6) Результат получен для двух специфических в геохимическом отношении территории - Астраханской области и г. Самара. Выявленные закономерности должны быть апробированы для других территорий, а также для всех исследуемых территорий одновременно. В последнем случае может оказаться, что мужчины и женщины неразделимы, несмотря на то, что для каждой отдельной территории они дифференцируются с высокой точностью. Это означает, что существует условие, при котором предварительное разделение по некоему идентификационному признаку (территория проживания) позволяет проводить классификацию объектов по другому признаку (мужчина-женщина), при разработке общего алгоритма диагностики это условие должно быть выполнено.

7) Представленные дискриминантные функции и правила отнесения объектов к определённой половой, возрастной и ростовой группе, уже в настоящем виде могут быть положены в основу алгоритма автоматизированного формирования экспертных оценок пола, возраста и длины тела. Для более градуального определения возраста и длины тела требуется исследование представительной выборки биологического материала возрастных и ростовых групп, недостаточно дробно представленных в исследовании и накопление существенно больших статистических характеристик обучающих выборок. Это частично возможно путем проведения дополнительных исследований, но, в основном, - только при совмещении процесса накопления статистик с процессом рабочего режима экспертной системы, когда после накопления определенного количества экспериментальных данных пользователь может "включить" процесс адаптации решающих правил для коррекции параметров системы.

Модели диагностики экологических условий проживания и локальных условий среды включают следующие основные положения.

1) Показателем экологических условий проживания, а также локальных условий среды являются аномальные "выбросы" концентраций элементов по отношению к средним значениям концентраций, выявленным для территории проживания индивида по всей выборке костной ткани, полученной с этой территории, с применением критерия 3. Поэтому определение нормальных уровней концентраций элементов проводится с учетом данных по территории проживания (геохимический и природно-климатический аспекты).

2) Верхние границы физиологического разброса концентраций различных химических элементов в костной ткани (зубах) людей (без тяжелых органических патологий), определенные для различных в геохимическом и природно-климатическом отношении территорий, представляют собой нижние границы признака, который определяется как повышенная концентрации элементов, обусловленная неблагоприятными экологическими условиями проживания либо неблагоприятными локальными условиями среды.

3) Параметры признака характеризуются абсолютными значениями концентраций различных элементов, содержащихся в костной ткани в количествах выше верхней границы нормального уровня. Для различных территорий эти уровни могут оказаться различными.

4) Предварительно выявлены следующие уровни концентраций элементов - индикаторов экологических или локальных условий среды, которые являются следствием большого количества этих элементов в окружающей среде и выявляются как повышенные или высокие содержания в костной ткани: Zn выше 150 мкг/г; Cu выше 20 мкг/г; Pb выше 5 мкг/г; Mn боле 50 мкг/г; Sr боле 100 мкг/г; Ba более 5 мкг/г; Cr более 5 мкг/г; Cd более 0,1 мкг/г; Co более 1 мкг/г; Ni более 1 мкг/г; Mg более 10³ мкг/г и другие.

5) Рубрикация признака включает две градации: содержание химического элемента в костной ткани "нормальное" и "высокое".

6) Решающее правило диагностики экологических, а также локальных условий среды можно сформулировать следующим образом: все, что ниже уровней, указанных в п.1 (с учетом п.4) - "нормальное" содержание элементов. Всё, что выше указанных уровней - "высокое" содержание элементов в костной ткани, вызванное повышенными содержаниями элементов в окружающей среде.

7) Причины высоких концентраций исследуемых элементов в костной ткани и, соответственно, в окружающей среде могут быть следующие:

близость месторождений различных элементов;

экологическое загрязнение, например, проживание в городах с добывающей или перерабатывающей промышленностью;

постоянные контакты индивидов с объектами, содержащими перечисленные элементы на производстве, на рабочем месте, в быту;

технологическая катастрофа, авария, связанная с рассеиванием тяжелых элементов; радиоактивное поражение; участие в преодолении последствий таких аварий.

Реальные причины выявляют по личным, медицинским и архивным документам идентифицируемого индивида путем раздельных исследований, результаты которых являются сравнительной информацией на погибшего.

8) Содержания элементов-индикаторов экологических и локальных условий среды колеблются в костной ткани в широких пределах. В дальнейшем концентрации элементов используют непосредственно для расчета повышенных содержаний. Учитывая это, а также то, что предварительно предполагать какие именно элементы содержатся в избытке невозможно, желательно наладить технологию их определения одновременно по широкому кругу. Поэтому здесь наиболее существенным является выбор метода (и прибора), позволяющего определять концентрации перечисленных элементов с высокой воспроизводимостью и точностью, а лучше - за одно определение.

Общая модель диагностики медико-биологических признаков

Общая модель включает в себя частные модели, связанные между собой иерархическими (на уровне алгоритмов) отношениями, реализующими различные условия, при которых предварительное разделение объектов исследования по одним признакам позволяет проводить их классификацию по другим. Общая модель диагностики признаков включает следующие частные модели:

модель диагностики видовой принадлежности;

модели диагностики пола, возраста и роста;

модель диагностики территории проживания (геохимический аспект);

модель диагностики природной зоны проживания;

модель диагностики экологических и локальных условий среды;

модель диагностики заболеваний;

модель диагностики характера питания;

модель диагностики среды и давности захоронения;

При этом основная задача состоит, во-первых, в разработке алгоритмических и программных средств интерполяции взаимосвязи элементного состава костной таки с медико-биологическими признаками и, во-вторых, в разработке широкого спектра алгоритмов с использованием процедуры адаптации по мере накопления базы данных.

Алгоритмы системы диагностики признаков человека

Алгоритмы системы диагностики признаков при её формировании включают три типа общих процедур:

1) формирование баз данных (путем разделение первичного массива признаков на базы данных для обучения, для диагностики признаков и базу данных медико-биологических признаков);

2) предварительную обработку данных и 3) основную обработку данных, включающих пошагово операции, рассмотренные в разделе статистических исследований

1) Распределение признаков по базам данных. Каждый пример из первичного массива данных представляет собой признаки человека и включает данные двух типов: первичные признаки X (концентрации ~50 элементов от Na до U) и медико-биологические признаки Y (пол, возраст, длина тела, территория проживания и т.д.). Исходя из того оба типа признаков (X, Y) содержит пример или один из типов X или Y, данные распределяются, соответственно, в базу данных для обучения, базу данных для диагностики признаков и базу данных медико-биологических признаков.

2) Предварительная обработка данных предназначена для обнаружения:

пропусков численных значений признаков;

значимости химического элемента для определения признака;

аномальности (выбросов) или нормальности концентраций;

бимодальности распределения концентраций;

Обнаружение пропусков. Пропущенные данные могут наблюдаться во всех типах признаков. Обнаружение пропусков служит для выявления в поступающем наборе данных (X,Y) пропущенных значений X и (или) Y (рисунок 11). Анализу на наличие пропусков подвергаются все три базы данных признаков (X, Y), X и Y.

При обучении экземпляр данных (X, Y) с пропуском x в наборе X проверяется на совпадение со значимыми первичными данными x из набора X для каждого медико-биологического признака из Y. Если пропуски значимых концентраций X для тех или иных Y не обнаружены, пример "идет" на обучение. Если пропуски значений концентраций x в базе данных совпали со значимыми для признака из Y, то соответствующий экземпляр (X, Y) исключается из обучающей выборки, либо направляется на сглаживание с применением критерия 3 для помещения его в обучающий набор нейросетевого классификатора.

При диагностике признаков Y пропуск значимого первичного признака x в наборе X (концентрации элементов) приведет к невозможности диагностики и направлению экземпляра данных в обучающий набор нейросетевого классификатора.

При пропуске в наборе Y медико-биологического признака у этот признак исключается, как из обучения, так и из идентификации как несуществующий.

Обнаружение выбросов. Обнаружение выбросов служит для выявления в наборе данных (X) численных значений x, которые резко выделяются из основного набора данных (рисунок 11). Выявление аномальных значений означает, что в наборе данных обнаружен новый диагностический признак либо возникла систематическая погрешность при измерении концентраций. Для выявления выбросов могут использоваться как средства графического отображения данных (гистограммы), так и математические процедуры выявления выброса.

При обучении экземпляр данных (X, Y) с выбросом в наборе X должен быть изъят из обучающего набора как непредставительный либо направлены на сглаживание с применением критерия 3 с заменой аномального значения на среднее по выборке.

При диагностике признаков Y выброс значимого первичного признака x в наборе X приведет к невозможности определения признаков Y как методами многомерной статистики так и нейросетевыми методами. При обнаружении в экземпляре данных (X,Y) выбросов концентраций X, этот экземпляр должен быть направлен в обучающую выборку для формирования правил отбора таких особенных признаков.

Обнаружение бимодальности. Бимодальность распределения значений концентраций может возникнуть, если в выборке смешаны две группы признаков. Различия в распределении выявляются путем визуальной оценки гистограмм данных. Если на гистограмме обнаруживается два пика, это говорит о наличии бимодальности.

Рисунок 11 - Общий алгоритм обработки данных при обучении

Выявление бимодальности при обучении является сигналом появления нового классификационного признака и новых классификационных правил. Для надежного выявления бимодальности необходимо накопление большой выборки примеров, отражающих основную статистику распределения концентраций элементов. Примеры с не выявленной причиной бимодальности исключаются из обучающей выборки как непредставительные с тем, чтобы исключить их непредсказуемое влияние на основную модель распределения концентраций (рисунок 11).

При диагностике признаков наличие бимодальности оценивается только для значимых первичных признаков x из набора X. В случае выявления бимодальности экземпляр исключается из базы данных для диагностики признака.

Оценка значимости признака. Для каждого признака y из набора Y существует своя группа значимых химических элементов x из набора X, которые являются важными для построения решающих правил и диагностики признаков. Выявление зависимостей проводится с применением методов многомерного статистического анализа и нейронных сетей. При этом используются все полученные выше оценки пропусков, выбросов и бимодальности.

3) Основная обработка данных Примеры после предварительной обработки, Если они не исключены из обучения или диагностики признаков, перераспределяется для основной обработки данных. Аномальные значения концентраций x из набора X, если они появляются регулярно и не являются систематической ошибкой метода элементного анализа, также переадресуются для выявления решающих правил диагностики признака Y, определяемого этим аномальным значением x. Основная обработка проводится для каждой обучающей выборки, она предназначена для

обнаружения и построения функциональных зависимостей между концентрациями элементов и медико-биологическими признаками;

визуализации обособленных групп признаков на диаграммах распределения;

построения решающих правил диагностики признаков;

проведения диагностики медико-биологических признаков.

При обучении обнаружение обособленных групп признаков x из набора X, значимых для медико-биологического признака Y, визуально проявится в виде детализации структуры распределения X и образования нового кластера.

Информация об изменении структуры распределения X является причиной, по которой для выделившегося набора проводится построение разделяющих правил. Эта процедура должна выполняться при каждом случае пополнения базы данных новыми примерами для каждого признака Y.

Перенесение схемы разделения признаков на нейронную сеть. Полученная, с помощью многомерной статистики, схема разделения признаков в дальнейшем "переносится" на структуру нейронной сети. Нейронная сеть, после накопления достаточного для работы количества примеров, во время обучения извлекает из обучающей выборки (поступившей после обработки ее методами многомерной статистики) схему разделения признаков и, по мере поступления и накопления примеров, оптимизирует ее (увеличивает количество признаков и рубрик признаков; уточняет старые и создает новые решающие правила классификации; уточняет вычисляемые значения признаков). Нейросетевой классификатор использует примеры для выявления областей их скопления и построения границ между этими областями.

При диагностике признаков Y используется иерархическая структура, полученная в результате обучения. По концентрациям x элементов значимых для диагностики признаков Y определяются значения признаков y.

Аномальные случаи, не попавшие ни в какие классификаторы, анализируются с точки зрения возможного возникновения их в результате систематических ошибок измерения. При исключении таких ошибок, примеры накапливаются как потенциально значимые и представляющие собой редкие случаи.

Алгоритмы диагностика признаков человека (обобщённый пример)

В ходе разработки комплексной системы формируется, определенная последовательность процедур диагностики признаков (рисунок 12). После реализации этих процедур выполняется собственно определение значения признаков. При этом в случае установления принадлежности костных останков животному диагностика завершается. При выявлении принадлежности костей человеку, определяются другие его признаки (рисунок 12).

Кроме того, нейросеть, фактически формирует представление о "нормальном" содержании и различных градациях аномальных концентраций элементов в костной ткани человека для различных территорий и обобщает эти данные по всем признакам. Это, после накопления статистик и ряда итераций, позволит создать модель определения нормального физиологического разброса, реализовать алгоритм его формирования, оценить верхнюю и нижнюю границы нормального уровня концентраций элементов в костной ткани человека и дать реалистичное представление об этом показателе. Оптимизированный показатель нормального физиологического разброса в дальнейшем используется для установления повышенных (пониженных) концентраций и дисбаланса элементов в костной ткани, экологических условий проживания, локальных условий среды, заболеваний человека, характера питания, среды и давности захоронения.

Разработанный нами подход позволяет проводить комплексную оценку обезличенных останков индивида по основным медико-биологическим признакам (таким как видовая принадлежность, пол, возраст, длина тела, территория проживания, и пр.), исходя из имеющегося материала (трупа или скелетированных останков). Исходными данными для этого являются концентрации химических элементов в костной и зубной ткани. В таблице 10 приведен фрагмент более подробного алгоритма диагностики признаков с применением данных об элементном составе костной ткани. Эти алгоритмы представлены в виде обобщённого примера. На основе диагностированного перечня признаков человек может быть идентифицирован.

Рисунок 12 - Общий алгоритм обработки данных при диагностике признаков

В сложных случаях разработанный подход обеспечивает резкое сужение круга поиска, выявление более четких ориентиров происхождения объекта (трупа) для проведения целенаправленных розыскных мероприятий, выявления сравнительного материала и, в конечном итоге, идентификации.

Таблица 10 - Фрагмент алгоритма диагностики признаков (обобщённый пример)

Выводы

7. Обоснована необходимость перехода от показателя этно-территориальная принадлежность (являющегося смешением ряда показателей) к использованию более адекватных признаков, таких как территория проживания исследуемых индивидов в различных ее аспектах (геохимическом, природном, экологическом).

Кроме этого, показана возможность по элементному составу костной ткани провести:

диагностику природной зоны проживания индивидов (арктическое побережье; зона таежно-смешанных лесов; умеренная лесная зона; лесостепная и степная зона; пустыни и оазисы в пустынных ландшафтах);

диагностику характера питания индивидов, позволяющего устанавливать отдельные типы питания индивидов (преимущественное употребление пищи животного происхождения, растительных или морепродуктов; употребление в пищу рыбы, моллюсков, членистоногих и т.д.).

локализацию экологических и локальных условий среды проживания, а также среды и давности захоронения.

8. Построена общая модель диагностики признаков, включающая в свой состав

частные модели, каждая из которых основывается на

выявлении значимых для определения медико-биологических признаков первичных признаков - химических элементов;

определении численных значений первичных признаков x - концентраций элементов;

применении решающих правил для определения медико-биологического признака Y;

отнесении исследуемого образца к одной из рубрик y признака Y.

9. Определена система и последовательность алгоритмов и процедур анализа первичных признаков (измеряемые концентрации химических элементов) для получения диагностических признаков экспертизы.

Список работ, опубликованных по теме диссертации