В результате проведенных исследований разработан метод классификации адаптационного потенциала организма человека. Метод основан на использовании данных, которые получают при проведении функциональной пробы, ассоциируемой с функцией Хэвисайда, путем проведения которой получают модель переходного процесса в живой системе. Представляя живую систему квазилинейной, на основе ее импедансной модели получают спектральные характеристики живой системы, на основе которых формируют дескрипторы для модели машинного обучения. Для получения импедансной модели живой системы предложена методика трехфазного эксперимента. Методика трехфазного эксперимента заключается в моделировании функции Хэвисайда в процессе выполнения велоэргометрической функциональной пробы на трех уровнях функционального состояния организма человека. Это позволяет вычислять дескрипторы для трех «ветвей» классификатора адаптационного потенциала. Классификатор адаптационного потенциала включает драйвер построения линейной импедансной модели живой системы, формирователь дескрипторов и модуль принятия решений. В качестве линейной импедансной модели живой системы используется амплитудно-фазочастотная характеристика четырехполюсника, построенная по переходной характеристике модели живой системы, а дескрипторы вычисляются по импедансной модели Войта, адекватной экспериментально полученной амплитудно-фазочастотной характеристике модели живой системы. Проведены оценки показателей качества дихотомического классификатора адаптационного потенциала на экспериментальной группе студентов и аспирантов, разделенных на два класса посредством показателя активности регуляторных систем. Они показали, что уровень истинно положительных и истинно отрицательных результатов при классификации неизвестных примеров в удовлетворительной степени соответствуют экспертным оценкам. Это позволяет рекомендовать его для использования в практической медицине, например, в биотехнических системах реабилитации, спортивной медицине, а также для контроля динамики функционального состояния пациента в процессе лечения.
As a result of the research, a method for classifying the adaptive potential of the human body was developed. The method is based on the use of data obtained by conducting a functional test associated with the Heaviside function, through which a model of the transition process in a living system is obtained. Representing a living system as quasi-linear, based on its impedance model, the spectral characteristics of the living system are obtained, on the basis of which descriptors are formed for the machine learning model. To obtain an impedance model of a living system, a three-phase experiment technique is proposed. The three-phase experiment technique consists of modeling the Heaviside function in the process of performing a bicycle ergometer functional test at three levels of the functional state of the human body. This allows us to calculate descriptors for the three “branches” of the adaptive potential classifier. The adaptive potential classifier includes a driver for constructing a linear impedance model of a living system, a descriptor generator, and a decision-making module. As a linear impedance model of a living system, the amplitude-phase-frequency characteristic of a four-terminal network is used, constructed from the transient characteristic of a model of a living system, and the descriptors are calculated using the Voight impedance model, which is adequate to the experimentally obtained amplitude-phase-frequency characteristic of a model of a living system. The quality indicators of the dichotomous classifier of adaptive potential were assessed on an experimental group of undergraduate and graduate students, divided into two classes using an indicator of the activity of regulatory systems. They showed that the level of true positive and true negative results when classifying unknown examples satisfactorily corresponds to expert estimates. This allows us to recommend it for use in practical medicine, for example, in biotechnical rehabilitation systems, sports medicine, as well as for monitoring the dynamics of the patient’s functional state during treatment.
The authors declare that there are no conflicts of interest present.