СРАВНЕНИЕ МЕТОДОВ ВЫЯВЛЕНИЯ АНОМАЛЬНЫХ ВЫБРОСОВ В ИСХОДНЫХ ДАННЫХ И ИХ ПРИМЕНЕНИЕ ПРИ ОБРАБОТКЕ ДАННЫХ ИСКУССТВЕННОЙ ВЕНТИЛЯЦИИ ЛЕГКИХ

В статье рассматривается проблема выявления аномальных выбросов и нивелирования их отрицательного влияния на оценки выделяемых характеристик рассчитываемых показателей. Для решения поставленной задачи в статье рассматриваются различные применяемые на практике робастные методы и основанные на них вычислительные схемы выделения аномальных выбросов в значениях исследуемых показателей. Проведено сравнение эффективности выделения аномальных выбросов различными методами для выборок случайных величин с нормальным законом распределения для различных вариантов числа и расположения аномальных выбросов по отношению к не аномальным значениям с помощью стандартных датчиков случайных величин. Исследуемые в статье  робастные методы и схемы используются для выявления аномальных выбросов в показаниях пациентов и параметров вентиляционного потока при искусственной вентиляции легких (ИВЛ). Проведенные численные эксперименты, результаты которых приведены в настоящей статье, показали, что наиболее эффективным методом выявления аномальных выбросов при неизвестной дисперсии основной части не аномальных данных является разработанный в МИФИ модифицированный метод Хьюбера.  Этот метод позволяет из сформированной базы данных клинического опыта лечения пациентов на аппаратах ИВЛ эффективно выделять аномальные выбросы, что дает возможность использовать этот метод для создания устойчивой схемы выбора оптимальных значений показателей вентиляционного потока в зависимости от значений показателей текущего состояния пациента.

1. Смоляк С.А., Титаренко Б.П. Устойчивые методы оценивания. М.: Статистика, 1980. 254 с.

2. Хьюбер П. Робастность в статистике. М.: Мир, 1984. 303 с.

3. Арсенин В.Я., Крянев А.В., Цупко-Ситников М.В. Применение робастных методов для решения некорректных задач // ЖВММФ, 1989, Т.29, №5, с. 653-661.

4. Хампель М., Рончетти Э., Рауссеу П., Штаэль В. Робастность в статистике. Подход на основе функций влияния. М.: Мир, 1989. 512 c.

5. Цыпкин Я.З. Информационная теория идентификации. М.: Наука, 1995. 336 с.

6. Шурыгин А.М. Прикладная статистика: робастность, оценивание, прогноз. М.: Финансы и статистика, 2000. 223 с.

7. Крянев А.В., Лукин Г.В., Удумян Д.К. Метрический анализ и обработка данных. М.: Физматлит, 2012. 308 с.

8. Ананьев Е.П., Полупан А.А., Мацковский И.В. [и др.] Использование режима IntelliVent-ASV для поддержания целевого диапазона EtCO2 у пациентов с тяжелой ЧМТ // Журнал «Вопросы нейрохирургии» имени Н.Н. Бурденко, 2017. Т. 81 (5). С. 63 68.

9. Artificial intelligence and machine learning show promise in cancer diagnosis and treatment //Medical Xpress. [Электронный ресурс]. URL: https://medicalxpress.com/news/2022-03-artificial-intelligence-machine-cancer-diagnosis.html. [дата обращения 20.11.2024].

10. Kryanev A.V., Udumyan D.K. Metric analysis, properties and applications as a tool for interpolation // International Journal of Mathematical Analysis, 2014. V. 8. № 45. P. 2221-2228.

11. Kryanev A.V., Udumyan D. K. Metric Analysis, Properties and Applications as a Tool for Forecasting // International Journal of Mathematical Analysis, 2014. V. 8. №. 60. P. 2971 – 2978.

12. Ivanov V.V., Kryanev A.V., Udumyan D.K., Lukin G.V. Metric Analysis Approach for Interpolation and Forecasting of Time Processes // Applied Mathematical Sciences, 2014. V.8, № 22. P. 1053 – 1060.

13. Климанов С. Г., Крянев А. В., Трикозова В. А., Царева Д. Д. Вычислительные схемы выявления аномальных выбросов в значениях текущих показаний пациента при искусственной вентиляции легких // Вестник НИЯУ МИФИ, 2024, Т.13, №2, С. 76-82.