SYCHOPHYSIOLOGICAL PARAMETERS OF STUDENTS BEFORE AND AFTER TRANSLATITUDE TRAVELS

Abstract


The use of instrumental and non-invasive methods using a computer provides an opportunity to assess the state of the complex of psychophysiological functions and identify the most significant parameters in various environmental conditions. The aim of the study was a comparative analysis of two approaches: traditional statistical methods and artificial neural networks (ANN) based on a supercomputer in the study of the influence of translatitude relocation on psychophysiological functions. Methods: In total, 146 students, permamnent residents of Surgut from the 1st through the 7th grades were examined before and after travels from the north to the south of the Russian Federation and back. The state of the psychophysiological functions of students was recorded by using a patented software. The ANN was used to establish the differences in the state of psychophysiological parameters between the groups of boys and girls before from the north to the south (Tuapse) and after arriving back to Surgut. After multiple repetitions (p→∞) of this procedure, for each Pi after the j-th repetition, we obtained the total number of chaotic generation of values of weight coefficient wif processed in the framework of traditional stochastic (the distribution functions f(x) were determined). Moreover, these analyses were repeated in the sets р1 = 50, р2 = 100, р3 = 1 000. Results: We found that the dynamics of parameters of psychophysiological functions of characterizing the concentration and memory states, increased sharply and significantly in changes of the variation coefficients (Δwi) with a large number of neural network iterations in the binary classification mode. Conclusion: ANN in the mode of multiple iterations (P. ≥ 1 000) can provide a solution to the problem of system synthesis - identification of the most significant diagnostic features in the work of psychophysiological functions before and after short term north-south travels.

Full Text

Состояние психофизиологических функций зависит от большого комплекса воздействий параметров экологических факторов, техногенного и социально-психологического характера. Установлено, что в основе функциональных изменений организма при перемещениях лежит десинхроноз - нарушение структуры биологических ритмов различных физиологических систем и, как следствие, дискоординация всех внутрисистемных и межсистемных механизмов регуляции функций целостного организма [1, 5]. При всех видах перемещений в контрастные климатовременные и социальные условия первая кратковременная реакция 18 Экология человека 2019.04 Экологическая физиология проявляется в снижении работоспособности и повышении энергозатрат организма [2, 7]. Одновременно развиваются специфические адаптивные реакции, определяемые экологическими и социальными особенностями среды [4, 5]. Психическая и психофизиологическая адаптация человека на Севере актуальна не только в связи с «абсолютной» суровостью климата, но и в связи с тем, что население этого региона сегодня формируется преимущественно за счет миграционных потоков, причиной которых является в большей части экономическая сторона вопроса. Множество людей одновременно оказываются в новых и необычных условиях, предъявляющих повышенные требования к адаптивным механизмам. Например, частота стойких нарушений психической адаптации среди лиц, проживающих на Севере менее 3 лет, значимо больше, чем у лиц, проживающих на Севере 6-10 лет [12, 14]. Методы Всего были обследованы 83 учащихся 1-7-х классов школ г. Сургута и Сургутского района в условиях широтных перемещениях с севера на юг Российской Федерации и обратно в четыре этапа: «до отъезда», «после приезда» в санаторий «Юный нефтяник» (время пребывания в санатории - 2 недели), «перед отъездом» из него и «по приезду» в Сургут на предмет исследования динамики влияния широтных перемещений на психофизиологические функции и отыскание параметров порядка в рамках сравнения эффективности двух подходов (традиционная статистика и применение искусственных нейронных сетей - ИНС на базе ЭВМ). Критерии включения в исследование: возраст учащихся 7-14 лет; отсутствие жалоб на состояние здоровья в период проведения обследований; наличие информированного согласия на участие в исследовании. Критерий исключения из исследования: болезнь учащегося в период обследования. Обследование школьников выполнялось неинвазивными методами и полностью соответствовало этическим нормам, предусмотренным Хельсинкской декларацией (2000). В настоящих исследованиях использовалась программа [11], которая обеспечивает объективное получение информации о показателях ряда психофизиологических функций (с помощью P-теста). Обследуемым предъявлялся набор из 7 тестов (блок), под общим названием Р-тест (от англ. Psychological test) для выявления особенностей сенсомоторных (P1- P3) показателей и качественной оценки ряда психофизиологических показателей (P4 - P7). В нашем исследовании представлены результаты тестов психофизиологических показателей (P4-P7). Тест P4: через произвольные промежутки времени загорались (появлялись) на мониторе (попеременно) квадрат красного или квадрат зеленого цвета (каждый цвет имел свой номер в рефлексии). Кроме того, происходило это в произвольных областях экрана. Вы полнение задания оценивалось по среднему времени реакции (латентный период, с) и подсчитывались неправильные ответы в процентах. Тест P5 заключался в распознавании четных и нечетных чисел: испытуемый должен был как можно быстрее после появления двузначного числа на экране монитора определить, какое это число (четное или нечетное), и нажать соответствующую цифру на клавиатуре. Выполнение задания оценивалось также по среднему времени реакции (латентный период, с). Тест P6: испытуемый должен был нажимать цифру на клавиатуре компьютера от 1 до 9 в соответствии с символом, появляющимся на экране. При этом на мониторе по очереди появлялся один из 9 разных символов (знаков) в произвольном порядке, каждому из них соответствовала какая-то цифра, которую и должен был нажать испытуемый. Выполнение задания оценивалось также по средним латентным периодам (с) и количеству неправильных ответов (%). Тест P7 представлял собой наиболее энергоемкое (в психическом плане) задание, т. к. был направлен на сосредоточенность внимания и занимал относительно больший промежуток времени (несмотря на достаточно простое задание). В таблице (10 на 10 символов) из чередующихся в произвольном порядке четырех видов фигур испытуемый должен был выделить (при перемещении курсора вперед или назад на экране монитора) все фигуры одного заданного вида. Выполнение оценивалось по числу символов, идентифицируемых в одну секунду, а также определялась с помощью ЭВМ точность выполнения (процент неправильных (ошибочных) ответов) задания. В рамках применения ИНС [8, 9, 15, 16] были поставлены задачи, например, чем отличаются дети (мальчики и девочки) до отъезда в санаторий и после возвращения в г. Сургут. Подобные задачи имеют два общих признака, в частности, у биологических динамических систем должно быть dx/dt = 0 (хотя бы на малом интервале времени t), и они должны образовывать разные группы объектов (испытуемых). Эти группы испытуемых могут отличаться по полу, возрасту или вообще различаться по условиям пребывания в экосреде. Использовалось четырехмерное фазовое пространство вектора состояния психических функций x(t), когда в ИНС вводились обучающие выборки xij, где i = 1, 2, 3, 4 номер координаты фазового пространства, а j = 1, 2 ... n, где n - число обследуемых в данной группе (мальчиков 38 и девочек 45). Особенность нашей настройки заключалась в том, что число итераций (p1 = 50, p2 = 100, p3 = 1 000 итераций) P. брали в указанных трех диапазонах, но при каждом j-м цикле значения wi0 задавались из равномерного закона распределения в интервале (0,1). Сравнение групп испытуемых выполнялось в четырех представленных состояниях, т. е. после решения задачи бинарной классификации получались выборки wij весов признаков P,, которые при каждой итерации имели свои значения. 19 Экологическая физиология Экология человека 2019.04 Статистическая обработка данных осуществлялась при помощи программных пакетов Excel MS Office -2010 и Statistica 10. Анализ соответствия вида распределения полученных данных закону нормального распределения производился на основе вычисления критерия Шапиро _ Уилка. Критерий Шапиро _ Уилка W является наиболее эффективным, так как он обладаем большей мощностью по сравнению с альтернативными критериями проверки нормальности. Выявлялись различия между конкретными группами (парное сравнение групп) при помощи непараметрического критерия Вилкоксона с поправкой Бонферрони (для оценки справедливости нулевой гипотезы). Результаты Количество возможных сравнений групп в разных экологических состояниях было рассчитано по формуле: n = 0,5N (N _ 1), где N _ количество изучаемых групп. В нашем случае отмечены 4 группы (1 группа _ до отъезда из Сургута в санаторий; 2 группа _ по приезду из Сургута в санаторий; 3 группа _ при отъезде из санатория в Сургут; 4 группа _ по возвращении в Сургут), тогда максимальное количество возможных сравнений составит n = 0,5 х 4 х (4 _ 1) = 6. Если оставить критический уровень значимости без изменений (0,05), то вероятность случайного обнаружения статистически значимых различий составит 1 _ 0,956 = 0,26, или 26,0 %. При групповом и межгрупповом сравнении на основе критерия Вилкоксона во всех четырех измерениях нет статистически значимых различий между мальчиками и девочками (табл. 1). Более того, при сравнении состояния параметров психофизиологических функций между первым (до отъезда) и последующими измерениями как между группами девочек Таблица 1 Результаты статистической обработки психофизиологических тестов (P4_P7) учащихся в условиях трансширотного перемещения (статистические различия по критерию Вилкоксона) Этап P4 P5 P6 P7 1-й, д 0,54+0,11 1,42+0,59 2,39+0,46* 1,79+0,20* 1-й, м 0,50±0,03 1,11+0,85 2,65+0,47* 1,85+0,27* 2-й, д 0,54+0,06 1,00+0,49 2,34+0,31 1,99+0,18 2-1, м 0,52+0,01 1,25+0,41 2,44+0,42 1,99+0,13 3-й, д 0,57+0,03 1,01+0,22 2,13+0,29 1,99+0,24* 3-й, м 0,55+0,01 1,21+0,52 2,16+0,24 2,21+0,18* 4-й, д 0,56+0,01 0,99+0,01 2,06+0,16 2,06+0,18 4-й, м 0,56+0,01 0,86+0,04 2,01+0,30 2,00+0,21 Примечания: 1-й этап _ перед отъездом; 2-й _ сразу после прибытия в санаторий; 3-й _ перед отъездом из санатория и 4-й по возвращении в Сургут; д _ девочки, м _ мальчики, P4 _ латентный период (ЛП) реакции на появление зеленого/красного квадрата в произвольном месте экрана, с; P5 _ ЛП распознавания чётных и нечётных чисел, с; P6 _ ЛП распознавания символа, с; P7 _ сосредоточенность внимания, с; статистическая значимость различий: * _ р < 0,05. в разных экологических состояниях, так и в группе мальчиков, а также при межгрупповом сравнении (мальчики и девочки), статистически значимых различий получено не было (кроме случая с параметром P4, который имеет параметрическое распределение). Поэтому в сводной табл. 1 результатов статистической обработки психофизиологических функций указаны медианы, т. к. практически на всех этапах исследования было установлено непараметрическое распределение параметров. Проверка на нормальное распределение и статистическая обработка психофизиологических функций испытуемых на всех этапах измерений при p; = 50, p2 = 100, p3 = 1 000 итераций (повторов настроек нейроэмулятора) установила, что параметры психофизиологических функций (P4_P7) имеют непараметрический тип распределения данных, однако параметр P7 на первых трех этапов исследований имеет нормальное распределение и в одном случае нормальное распределение у параметра P4 (табл. 2). Таблица 2 Результаты проверки на нормальное распределение и статистическая обработка психофизиологических функций испытуемых при p1 = 50, p2 = 100, p3 = 1 000 итераций Мальчики и девочки после прибытия в санаторий Pi N Макс. D К.- С. Лиллиеф. W p* p = 50 4 50 0,080 P. > ,20 P. > ,20 0,968 0,206 5 50 0,172 P. < ,15 P. < ,01 0,918 0,002 6 50 0,110 P. > ,20 P. < ,15 0,925 0,003 7 50 0,062 P. > ,20 P. > ,20 0,977 0,449 P. = 100 4 100 0,084 P. > ,20 P. < ,10 0,956 0,002 5 100 0,115 P. < ,15 P. < ,01 0,938 0,000 6 100 0,094 P. > ,20 P. < ,05 0,941 0,000 7 100 0,060 P. > ,20 P. > ,20 0,971 0,030 P. = 1 000 4 1000 0,069 P. < ,01 P. < ,01 0,957 0,000 5 1000 0,090 P. < ,01 P. < ,01 0,946 0,000 6 1000 0,074 P. < ,01 P. < ,01 0,954 0,000 7 1000 0,068 P. < ,01 P. < ,01 0,955 0,000 Примечания: здесь и далее в табл. 3_5: P. _ количество обучений ИНС на базе суперкомпьютера; Pi (P4_P7) _ параметры психофизиологических функций учащихся; p* _ статистическая значимость различий. Анализ статистических данных P. показывает, что могут быть непараметрические законы распределения и даже параметрические. Достоверное статистическое различие мы наблюдаем в первой группе исследований для 4-го теста (сосредоточенность внимания, с) и в третьей группе исследований в 1-м (латентный период (с) реакции на появление зеленого/красного квадрата в произвольном месте экрана (с)) и 4-м тестах. Наличие различий говорит, что выборки могут принадлежать разным генеральным совокупностям. 20 Экология человека 2019.04 Экологическая физиология Периодизм физиологических и психофизиологических функций, которые закреплены в течение длительного воздействия параметров в месте постоянного проживания, сохраняется в течение определенного времени после перелета в другой часовой пояс. Как известно, временной сдвиг рассчитывается по формуле С (ч) = I1 - I2/15, где I1 - долгота пункта вылета; I2 - долгота пункта назначения. Долгота пунктов, которые расположены к востоку от Гринвича, входит в формулу со знаком минус, к западу - со знаком плюс, т. е. перелет на запад соответствует положительному сдвигу времени, а на восток - отрицательному [5]. Следовательно, в нашем случае: C (ч) = 73° - 38°/15 = 2,3 ч. Однако большинство исследователей считают, что десинхроз проявляется со стороны центральной нервной системы (ухудшение субъективного состояния, увеличение латентных периодов реакций) и работы вегетативной нервной системы при перелете в среднем через четыре часовых пояса. Динамика изменения в работе психофизиологических функций полученных результатов в рамках стохастических методов согласуются с подобными утверждениями и одновременно подчеркивают ограниченные возможности детерминистско-стохастического подхода в оценке влияния на человека сезонного десинхроза в условиях кратковременного пребывания на юге. Обсуждение результатов В экологии человека очень часто возникают задачи разделения разных групп (например, популяций), имеющих одинаковые (возрастные, половые и др.) характеристики, но находящихся в разных экологических условиях. Например, при изучении различий в параметрах организма между группами коренного и пришлого населения, между испытуемыми, принадлежащими к разным этническим группам, выходцами из разных территорий, но уже проживающими на одной территории и т. д. [6, 8, 12, 14]. После выявления различий в параметрах (для сравниваемых групп) сразу возникает вопрос о значимости (ранжировании) используемых диагностических признаков. Это задача системного синтеза, т. е. отыскание параметров порядка. В экологии человека такая процедура укажет, на какие процессы следует обратить особое внимание (какие функциональные системы и как реагируют на внешние экофакторы). С математической точки зрения подобные задачи обычно решаются в рамках анализа статистических функций распределения для всех компонент xi вектора состояния системы (ВСС) x = x(t) = (x1, x2 ... xm)T на основе статистической проверки гипотез или методами теории рисков. Последние годы к решению такой проблемы диагностики стали привлекаться методы нечетких множеств и теории нейросетей мозга. В последнем случае при использовании нейроэмуляторов возможно решение задачи бинарной классификации, которая определяет не только возможность (или невозможность) разделения двух разных в экологическом отношении сравниваемых групп, но и одной группы, находящейся в состоянии до воздействия экофакторов и после такого воздействия (это часто встречается именно в экологии человека). Традиционно (в рамках стохастического подхода) такая задача решалась на основе анализа различий в функциях распределений для каждого из признаков xi, характеризующих состояние экосистемы (ЭС). При этом все это состояние ЭС описывается вектором состояния системы x(t), компоненты которого xi могут принимать различные значения из некоторой области Ах. по каждой такой координате ВСС в фазовом пространстве состояний - ФПС. При этом динамика поведения ЭС может быть очень сложной, и такие системы I. R. Prigogine и H. Haken [цит. по 13] относили к complexity, т. е. к уникальным системам с неповторимой динамикой и состояниями. Исходя из предыдущих работ [8, 10, 12, 14, 17], было установлено, что нейроэмуляторы (и нейросети мозга вообще) невозможно использовать для идентификации параметров порядка (наиболее важных диагностических признаков) при разовой настройке (N = 1) [5, 8, 9, 13]. При малыхp < 100 мы для каждого значения l будем получать свой набор ранжирования w^ и свои значения средних весов < wil> для каждой выборки l, и тогда задача идентификации параметров порядка не будет решена [16]. В рамках применения ИНС на базе суперкомпьютера были поставлены задачи по идентификации различий в работе психофизиологических функций в разных экологических условиях групп детей (мальчики и девочки) до отъезда в санаторий и по возвращении в г. Сургут. Для этих целей был выбран простой режим работы ИНС - режим бинарной классификации. На вход ИНС предъявлялись две выборки в виде набора признаков Pi (i = 1 . 4) для двух групп испытуемых. Для ИНС исходно при каждой настройке (итерации) задавались начальные веса этих диагностических признаков xi0 из отрезка (0, 1) с равномерным распределением (генератор хаотических сигналов). В табл. 3 представлена динамика коэффициентов вариации <Aw> весов признаков P4 - P7 при 50, 100 и 1 000-кратном обучении нейросети (каждая строка в этих таблицах показывает интервал изменения всех четырех усредненных весов по пяти сериям). Как видно из табл. 3, с увеличением количества итераций обучений нейросети вариационный размах весовых коэффициентов в большинстве случаев (особенно после возвращения в Сургут) уменьшается, за исключением параметра P4. При увеличении числа повторов итераций p, т. е. повторов решения задачи бинарной классификации в рамках исходного задания хаотичного набора весов признаков xi0, и при переходе к 102 < P. < 103 картина начинает существенно изменяться (существенное снижение отклонений в значениях средних весов показывает сходимость весов признаков при p^œ, и увеличение значений весов P. выше 0,5 является параметром порядка). Возникает некоторая устойчивая первая цифра, а последующие две цифры (дляp > 100) могут изменяться от минимума до максимума, образуя интервал изменения àwi = 21 Экологическая физиология Экология человека 2019.04 w, max - w, min для каждого набора итераций l, где l = 1, 2 ... N. Характер их изменения подобен изменению весов признаков при P. < 100, т. е. отдельные наборы (выборки весов признаков Wj, где j - номер порядка итерации, а l - номер набора (выборки) итераций) демонстрируют ненормальное распределение (хотя нормальные законы распределения тоже возможны). Возникающие непараметрические распределения при этом постоянно изменяются (при переходе от p1 (l = 1) к p2 (l = 2) и т. д.). Для каждой выборки pl, где l - номер серии повторов настройки нейроэмулятора для задачи бинарной классификации, мы будем иметь свои функции распределения f(pl), то есть при N повторах (l = 1 ... N) мы можем получить N различных функций распределения. При 50-, 100-, 1 000-кратном обучении нейросеть выдавала разные результаты ранговой значимости (см. табл. 3), т. е. вклад каждого признака в процедуру идентификации важных диагностических признаков при каждой итерации (настройка нейроэмулятора) являлся различным. Таблица 3 Динамика коэффициентов вариации <\w> весов признаков P. вектора состояния системы при идентификации параметров порядка нейроэмулятором после P. < 50, P. < 100, P. < 1 000 итераций в режиме бинарной классификации Расчеты итераций по выборкам Средние значения весов признаков <w> для координат вектора состояния системы P. P4 P5 P6 P7 При отъезде из Сургута Нейросети c P. < 200 = 4 х 50 Интервалы изменений <Aw> 0 0,06 0,065 0,214 Нейросети c P. < 400 = 4 х 100 Интервалы изменений <Aw> 0 0,039 0,055 0,028 Нейросети c P. < 1000 = 4 х 1000 Интервалы изменений <Aw > 0 0,0192 0,0133 0,0118 По возвращении в г. Сургут Нейросети c P. < 200 = 4 х 50 Интервалы изменений <Aw > 0 0,07 0,017 0,015 Нейросети c P. < 400 = 4 х 100 Интервалы изменений <Aw > 0 0,053 0,038 0,029 Нейросети c P. < 1000 = 4 х 1000 Интервалы изменений <Aw > 0 0,0131 0,0078 0,0099 В табл. 4 и 5 представлены результаты обучения ИНС по пяти наборам р для малых (р = 50) и для больших значенийр (р2, р3). Дляр = 50 мы получили пять законов распределения (и они все разные!), а для N серий по р итераций в каждой мы получим N х m выборок и функций распределения, т. е. для каждой р-й серии будем иметь уникальное распределение весов признаков. Такая ситуация является обычной (или нормальной) для хаотического процесса настройки нейросети при одинаковых обучающих выборках (и наборах xi0). Именно такой хаотической настройкой нейросети мы сейчас объясняем хаос параметров психофизиологических функций, кардиоинтервалов и любых других параметров гомеостаза отдельного организма и любой физиологической системы в целом [3, 8, 9]. Динамика изменения параметров порядка психофизиологических функций такова, что параметр P4 до отъезда из Сургута в санаторий и по возвращении не изменился (P. = 1, Aw, = 0), однако параметры P5 и P6 потеряли статус параметров порядка при приезде в Сургут: P5 - 0,59^-0,43 и P6 - 0,52^-0,33 (значение параметра P7 практически не изменилось 0,25^-0,29). Таблица 4 Усредненные значения отдельных координат весов признаков wi вектора состояния системы при идентификации параметров порядка нейроэмулятором в режиме бинарной классификации при отъезде из Сургута Средние значения весов призна Расчеты итераций ков <w> для координат вектора по выборкам (P. > 50) состояния системы Pi P4 P5 P6 P7 После P. > 50 итераций p=200, j=(1...200) 1 0,596 0,506 0,262 p=50, j=(1.50) 1 0,616 0,519 0,260 p=50, j=(50...100) 1 0,562 0,536 0,260 p=50, j=(100...150) 1 0,584 0,498 0,265 p=50, j=(150...200) 1 0,622 0,471 0,474 Интервалы изменений <Aw > 0 0,06 0,065 0,214 После P. > 1 000 итераций p=4000, j=(1...100) 1 0,6009 0,5264 0,2524 P. = 1000, j=(0.1000) 1 0,6122 0,5196 0,2526 P. = 1000, j=(1000.2000) 1 0,6007 0,5245 0,2461 P. = 1000, j=(2000.3000) 1 0,5930 0,5329 0,2527 P. = 1000, j=(3000.4000) 1 0,5976 0,5288 0,2579 Интервалы изменений <Aw > 0 0,0192 0,0133 0,0118 Таблица 5 Усредненные значения отдельных координат весов признаков w t вектора состояния системы при идентификации параметров порядка нейроэмулятором в режиме бинарной классификации по возвращении в Сургут Средние значения весов призна Расчеты итераций по выборков <w> для координат вектора кам (P. > 50) состояния системы P P4 P5 P6 P7 После P. > 50 итераций p=200, j=(1.200) 1 0,464 0,347 0,287 p=50, j=(1.50) 1 0,421 0,348 0,281 p=50, j=(50...100) 1 0,454 0,354 0,296 p=50, j=(100...150) 1 0,489 0,337 0,283 p=50, j=(150...200) 1 0,491 0,350 0,286 Интервалы изменений <Aw .> 0 0,07 0,017 0,015 После P. > 1 000 итераций p=4000, j=(1...100) 1 0,4384 0,3343 0,2891 P. = 1000, j=(0.1000) 1 0,4474 0,3296 0,2889 P. = 1000, j=(1000.2000) 1 0,4343 0,3339 0,2919 P. = 1000, j=(2000.3000) 1 0,4366 0,3374 0,2828 P. = 1000, j=(3000.4000) 1 0,4351 0,3365 0,2927 Интервалы изменений <Aw > 0 0,0131 0,0078 0,0099 22 Экология человека 2019.04 Экологическая физиология Вывод Полученные результаты исследования параметров психофизиологических функций учащихся в условиях трансширотного перемещения с помощью традиционных стохастических методов не показали существенной динамики. Выявлено, что в большинстве сравнений как внутри группы (отдельно мальчики и девочки), так и в межгрупповом сравнении во всех четырех измерениях не установлено статистических значимых различий по критерию Вилкоксона. Обнаруженные с помощью ИНС изменения в параметрах высших психических функций в условиях двухнедельного пребывания в теплом климате (и столь небольшом часовом смещении) говорят о повышении эффективности центральных регуляторных систем высшей нервной деятельности при перемещении человека в новую природно-климатическую среду с временным сдвигом менее 4 часов. В условиях трансширотных перемещений исследуемых групп учащихся Югры (с севера на юг России и обратно) резко и значительно изменяется динамика психофизиологических функций, характеризующих состояние внимания и памяти, проявляющаяся в изменении коэффициентов вариации (Awi) при большом количестве итераций нейросети в режиме бинарной классификации. Идентификация значимости признаков xt при сравнении всех четырех состояний психофизиологических функций целесообразно выявлять при числе итераций нейроэмулятора с хаотическим набором исходных весов признаков на интервале (0, 1) не менее P. = 1 000, т. е. ИНС в режиме многократных итераций (P. > 1 000) может обеспечить решение задачи системного синтеза - идентификацию параметров порядка при сравнении параметров психофизиологических функций человека при кратковременных трансширотных перемещениях. Использование нейроэмуляторов при решении задачи бинарной классификации в экологии человека является продуктивным способом быстрой диагностики существенных (или несущественных) различий при оценке действия экологических факторов на исследуемый биологический объект. При воздействии неблагоприятных экологических факторов среды на экосистему (в частности, на популяцию или даже отдельную группу испытуемых) нейроэмулятор однозначно может диагностировать различие (при условии P. > 1 000) между состоянием группы обследуемых, а также при изучении суточных и сезонных изменений в организме испытуемых в условиях трансширотных перемещений (или климатических изменениях). Авторство Филатов М. А. подготовил первый вариант статьи, окончательно утвердил присланную в редакцию рукопись; Иляшенко Л. К. выполнила статистический анализ полученных данных; Макеева С. В. участвовала в анализе данных, внесла существенный вклад в концепцию и дизайн исследования. Филатов Михаил Александрович - ORCID 0000-00025784-2888; SPIN 4362-0598 Иляшенко Любовь Киряловна - ORCID 0000-0002-76378590; SPIN 6071-4770 Макеева Светлана Владимировна - ORCID 0000-00029581-4597; SPIN7375-9

About the authors

M A Filatov

Surgut State University

Email: filatovmik@yandex.ru
Surgut, Russia

L K Ilyashenko

Tyumen Industrial University

Surgut, Russia

S V Makeeva

Surgut State University

Surgut, Russia

References

  1. Агаджанян Н. А. Стресс и теория адаптации. Оренбург: ИПК ГОУ ОГУ, 2005. 190 с.
  2. Гудков А. Б., Мосягин И. Г., Иванов В. Д. Характеристика фазовой структуры сердечного цикла у новобранцев учебного центра ВМФ на Севере // Военно-медицинский журнал. 2014. Т. 335, № 2. С. 58-59.
  3. Еськов В. М., Гудков А. Б., Баженова А. Е., Козупица Г. С. Характеристика параметров тремора у женщин с различной физической подготовкой в условиях Севера России // Экология человека. 2017. № 3. С. 38-42.
  4. Лукманова Н. Б., Волокитина Т. В., Гудков А. Б., Сафонова О. А. Динамика параметров психомоторного развития детей 7-9 лет // Экология человека. 2014. № 8. С. 13-19.
  5. Матюхин В. А., Разумов А. Н. Экологическая физиология человека и восстановительная медицина / под ред. И. Н. Денисова. М.: ГЭОТАР МЕДИЦИНА, 1999. 336 с.
  6. Нифонтова О. Л., Гудков А. Б., Щербакова А. Э. Характеристика параметров ритма сердца у детей коренного населения Ханты-Мансийского автономного округа // Экология человека. 2007. № 11. С. 41-44.
  7. Сарычев А. С., Гудков А. Б., Попова О. Н., Ивченко Е. В., Беляев В. Р. Характеристика компенсаторно-приспособительных реакций внешнего дыхания у нефтяников в динамике экспедиционно-вахтового режима труда в Заполярье // Вестник Российской военно-медицинской академии. 2011. № 3 (35). С. 163-166.
  8. Betelin V. B., Eskov V. M., Galkin V. A. and Gavrilenko T. V. Stochastic volatility in the dynamics of complex homeostatic systems // Doklady Mathematics. 2017. Vol. 95, N 1. P. 92-94.
  9. Eskov V. M., Filatova O. E. Problem of identity of functional states in neuronal networks // Biophysics. 2003. N 48 (3). P. 497-505.
  10. Eskov V. M., Eskov V. V., Filatova O. E., Kha-dartsev A. A., Sinenko D. V. Neurocomputational identification of order parameters in gerontology // Advances in Gerontology. 2016. N 6 (1). P. 24-28.
  11. Eskov V. M., Eskov V. V., Vochmina J. V., Gavrilenko T. V. The evolution of the chaotic dynamics of collective modes as a method for the behavioral description of living systems // Moscow University Physics Bulletin. 2016. N 71 (2). P. 143-154.
  12. Eskov V. M., Bazhenova A. E., Vochmina U. V., Filatov M. A., Ilyashenko L. K. N. A. Bernstein hypothesis in the Description of chaotic dynamics of involuntary movements of person // Russian Journal of Biomechanics. 2017. Vol. 21, N 1. P. 14-23.
  13. Eskov V. M., Zinchenko Yu. P., Filatova O. E. Indications of paradigm and justification of the third paradigm in psychology // Moscow University Psychology Bulletin. 2017. N 1. P. 3-17.
  14. Khadartsev A. A., Nesmeyanov A. A., Eskov V. M., Filatov M. A., Pab W. Foundamentals of chaos and selforganization theory in sports // Integrative medicine international. 2017. Vol. 4. P. 57-65.
  15. Vokhmina Y. V., Eskov V. M., Gavrilenko T. V., Filatova O. E. Medical and biological measurements: measuring order parameters based on neural network technologies // Measurement Techniques. 2015. Vol. 58 (4). P. 65-68.
  16. Vokhmina Y. V., Eskov V. M., Gavrilenko T. V., Filatova O. E. Measuring Order Parameters Based on Neural Network Technologies // Measurement Techniques. 2015. Vol. 58 (4). P. 462-466.
  17. Zilov V. G., Eskov V. M., Khadartsev A. A., Eskov V. V. Experimental confirmation of the effect of “Repetition without repetition” N.A. Bernstein // Bulletin of experimental biology and medicine. 2017. Vol. 1. P. 4-8.

Statistics

Views

Abstract - 122

Cited-By


PlumX

Dimensions

Refbacks

  • There are currently no refbacks.

Copyright (c) 2019 Human Ecology

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies