И.В. Оржельский
Работать над этой проблемой мы начали в 1998 г. Все началось с постановки вопроса:
«Каким образом создать автоматизированную систему управления здоровьем человека?». Предпосылкой послужила необходимость автоматизации процессов измерения проводимости в точках акупунктуры по Фолю и по методу Сарчука для облегчения работы врача, увеличения скорости и точности обследования за счет применения информационных технологий (ИТ).
И тогда стал первый практический вопрос: «Какова достоверность проводимых измерений, насколько достоверны и сходимы результаты, получаемые с помощью традиционных методов измерения и анализа состояния объекта?» Ответ оказался неутешителен. Проведенные эксперименты показали, что статические характеристики, получаемые при измерениях электропроводности не дают достоверных, статистически сходимых результатов диагностики. «Моментальные фотографии» состояния объекта, которые дают традиционные методы исследования, как, оказалось, весьма грубо описывают поведение этого объекта, сглаживают реальную картину.
В связи с этим, начался активный поиск решений для получения максимально достоверных результатов любых подобных исследований.
Занимаясь этой проблемой, мы ставили перед собой задачу создания аппаратуры, реализованной в виде аппаратно-программного комплекса (АПК), который идеологически должен был стать помощником специалиста (‘professional’s assistant’). Специалист оставался при этом ведущей фигурой – лицом, принимающим решения (ЛПР), однако его аналитические возможности существенно усиливались за счет привлечения баз данных и знаний, которые предоставлял АПК. Прежде всего, необходимо было разработать концептуальную модель, реализовать ее в виде информационной модели и далее довести до реализации в виде аппаратно-программного комплекса. Таким образом, создание АПК включало в себя разработку методов сбора информации, ее анализа и представления в удобном для ЛПР виде.
Мы обратили внимание на спектральные методы исследования, получившие широкое распространение в таких областях, как астрономия, аналитическая химия, промышленные лабораторные исследования в медицине, металлургии, нефтепереработке, геологии и т.д.
Как один из наиболее распространенных методов спектральных исследований в своих работах мы начали применять быстрое преобразования Фурье (БПФ), с предварительной обработкой данных с применением гамильтонианов Ландау – Гинзбурга, рассматривая исследуемые объекты, как открытые динамические системы с бифуркирующими флуктуациями. Это было принципиально новым развитием БПФ, позволяющим рассматривать исследуемый объект не как статическую («моментальный снимок»), а как динамическую систему («видеозапись»).
Нам удалось ее решить с применением не только программных, но и аппаратных средств. Для этого была разработана оригинальная электронная схема, позволяющая при крайне низких значениях входных напряжений получить максимально широкий диапазон частот с наиболее высокой линейностью преобразованного сигнала (Рис 1). 
Необходимость получения столь сложного сигнала вытекала из потребности в получении максимально достижимого объема рассматриваемой информации об объекте. Как оказалось в последствии, даже такой сложный сигнал, но одноплоскостной, однофазовый, не несет необходимой информации о состоянии вещества или объекта исследований. Поэтому была принята концепция многофазных, многоплоскостных сигналов (Рис 2).
Но при этом схема из дискретных элементов получилась настолько объемной, что ни о какой практической реализации прибора не могло быть и речи. Реальный объем, который занимал прибор, оказался сравним с письменным столом. Тогда мы и взялись за крайне сложную задачу – создание собственного процессора, который позволил бы реализовать поставленную задачу – получить необходимые функции схемы в минимальном объеме. Для реализации этого проекта потребовалось около 3-х лет, но мы своего добились – процессор, который функционально представляет собой программно-управляемый реверсивный фазомодулирующий цифро-аналоговый и аналогово-цифровой преобразователь позволяет работать с сигналами величиной от 0,1 мкВ в полосе частот от 0,001 Герца до 338 гигагерц (Рис 3).
Это зафиксированный диапазон частот и величин напряжений. Официально утвержденный в Украине при проведении технических испытаний на отечественной аттестованной и поверенной аппаратуре диапазон величин напряжений и частот составляет 0,1 Гц - 100 ГГц, при напряжении сигнала на входном электроде от 1 мкВ. Столь ограниченный официально подтвержденный диапазон обусловлен отсутствием отечественных аттестованной аппаратуры с необходимым диапазоном измеряемых величин. 
В настоящее характеристики процессора уже составляют:
- Минимальный входной сигнал – 0,01 мкВ;
- Рабочий диапазон частот – от 0,0001 Гц до 386 ГГц;
- Нелинейность АЧХ во всем диапазоне частот – не более 3%.

Замер характеристик производился фирмой – изготовителем процессора в США.
Кроме того, наш процессор позволяет снятый с объекта исследования сигнал предварительно преобразовать в объемный, состоящий из 3 млн. 700 тыс. динамических фазовых плоскостей.
Именно высокое количество фазовых плоскостей в исследуемом сигнале и позволяет создать минимальный необходимый динамический спектральный «портрет» исследуемого объекта, будь то «простое», неорганическое вещество или организм человека, представляющий собой крайне сложную, динамическую структуру с постоянно изменяющимися связями (иерархически распределенной струтурой, ИРС), причем связями как внутренними, так и внешними.
После решения аппаратных проблем, вернее параллельно с их решением, решалась задача анализа полученных данных: «А что же с ними делать?». Т.е. каким образом преобразовывать, сравнивать и анализировать полученные данные. Кстати, нелишним будет сказать, что на том этапе развития нашей системы мы использовали сигнал в диапазоне частот от 20 герц до 1 мегагерца, величиной от 1мВ, содержащий «всего» 370 тыс. статических фазовых плоскостей. Но, несмотря на внешнюю сложность оперирования этими понятиями и исследуемыми процессами, мы не получили необходимой точности и сходимости результатов исследования, даже при анализе многофазных сигналов (МФС). Ошибка была в использовании статических МФС, свойств которых для описания реальных объектов явно недостаточно.
Это заставило нас перейти к совершенно новым принципам подхода к анализу исследуемых сигналов. Потребовалось создание принципиально новой идеологии, базирующейся на тех же принципах, что и вышеуказанные системы анализа состояния объекта (организма, биологической или технической ИРС и т.д.).
БПФ не отражает динамики процесса, он ее сглаживает, не давая представлени о реальном состоянии объекта. Это метод статического спектрального анализа, дающий разбиение на гармонические числовые ряды. Даже при модификации БПФ при помощи гамильтонианов Ландау-Гинзбурга, этот метод не дает реального отображения картины происходящего процесса, поскольку он приводит реальные результаты к наиболее близким гармоническим интерполяциям. При этом, «с водой выбрасывается ребенок», необратимо теряется диагностически достоверная составляющая информации объекте, которая не подлежит восстановлению.
Поэтому, в процессе работы мы обратили внимание на принципиально новый метод спектрального анализа (СА) – Wavelet-преобразование. Он был разработан в 1995 году сотрудниками Принстонского университета (США) и первоначально применялся для обработки графических изображений, как статических (фотографии), так и динамических (видеоматериалы). 
Для его использования мы перешли к другим принципам исследования и анализа, снятых с объектов сигналов. Для исследования динамических свойств фазовых плоскостей сигнала применили так называемую «алгебру комплексного переменного» с ε-зоной в окрестности пересечения плоскостей исследуемого сигнала и ε-объемом в окрестностях начала координат, при ε бесконечно стремящимся к 0. Причем фазовые плоскости рассматриваются не как статические, а в динамике, с учетом изменения свойств в режиме реального времени (Рис 4), что согласуется с теорией детерминированного хаоса, в которой исследуются динамические аттракторы и их свойства.
Исследуемый объект рассматриваем не просто как открытую динамическую систему, но как интегральную систему иерархически распределенных открытых динамических недетерминированных систем с индивидуальными аттракторами движения и собственными, перекрестно связанными, бифуркирующими флуктуациями (Рис 5). 
При развитии этой системы, в ходе анализа ее функциональных возможностей, появилась возможность введения обратной связи, что превращало АПК в автоматизированную систему поддержки принятия решений (СППР).
Это позволило получить динамический «спектральный образ», так называемый «моноспектр», для каждого объекта, внесенного в базу отдельно, и соответственно, интегральный «спектральный образ» снятого с исследуемого объекта сигнала, так называемого «аутоспектра». Проведя сравнение «спектральных образов» по специальному алгоритму, мы получаем данные сравнения, по которым и можем судить о состоянии вещества в данный момент времени (Рис 7).
Иными словами, полученный в результате алгоритмического анализа результат (диагностика состояния объекта) есть результат сравнения данных о состоянии исследуемого объекта, полученных с помощью АПК («аутоспектра») с базой данных, содержащей информации о тестовых объектах («моноспектрах»). Это дает возможность ответить на вопросы: «наличие-отсутствие» в исследуемом объекте некоего состояния/объекта (реального или виртуального), а также об уровне его активности (задействованности). Иными словами, мы уже на этом этапе анализа получаем первичную экспертную оценку состояния исследуемого объекта.  
На этом принципе и построена диагностика с применением нашей идеологии (Рис 8). 
Таким образом, наша идеология исторически вытекает из необходимости дальнейшего развития традиционных методов диагностики состояния различных объектов. Впервые оказалось возможным «увидеть» и подвергнуть анализу ранее недоступную информацию о состоянии объекта – его «динамичский портрет». Оказалось, что окружающий нас мир адекватно может быть описан только с применением динамических спектральных подходов. В какой-то степени, создание этой идеология и реализующей ее АПК сравнимы с открытием микроскопа и телескопа. Они дали возможность человеку заглянуть в ранее недоступные человеческому восприятию области, расширили горизонты познания. Однако, смотреть и видеть – понятия разные. Для того, чтобы увидеть, т.е. распознать объект, потребовались годы кропотливой работы по созданию баз данных тестовых объектов. И только тогда, когда были накоплены базы данных о тестовых объектах/состояниях/состояний, зафиксированы и проанализированы результаты экспертных оценок различных сочетаний обнаруженных совпадений и соотношений активности обнаруженных в реальном исследуемом объекте тестовых объектах/состояниях/процессах стало возможным практическое применение АПК в таких областях как медицина и ветеринария (Комплекс Медицинский Экспертный), металлургия и горнодобывающая промышленность (Комплекс Мобильный Экспертный) и многие другие. КМЭ – это результат колоссального труда больших коллективов разработчиков и пользователей нашей новой информационной технологии.