения.

A multi-criteria method for selecting informative sets of different features for a quantitative assessment of the population’s health status in 14 age groups is considered. To compare samples from two classes (groups), it is proposed to form a unified description of objects according to two gradations of nominal features. The unified description is used to synthesize latent features and calculate the values of the compactness measure of class objects on the numerical axis. The transformation of quantitative features into nominal gradations is implemented according to the search criterion for the minimum coverage of their values by non-overlapping intervals. The values of the boundaries of the intervals and their number are determined by a recursive algorithm considering the objects belonging to classes. An important property of the transformation is the invariance to measurement scales. A formula is proposed for calculating the membership function of class objects for each feature gradation. Function values are used to unify object descriptions and calculate the stability index of a feature, regardless of its measurement scale. The unification of descriptions by two gradations does not change the stability index but increases the contribution of each gradation to the separation of class objects. The ranking of features about their stability was used both for individual samples and for a set of defined samples. The results of ranking over a set of samples were used to search for patterns in individual features and to form sets from them to calculate the values of latent features of objects. A set of thirteen data samples from representatives of two classes was formed as follows. The first class was represented by objects of the younger age group, and the second class — by objects of different age groups. A set of seven different types of features has been identified. For each of 13 samples, the values of latent features on this set and measures of compactness of class objects on the numerical axis were calculated. A monotonically non-decreasing sequence of values of measures of compactness of data samples that are invariant to the order of precedence of age groups is obtained. The property of monotonicity of sequence values is consistent with empirical estimates of the health state in the process of population aging.

нелинейные преобразованияфункции принадлежностиранжирование признаковобобщенные оценки объектовnonlinear transformationsmembership functionsranging of featuresgeneralized estimates of objectsРабота выполнено в рамках плана научных исследований кафедры «Искусственный интеллект» Национального университета Узбекистана.The work was carried out within the framework of the scientific research plan of the Department of Artificial Intelligence of the National University of Uzbekistan.ReferencesШумаков В.И., Новосельцев В.Н., Сахаров М.П., Штенголд Е.Ш. Моделирование физиологических систем организма. М.: Медицина, 1971. 352 с.Shumakov V.I., Novoseltcev V.N., Sakharov M.P., Shtengold E.Sh. Simulation of The Body Physiological Systems. Moscow, Medicina Publ., 1971, 352 p. (in Russian)Кривенко М.П. Выбор модели данных в задачах медицинской диагностики // Информатика и ее применения. 2019. Т. 13. № 4. С. 27–29. https://doi.org/10.14357/19922264190404Krivenko M.P. Data model selection in medical diagnostic tasks. Informatics and Applications, 2019, vol. 13, no. 4, pp. 27–29. (in Russian). https://doi.org/10.14357/19922264190404Корепанова Н.В. Машинное обучение для оптимизации лечения в подгруппах пациентов // Искусственный интеллект и принятие решений. 2018. № 1. С. 53–65.Korepanova N.V. Machine learning for treatment optimization in subgroups of patients. Artificial Intelligence and Decision Making, 2018, no. 1, pp. 53–65. (in Russian)Игнатьев Н.А., Рахимова М.А. Формирование и анализ наборов информативных признаков объектов по парам классов // Искусственный интеллект и принятие решений. 2021. № 4. С. 18– 26. https://doi.org/10.14357/20718594210402Ignatyev N.A., Rakhimova M.A. Formation and analysis of sets of informative features of objects by pairs of classes. Artificial Intelligence and Decision Making , 2021, no. 4, pp. 18–26. (in Russian). https://doi.org/10.14357/20718594210402Игнатьев Н.А., Згуральская Е.Н., Марковцева М.В. Поиск скрытых закономерностей, влияющих на общую выживаемость больных, методами интеллектуального анализа данных // Искусственный интеллект и принятие решений. 2020. № 3. С. 73–80. https://doi.org/10.14357/20718594200307Ignatev N.A., Zguralskaya E.N., Markovtseva M.V. Searching for hidden patterns that affect the overall patient survival with data mining. Scientific and Technical Information Processing, 2021, vol. 48, no. 6, pp. 461–466. (in Russian). https://doi.org/10.3103/S014768822106006XИгнатьев Н.А. Вычисление обобщенных показателей и интеллектуальный анализ данных // Автоматика и телемеханика. 2011. № 5. С. 183–190.Ignat’ev N.A. Computing generalized parameters and data mining. Automation and Remote Control, 2011, vol. 72, no. 5, pp. 1068–1074. https://doi.org/10.1134/S0005117911050146Згуральская Е.Н. Устойчивость разбиения данных на интервалы в задачах распознавания и поиск скрытых закономерностей // Известия Самарского научного центра Российской академии наук. 2018. Т. 20. № 4-3. С. 451–455.Zguralskaya E. Sustainability of dividing data in intervals in the problems of recognition and searching for hidden laws. Izvestia of Samara Scientific Center of the Russian Academy of Sciences, 2018, vol. 20, no. 4-3, pp. 451–455. (in Russian)Piatetsky-Shapiro G. Data mining and knowledge discovery 1996 to 2005: overcoming the hype and moving from «university» to «business» and «analytics» // Data Mining and Knowledge Discovery. 2007. V. 15. N 1. Р. 99–105. https://doi.org/10.1007/s10618-006-0058-2Piatetsky-Shapiro G. Data mining and knowledge discovery 1996 to 2005: overcoming the hype and moving from «university» to «business» and «analytics». Data Mining and Knowledge Discovery, 2007, vol. 15, no. 1, pp. 99–105. https://doi.org/10.1007/s10618-006-0058-2Joseph R. (2019, April 23). Ensemble methods: bagging, boosting and stacking. Understanding the key concepts of ensemble learning [Электронный ресурс]. URL: https://towardsdatascience.com/ensemble-methods-bagging-boosting-and-stacking-c9214a10a205 (дата обращения: 25.12.2022).Joseph R. (2019, April 23). Ensemble methods: bagging, boosting and stacking. Understanding the key concepts of ensemble learning. Available at: https://towardsdatascience.com/ensemble-methods- bagging-boosting-and-stacking-c9214a10a205 (accessed: 25.12.2022).

The authors declare that there are no conflicts of interest present.