50лет иппи ран нейрофизиология, биофизика и психофизика в иппи ран: истоки и современность

Сахнова Т.А., Блинова Е.В. Диагностика гипертрофии левого желудочка по данным комплексного анализа ортогональных отведений электрокардиограммы (методическое пособие для врачей). М.: ФГУ Российский кардиологический научно-производственный комплекс, 2007. 40 с.

Яковлев В.М. Карпов Р.С., Гусев С.В. Структурное и электрофизиологическое ремоделирование левого желудочка при соединительнотканной дисплазии сердца. ГУ НИИ кардиологии Томского научного центра СО РАМН, Ставропольская государственная медицинская академия – Томск: Издательство Томского университета, 2007. 165 с.

Leonid I. Titomir, Vladimir G. Trunov, Eduard A.-I. Aidu, Tamara A. Sakhnova, Elena V. Blinova, Peter Kneppo. Electrocardiographic diagnosis of left ventricular hypertrophy on the basis of dipole electrocardiotopography method. – J. Electrocardiology, V. 41, 2008, 697.e1-697.e6.

Именно на этом пути возникло и развилось программирование. Языки программирования позволяли сформулировать задачу таким образом, чтобы машина чисто механически могла ее решить, представив результаты в виде, в удобном для восприятия человеком виде.

На этом пути строились системы распознавания речи, системы распознавания образов, системы баз данных и многое другое. Однако с приходом искусственного интеллекта стало ясно, что возможности машины при этом остаются недоиспользованными. На самом деле на машину можно возложить гораздо больше задач, оставив за человеком лишь наиболее общие стратегические и творческие задачи.

Например, именно человек создал многочисленные системы связи, разработав всевозможные методы кодирования, направленные на то, чтобы уплотнить передаваемые сообщения и обеспечить высокую надежность и безопасность передачи. Но их применение уже невозможно представить без явного использования вычислительной техники.

Так, в нашем коллективе была разработана система множественной радиосвязи людей друг с другом [Стефанюк, 1967], радио аналога привычной проводной телефонной связи. Она стала результатом развития математических моделей коллективного поведения, поскольку в ходе работы такой системы различные пользователи могли вступать в конфликт друг с другом в борьбе за доступный канал радиосвязи и тем более при отвоевывании какой-то доли в общем канале связи. Понятно, что работа такой системы становится настолько сложной, что ее реализация уже немыслима без использования машины.

Когда-то подобными задачами разрешения конфликтов занимались операторы, которые обеспечивали необходимую коммутацию каналов связи. Теперь это стало просто невозможно. Действительно, миллионы пар пользователей современной мобильной связи могут вступить в связь в любой момент, пользуясь теми каналами, которые доступны в это время. Более того, условия связи могут произвольным образом измениться, требуя корректировки параметров соединения. Без вычислительной машины уже обойтись просто нельзя.

Если в далекие годы пользователи просили оператора сделать что-то, когда связь сильно ухудшалась, то теперь этим занимаются разработанные в нашем коллективе автоматически действующие алгоритмы регулировки мощности [Стефанюк, 1968]. Эти алгоритмы иллюстрируют, что все больше функций можно передать машине, которая может сама контролировать ситуацию, сама определять, когда качество связи ухудшается до степени, требующей вмешательства, и сама, пользуясь имеющимися у нее знаниями, способна приводить ситуацию в норму.

В настоящей публикации мы остановимся на трех важных с нашей точки зрения аспектах распределения ролей человека и машины при совместном решении достаточно сложных задач. Во-первых, появились возможности для передачи машине некоторых творческих функций, которые прежде считались исключительной прерогативой человека. Во-вторых, открылись новые пути передачи машине знаний, имеющихся у человека о той или иной конкретной области. А в-третьих, в нашем коллективе был развит весьма общий язык описания функционирования интеллектуальной машины, который позволяет рассматривать работу такой машины в общетеоретическом плане.

Прежде, чем переходить к раскрытию упомянутых аспектов, заметим, что их изучение полезно и для самого человека, помогая ему глубже понимать свои собственные мыслительные процессы.
А. Эвристика творческого описания интеллектуальной задачи.
Известны задачи, которые носят четкий формальный характер, но оказываются практически непреодолимыми при их передаче машине. К таким проблемам относится, например, задача «крепкий орешек», предложенная в свое время Джоном Маккарти – одним из создателей всей области искусственного интеллекта.

Рис. 1. К задаче «крепкий орешек»

Может показаться, что такие творческие возможности преобразования задачи к виду, сильно облегчающему ее решение, и отличают интеллект человека от искусственного интеллекта, которым мы наделяем машину. Но в некоторых случаях это не так.

В нашем коллективе была предложена некоторая универсальная эвристика, применение которой ведет к генерации новых представлений для решаемой задачи и в результате к успешному алгоритму ее решения. Можно видеть, что использование такой эвристики открывает новые возможности для преодоления комбинаторной сложности решения, являющейся непреодолимым препятствием при решении задачи на компьютере.

Мы дали этой эвристике название принцип семиотической интроспекции (SIP -(Semiotic Introspection Principle): подобное – отождествить, а различие - специально подчеркнуть. Отождествить – значит дать рассматриваемым элементам одинаковые имена, а различие демонстрируется выбором различных имен для различных имен.

Алгоритм применения данной эвристики прорисовывается тогда, когда указываются основания для выделения такого сходства или различия. Наше использование этой эвристики для решения задачи «крепкий орешек» воспроизводится в публикациях [Stefanuk, 1973; McCarthy, 1999; Стефанюк, 2004], а здесь мы проиллюстрируем использование этой эвристики на примере доказательства следующей теоремы «Куб 6х6х6 нельзя сложить из кирпичей размером 1х2х4». Из литературы известно, что решение описанной головоломки человеку дается не легко, тогда как ее решение, получаемое на компьютере с применением нашей эвристики, удивляет простотой и изяществом, вытекающим из следующего рисунка.

Рис. 2 Представление для задачи построения куба из кирпичей

Ярким примером может служить область законодательства, которое время от времени подвергается коррекции. Даже такая четкая и формализованная область, как программирование, нуждается в постоянном уточнении [http://update.microsoft.com/windowsupdate/].

Современные применения компьютеров в прикладных задачах связаны с использованием отдельного специалиста – инженера по знаниям, который умеет извлекать необходимые продукционные правила из текстов и других источников, опираясь на свои собственные знания и интуицию. В работе [Савинич и Стефанюк, 2007] и ряде других нами сделана попытка автоматизировать процесс порождения продукционных правил из естественно-языкового текста, которые позволят, не прибегая к услугам инженера по знаниям, своевременно вносить уточняющие изменения в продукционные правила в соответствии с новыми публикациями в данной предметной области.

Впервые задача автоматизации извлечения экспертных знаний из текста возникла в наших работах по созданию динамических экспертных систем в 1990-х годах, когда знания специалистов по сейсмологии стали недоступны, в связи с некоторыми особенностями проходившей в нашей стране "перестройки". В то время оказалось естественным пригласить инженеров по знаниям, которые, исходя из доступного текстового материала, строили продукционные правила, предназначенные для динамической экспертной системы.

При извлечении экспертных знаний из текста ставится задача выявить чисто формальные методы преобразования текстов естественного языка с целью представления их в виде совокупности строгих логических правил (или продукций).

В основе логических правил для интеллектуальной системы лежит понятие математической логики – импликация (‘если …, то’), которая в лингвистике отражается понятием каузальности, или обусловленности, т.е. причинности в самом широком смысле слова. В задачу требуемого трансформирования текстов в правила входит также задача формального разграничения логически связанных между собой ситуаций.

Опорным методом исследования стал анализ текста одновременно по нескольким направлениям и уровням языка:

▪ морфологическому – для определения формантов, маркирующих лексические единицы, входящие в состав анализируемых текстов, а также для выявления формальных признаков слов, обозначающих предмет высказывания, и противопоставленные им признаки слов, типично обозначающих предикацию;

▪ лексическому – с целью выявления лексического состава единиц и представления понятийного аппарата текста;

▪ синтаксическому – для определения преимущественной структуры предложений, характерной для данного типа текстов, а также позиции предмета высказывания и предикации;

▪ коммуникативному – для выявления темы высказывания и её позиции в предложении, а также ремы высказывания (т.е. предикативности, законченного выражения мысли) и её позиции в предложении. Данный подход предпринят для соотнесения смыслового содержания предложения с его синтаксической структурой, а также для определения темы высказывания, выраженной неявно. Это представляется чрезвычайно важным при точном выяснении позиции коммуникативных компонентов в отношениях обусловленности;

▪ статистическому – для определения количественного состава лексических единиц, могущих свидетельствовать о типологических особенностях (в том числе синтаксических) анализируемого текста.

На основе данных формальных показателей был составлен алгоритм, автоматически преобразующий текст в набор продукционных правил для использования в интеллектуальной системе, пример работы которого показан на следующем рисунке.

Рис. 3. Иллюстрация работы системы

Но в теоретическом плане описания интеллектуальной системы этого оказалось недостаточно. Все варианты, предлагаемые пользователю мета-ЭС, были основаны на продукционной базе знаний, однако для того, чтобы непротиворечивым образом охватить практически неограниченное разнообразие областей, нам пришлось значительно расширить само понятие продукции.

При таком обобщении считается, что продукция описывает следующую элементарную операцию, на основе которой строится работа любой системы, основанной на знаниях : «узнать» ситуацию, «вспомнить», что в такой ситуации полагается делать, и проделать это, в результате чего возникнет новая ситуация. В дальнейшем такая операция может повторяться многократно. (Сразу заметим, что при таком понимании продукции оказалось, что к продукционным можно отнести и системы, традиционно относимые к другим способам представления знаний.)

Для того, чтобы дать формальное описание подобных обобщенных продукций, потребовался достаточно общий и достаточно абстрактный математический аппарат. После нескольких менее успешных попыток нами был использован аппарат теории категорий. Категория в алгебре рассматривает алгебраические объекты без учета их внутренней структуры, исследуя лишь то, как эти объекты связаны между собой. Этот подход оказался крайне уместным для наших задач. Он позволил записывать наши алгоритмы, абстрагируясь от формы записи информации, используемой при работе в той или иной предметной области, позволяя сосредоточиться на сути операций над знаниями.

В результате нами была построена формальная теория продукционных систем, которую мы называли теорией ТК-продукций [Stefanuk and Zhozhikashvili, 2002; Жожикашвили и Стефанюк, 2002; Стефанюк и Жожикашвили, 2007]. В основе теории лежит несколько понятий, описанных нами на теоретико-категорном языке. Это понятия суть следующие. Ситуация - это то, с чем сталкивается система в своей работе, что она должна узнать и преобразовать. Образец - обобщенное описание ситуации, описывающее множество сходных между собой ситуаций, т.е. ситуаций, в которых следует предпринимать сходные действия. Сопоставление ситуации с образцом - это проверка того, подходит ли данная ситуация под обобщенное описание, задаваемое данным образцом. Конкретизация -действие, превращающее образец в сопоставимую с ним ситуацию, т.е. действие, состоящее в добавлении к образцу некоторой уточняющей информации. В итоге продукция трактуется нами как пара образцов, первый из которых описывает ситуацию, в которой некоторая продукция может быть применена, а второй – ситуацию, возникающую после применения этой продукции.

В принципе подобную модель можно описать на языке теории множеств и отображений, но поскольку соответствующий класс множеств и отображений очевидно образует категорию, а многие возникающие в наших задачах конструкции являются конструкциями, хорошо известными в теории категорий, использование теоретико-категорного аппарата представляется нам вполне уместным и плодотворным.

Одной из важных задач, которыми наш коллектив занимался в ИППИ многие годы, является исследование так называемых динамических экспертных систем [Стефанюк, 1994; Стефанюк и Жожикашвили, 2007]. Это системы, в которых полученные в процессе логического вывода данные и знания не являются незыблемыми, а могут быть пересмотрены при некоторых обстоятельствах.

В наших прикладных работах нами была развита технология, позволяющая превращать обычные продукционные системы в динамические. Это преобразование не требовало принципиально менять базу знаний, не которой была построена система. Желание описать эту технологию в рамках теории ТК-продукций привело нас к новым теоретико-категорным построениям. Прежде всего, потребовалась математическая схема, позволяющая описывать условия, при которых полученные ранее факты могли утратить силу. В качестве математического объекта, описывающего совокупность подобных условий, была выбрана алгебраическая решетка. Каждый элемент этой решетки описывает состоянии системы с точки зрения истинности полученных в процессе предшествующего вывода результатов. Если некоторый результат считается истинным в состоянии, описываемом некоторым элементом решетки, он является истинным и во всех состояниях, описываемых «меньшими» элементами решетки, но может утратить истинность, если этот элемент больше или не сравним с исходным. Такая решетка была названа нами контекстной. Нами был построен целый ряд контекстных решеток, описывающих логику работы различных динамических систем. Оказалось, кстати, что на языке контекстных решеток могут быть описаны не только динамические системы, но и некоторые другие интересные схемы работы со знаниями, например система, в которую разные знания вносятся разными специалистами, не все из которых согласны друг с другом по некоторым вопросам.

Имея контекстную решетку и категорию, описывающую обычную (не динамическую) систему, мы научились строить по ним новую категорию, которую можно использовать для описания соответствующей динамической системы. Эта операция, таким образом, повторила наши прикладные исследования, в которых мы преобразовывали базу знаний для обычной системы в базу знаний для динамической. Построенная в результате категория состояла как бы из нескольких слоев, каждый из которых копировал исходную категорию и относился к одному из элементов контекстной решетки. Операция построения новой категории по категории и решетке поставила ряд математических вопросов, которые были частично решены в наших исследованиях и которыми мы продолжаем заниматься и сейчас.
Выводы. Показанный здесь прогресс в развитии взаимоотношения человека и вычислительной машины, а именно в разработке методов прямого извлечения знаний из научных текстов, в создании теоретико-категорного описания работы систем искусственного интеллекта и получение первых результатов действительно творческого решения компьютером задач в таких системах, указывает на перспективность всего направления искусственного интеллекта. Можно смело сказать, что задача искусственного интеллекта – это не просто имитация интеллектуальной деятельности человека, но и дальнейшее проникновение в тайны мышления и когнитивной деятельности вообще.

Круг проблем, который решает наш коллектив, порожден удивительным совпадением индивидуальных научных интересов, тем прогрессом, который на наших глазах осуществляется наукой и ее приложениями, а также общей творческой обстановкой, характеризующей Институт проблем передачи информации.

Стефанюк В.Л. Об устойчивости регулировки мощности в сети радиостанций// 3-я конференция по теории передачи и кодирования информации. - М.:Совет по кибернетике, 1967. - С.64-71.

Стефанюк В.Л. Некоторые локальные критерии устойчивой регулировки мощности в коллективе радиостанций//Проблемы передачи информации. - 1968. - Т.4. - N.1. - С.90-91.

Stefanuk V.L. On a local approach to representation in problem solving// Proceedings of the 3IJCAI. - Stanford: Stanford University, 1973. - pp. 612-617.

J. McCarthy. Creative Solutions to Problems, 1999, http://www-formal.stanford.edu/jmc/

Стефанюк В.Л. Локальная организация интеллектуальных систем. Модели и приложения. М.: Физматлит, 2004 , 328 c.

Савинич Л.В. Стефанюк В.Л. Представление конструкций со значением обусловленности // Труды 2-й международной конференции "Системный анализ и информационные технологии (САИТ-2007)",Т. 1, с. 171–173. – М: Издательство ЛКИ/URSS, 2007.

Стефанюк В.Л., Жожикашвили А.В. META-ES (консультирующая мета экспертная система)// Програмное обеспечение и прикладные системы искусственного интеллекта, Каталог выставки на II Всесоюзной конференции "Искусственный интеллект-90" г. (Минск.), М.- ИВТС МГТПТО, С. 116-120, 191.

V.L. Stefanuk, A.V. Zhozhikashvili. Productions and rules in artificial intelligence, KYBERNETES, The International Journal of Systems & Cybernetics. MCB University Press: 2002, P. 817-826.

А.В.Жожикашвили, В.Л.Стефанюк. О понятии продукции в искусственном интеллекте, Известия РАН, серия Теория и системы управления N4, c.76-81, 2002.

В.Л.Стефанюк А.В.Жожикашвили, Сотрудничающий компьютер: проблемы, теории, приложения. Москва, Наука, 2007

Стефанюк В.Л. Поведение квазистатической оболочки в изменяющей нечеткой среде. Труды IY национальной конференции с международным участием «Искусственный интеллект - 94», Рыбинск, сентябрь 16-24, 1994, Т.1, P.199-203.

Неинвазивная реконструкция электрограмм на эпикардиальной поверхности сердца: результаты вычислительных экспериментов с использованием индивидуальных анатомически точных моделей
Калинин А.В.¹, Калинин В.В.²( ¹ИППИ РАН ,²НЦ ССХ им. Бакулева)

e-mail:kalinin@iitp.ru;
Нарушения сердечного ритма, снижающие продолжительность и качество жизни, а также являющиеся причиной внезапной сердечной смерти, являются серьезной медицинской и социальной проблемой. Несмотря на большой арсенал средств, применяемых для лечения сердечных аритмий (лекарственная терапия, хирургические и интервенционные методы, имплантируемые устройства) проблема нарушений сердечного ритма далека от окончательного решения. Для успешного лечения сердечных аритмий необходимо совершенствование методов диагностики и исследования индивидуальных электрофизиологических процессов сердца.

Основным методом исследования электрофизиологии сердца и диагностики нарушений сердечного ритма является электрокардиографический метод, основанный на регистрации и анализе электрического поля сердца, возникающего в результате его электрофизиологической активности. Предложенная более 100 лет назад классическая электрокардиография, использующая регистрацию электрокардиосигналов в 12 отведениях с поверхности тела, остается одним из важнейших методов функциональной диагностики сердечно-сосудистой системы. Однако классическая электрокардиография имеет принципиальный недостаток. Электрокардиограммы, записанные с поверхности тела, отражают суммарную электрическую активность сердца и обладают низкой избирательностью к локальным электрофизиологическим процессам.

При регистрации электрокардиосигналов непосредственно с поверхности сердца пространственная разрешающая способность метода принципиально возрастает. В связи с этим созданы методы инвазивного электрофизиологического исследования сердца, основанные на прямой регистрации электрограмм с поверхности миокарда при помощи специальных катетеров, введенных в камеры сердца или полость перикарда.

Однако процедура катетеризации сердца является сложной и может вызывать редкие, но серьезные осложнения.

Альтернативным методом является неинвазивное электрофизиологическое исследование сердца, основанное на вычислительной реконструкции электрограмм на поверхности миокарда по данным поверхностного ЭКГ картирования. За последние годы некоторые исследовательские группы достигли большого прогресса в этой области (Ramanathan et al., 2004; Berger et al., 2007).

Одним из важных условий успешного создания методов вычислительной реконструкции электрофизиологических процессов является возможность их строгой экспериментальной проверки. В настоящее время, помимо экспериментов in vitro и in vivo, имеются перспективные возможности использования вычислительных экспериментов (in silico).