DOI
10.34229/KCA2522-9664.24.5.14
УДК 519.8.812.007
Н.І. АРАЛОВА
Інститут кібернетики ім. В.М. Глушкова НАН України, Київ, Україна,
aralova@ukr.net
А.О. ЧИКРІЙ
Інститут кібернетики ім. В.М. Глушкова НАН України, Київ, Україна,
g.ckikrii@gmail.com
Л.Я.-Г. ШАХЛІНА
Національний Університет фізичного виховання та спорту України, Київ, Україна,
sportmedkafedra@gmail.com
КОМПЛЕКСНА МАТЕМАТИЧНА МОДЕЛЬ ВИЗНАЧЕННЯ
ФУКЦІОНАЛЬНОЇ НАДІЙНОСТІ ЧЛЕНІВ ЛЬОТНИХ ЕКІПАЖІВ
Анотація. Запропоновано комплексну математичну модель для визначення функціональної надійності осіб льотного складу. Складовими компонентами моделі є модель регулювання кисневих режимів організму людини, модель транспорту та модель масообміну респіраторних газів в організмі людини, модель самоорганізації системи дихання та адаптації організму людини до екстремальних збурень. Показано, що запропонована математична модель дає змогу в разі наявності масиву відповідних даних визначити здатність конкретної особи до адаптації до виконання роботи в екстремальних умовах професійної діяльності.
Ключові слова: функціональна надійність льотчика, функціональна система дихання, математична модель кардіореспіраторної системи, адаптація організму до екстремальних збурень, професійна діяльність льотчика.
повний текст
СПИСОК ЛІТЕРАТУРИ
- 1. Аралова Н.И. Математические модели функциональной системы дыхания для решения прикладных задач медицины труда и спорта. Saarbrcken: LAP LAMBERT Academic Publishing GmbH&Co, KG, 2019. 368 с.
- 2. NATO standard AJP-4.10 allied joint doctrine for medical support Edition C. Version 1. North Atlantic treaty organization. Allied Joint Publication. Published by the NATO standardization office (NSO). 2019. 124 р.
- 3. Chikrii A.A. Conflict controlled processes. Boston; London; Dordrecht: Springer Science and Business Media, 2013. 424 p.
- 4. Kondratenko Yu.P., Kreinovich V., Pedrycz W., Chikrii A., Gil-Lafuente A.M., Artificial intelligence in control and decision-making systems. Dedicated to Professr Janusz Kacprzyk. Studies in Computational Intelligence. Springer, 2023. Vol. 1087. 388 р.
- 5. Kulikowski C.A. Beginnings of artificial intelligence in medicine (AIM): Computational artifice assisting scientific inquiry and clinical art — with reflections on present AIM challenges. Yearb Med Inform. 2019. Vol. 28(1). Р. 249–256. doi.org/10.1055/s-0039- 1677895 .
- 6. Larentzakis A., Lygeros N. Artificial intelligence (AI) in medicine as a strategic valuable tool. Pan African Medical Journal. 2021. Vol. 38, N 184. doi.org/10.11604/pamj.2021.38.184.28197.
- 7. Ting Sim J.Z., Fong Q.W., Huang W., Tan C.H. Machine learning in medicine: what clinicians should know. Singapore Med. J. 2023. Vol. 64(2). Р. 91–97. doi.org/10.11622/10.11622/smedj.2021054.
- 8. Xin J., Laxminarayan S., Nagaraja S., Wallqvist A., Reifman J. Development and validation of a mathematical model to simulate human cardiovascular and respiratory responses to battlefield trauma. International Journal for Numerical Methods in Biomedical Engineering. 2022. doi.org/10.1002/cnm.3662 .
- 9. Serna L.Y., Mananas M.A., Hernandez A.M., Rabinovich R.A. An improved dynamic model for the respiratory response to exercise. Front. Physiol. 2018. 9. Р. 1–16 doi.org/10.3389/fphys.2018.00069 .
- 10. Indrajit N., Kumar P.A., Kumar J.N. Self-regulating adaptive controller for oxygen support to severe respiratory distress patients and human respiratory system modelling. Diagnostics. 2023. Vol. 13(5). P. 967. doi.org/10.3390/diagnostics13050967 .
- 11. Sarmiento C.A., Serna L.Y., Hernndez A.M., Maanas M.A. A novel strategy to fit and validate physiological models: A case study of a cardiorespiratory model for simulation of incremental aerobic exercise. Diagnostics. 2023. Vol. 13. P. 908. doi.org/10.3390/diagnostics13050908.
- 12. Neelakantan S., Xin Y., Gaver D.P., Cereda M., Rizi R., Smith B.J., Avazmohammadi R. Computational lung modelling in respiratory medicine. J R Soc Interface. 2022. Vol. 19(191). 20220062. doi.org/10.1098/rsif.2022.0062 .
- 13. Helms A.S., Zemans R.L., Spence J.R., Baker B.M., Loebel C. Integrating mechanical cues with engineered platforms to explore cardiopulmonary development and disease. iScience. 2023. Vol. 26(12). 108472. doi.org/10.1016/j.isci.2023.108472 .
- 14. Vergara C., Dede’ L., Manzoni A., Quarteroni A. Mathematical modelling of the human cardiovascular system: Data, numerical approximation, clinical applications. Cambridge University Press, 2019. 290 p.
- 15. Онопчук Ю.Н. Гомеостаз функциональной системы дыхания как результат внутрисистемного и системно-средового информационного взаимодействия. Биоэкомедицина. Единое информационное пространство. 2001. С. 59–82.
- 16. Онопчук Ю.Н. Гомеостаз функциональной системы кровообращения как результат внутрисистемного и системно-средового информационного взаимодействия. Биоэкомедицина. Единое информационное пространство. 2001. С. 8–104.
- 17. Aralova N.I., Shakhlina L.Ya.-G. The mathematical models of functional self-organization of the human respiratory system with a change оf the hormonal states of organism. Journal of Automation and Information Sciences. 2018. 3. P. 132–141. doi.org/10.1615/JAutomatInfScien.v50.i5.50pages 49-59.
- 18. Филиппов А.Ф. Дифференциальные уравнения с разрывной правой частью. Москва: Наука, 1985. 224 с.
