A regisztrálást követően fogja tudni megtekinteni a cikk tartalmát!
A megadott cikk nem elérhető!
Tisztelt Felhasználónk!
Az Ön által megtekinteni kívánt cikk nem elérhető a rendszerben!
A megadott cikk nem elérhető!
Tisztelt Felhasználónk!
Az Ön által megtekinteni kívánt cikk nem elérhető a rendszerben!
Sikeresen szavazott a cikkre!
Tisztelt Felhasználónk!
Köszönjük a szavazatát!
A szavazás nem sikerült!
Tisztelt Felhasználónk!
Ön már szavazott az adott cikkre!
Cikk megtekintése
Tisztelt Felhasználónk!
A cikk több nyelven is elérhető! Kérjük, adja meg, hogy melyik nyelven kívánja megtekinteni az adott cikket!
Cikk megtekintésének megerősítése!
Tisztelt Felhasználónk!
Az Ön által megtekintetni kívánt cikk tartalma fizetős szolgáltatás.
A megtekinteni kívánt cikket automatikusan hozzáadjuk a könyvespolcához!
A cikket bármikor elérheti a könyvespolcok menüpontról is!
INFOKOMMUNIKÁCIÓ ÚJDONSÁG Étkezési javaslat automatizált generálása táplálkozási és életmód-tanácsadó rendszerhez Gaál Balázs, Vassányi István, Dr. Kozmann György, Veszprémi Egyetem A dolgozat egy automatizált menügeneráló modul első eredményeit és felhasználhatóságát mutatja be, kitérve alkalmazásának módjára, opcióira. A menügeneráló program a Cordelia webes felületű kardiovaszkuláris rizikóelemző és életmód-tanácsadó rendszerbe épül, melynek célja ezen betegségek kockázatának csökkentése. A modul elsődleges célja az egészségmegőrzést segítő mennyiségi és összetételi szempontból helyes táplálkozási rend kialakítása. A rendszerrel a különböző patológiás esetek járulékos követelményei is elvileg teljesíthetők, de ennek részletes kidolgozására később kerül sor. Kihasználva a fejlett információs technológiák nagy számítási teljesítményében és tárolási kapacitásában rejlő lehetőségeket, a modul egy hétre szóló táplálkozási javaslat automatizált generálását teszi lehetővé, genetikus algoritmusokat, továbbá eset és tudás alapú következtetést alkalmazva. Ezek tükrében az aktuális numerikus korlátokat úgy kell megválasztani, hogy a jelenlegi és a korábbi generálások kvantitatív értékeinek mindenkori átlagai a felhasználó számára optimális mennyiségekhez konvergáljanak. Az ajánlat receptjeinek olyanoknak kell lenniük, melyeket a felhasználó nem fogyasztott az elmúlt napokon, héten. Az eddigi automatizált módszerek a megoldás jóságát az első két pont tükrében mérték. Egy a mindennapjainkban használható életmód-tanácsadó rendszernek a fentiek mellett figyelmet kell szentelnie a javaslatok következetességének, a generált étkezések változatosságának, színességének elérésére. Tekintettel arra, hogy a modern életvitel a táplálkozás szempontjából számos kikerülhetetlen kötöttséget tartalmaz, a reálisan teljesíthető egészségmegőrző táplálkozásnál a hangsúlyt, a tápanyagösszetevők mennyiségére szabott korlátok egy napon belüli szoros tartása helyett, inkább a heti, vagy hónapos intervallumban számított értékek kívánt szintre állítására kell helyezni. BEVEZETÉS ELVÁRÁSOK A MENÜGENERÁLÓ MODULTÓL A számítógéppel segített menügenerálás az 1960-as évek óta témája kutatásoknak [1]. Mind a mai napig azonban az ember kivétel nélkül jobb eredményeket ér el, mint az automatizált módszerek. Ennek oka a feladat bonyolultsága. Harminc perc és három óra közé tehető az idő, mely egy tápanyagszakértőnek szükséges egy napi menüterv elkészítéséhez. Több tucat tápanyagot tartalmazó ételek ezres számosságú halmazából kell összeállítani a javaslatot, mely kivitelezése az összetevők mennyiségére szabott korlátok számának növekedésével egyre nehezedik. Egy 1995ös tanulmány szerint, szakértők által készített és közzétett javaslatok sem felelnek meg minden tápanyag-összetevőre vonatkozó korlátozásnak [2]. Jó heti javaslat készítéséhez három dolognak kell egyszerre teljesülnie. Elsőként meg kell felelni a tápanyagok összetevőinek mennyiségére (pl. fehérje, szénhidrát, só), és egyéb, a felhasznált tápanyagok típusából következő kvantitatív változókra (pl. gabonatartalom, hústartalom) adott numerikus korlátoknak. Másodszor a generált javaslatnak étkezéseken, napokon, és egy héten belül is harmonizálnia kell, ami alatt az ismétlődő, egymáshoz nem társítható ételek kiszűrését értjük. Harmadszorra pedig, amennyiben a helyes táplálék-összetételt egy hoszszabb időben vett átlagként kívánjuk elérni, az aktuális menü kialakításánál figyelembe kell venni az optimalizálandó időszak korábbi napjain készített javaslatokat is. Az internetes felületű Cordelia életmód-tanácsadó rendszer részeként működő menügenerálás célja elsősorban személyre szabott heti étkezési terv készítése. A tipikusan életmód betegségek rizikójának csökkentéséhez a személyre szóló javaslaton kívül elengedhetetlen a páciens komplex nyomon követése, táplálkozásának és fizikai aktivitásának figyelemmel kísérése. Az Internet az a közeg, mely ehhez megfelelő kényelmet és funkcionalitást biztosít. A népegészségügyi mutatók javítása érdekében jelenleg az elsődleges cél az egészségmegőrzést segítő táplálkozási rend kialakítása, azonban a rendszer egy későbbi fázisban bővíthető a különböző patológiás esetekhez szükséges funkciókkal. A használhatóság érdekében biztosítani kell, hogy a felhasználó interaktív korrekciókat hajthasson végre az elkészített javaslaton, meg kell engedni, hogy az életformájából adódó tényezőket integrálja a táplálkozási tervébe. (pl. ha a felhasználó a hét öt munkanapján menzán étkezik, lehetőséget kell adni a menütervének folyamatos korrigálására, a „nem szabadon választott” ebédek utólagos bevitelét követően). A rendszer a változást eladminisztrálja és a hét hátralevő részére szóló javaslatot módosítja, ha kell. Lehetőséget kell adni a fizikai aktivitás mértékének meghatározására, változtatására, és a terv ennek alapján történő rugalmas módosítására is. IME II. ÉVFOLYAM 3. SZÁM 2003. ÁPRILIS 51 INFOKOMMUNIKÁCIÓ ÚJDONSÁG ADATMODELL, ADATTÖRZS A menügeneráláshoz használt tápanyag és recepttörzs adatbázis egy Quadro Byte termék, melyet Magyarországon több helyen alkalmaznak étrendek, menük összeállítására. A rendszer naprakészsége érdekében az adatok aktualizálása fontos szempont, miről a jövőben a forgalmazó által készített frissítések gondoskodnak. Az adatállomány tartalmazza az ismertebb magyar recepteket, azok tápanyagtartalmát, és a tápanyagok energia-, fehérje-, hamu-, nyersrost-, só-, szénhidrát-, víz- és zsírtartalmát. A menügenerálási modul adatmodellje úgy lett kialakítva, hogy a felhasznált adattörzstől független, a későbbiekben új adatokkal bővíthető legyen. A táplálkozási javaslat generálása tehát nem függ a tápanyag és recept adatbázistól, amely a rendszer nagyfokú modularitását, nemzetköziségét biztosítja. Saját felfogásunk szerint az általunk létrehozott mintarendszer fő értékét a metodikai lehetőségek kidolgozása jelentette. A GENERÁLÁS FOLYAMATA A menügenerálás csatlakozik a Cordelia más szolgáltatásaihoz (rizikóelemzés, különös tekintettel a kardiovaszkuláris betegségekre prediszponáló állapotokra). Ehhez az adatgyűjtés kérdőíves technikával történik [3, 4]. A kérdőíveket az analízis során feldolgozzuk, amiből a táplálkozás szempontjából világossá válik az energia-bevitel normális vagy kóros mennyisége és a táplálék összetételének helyes vagy helytelen volta. A kiértékelés jelenleg a táplálkozás makrokomponenseire (energia-, fehérje-, hamu-, nyersrost-, só-, szénhidrát-, víz-, zsírtartalom) vonatkozik, a döntéseknél pedig a táplálkozási piramisban foglalt kívánatos arányokból indul ki. A felhasználó részére optimális tápanyagértékek, ezek alsó és felső korlátainak meghatározása a felhasználó súlyából, neméből, fizikai aktivitásából, esetleges betegségeiből és szokásaiból, valamint a táplálkozási szakértők által alkalmazott szabályok alapján történik. A modul bemeneti értékei, amelyek a kívánt menü tápanyagtartalmáról és összetételéről hordoznak információt, egy hetes intervallumra vonatkoznak. A végeredmény egy konkrét, egy hétre szóló táplálkozási javaslat, felsorolva az étkezések összeállítását, az ételek pontos mennyiségét. A generálás egy lehetséges folyamata az 1. ábrán látható. A felhasználó megadhatja (1. folyamat) a számára problémát okozó komponenseket (pl. tejtermékek, sertéshús, uborka), és a kívánt javaslattípust (pl. diétás javaslat). A rendszer időben párhuzamosan (1’. folyamat) használható, (pl. egy orvos egy célcsoport részére kér javaslatot, amelyben a szénhidrát tartalmát alulról és felülről, a zsírtartalom értékét csak felülről korlátozza). A szerver a beérkező kérelmeket párhuzamosan dolgozza fel (2. folyamat), a kitöltött kérdőív, a dietetikus szakértők által feltöltött adatbázis segítségével pontos korlátokat ad a tápanyag-összetevőkre, és meghatározza azoknak optimális mennyiségét is. Ezek után a pontos numerikus korlátokkal konfiguráljuk az intelligens generáló modult (3. folyamat). A generált javaslatot a felhasználó a monitoron olvashatja (4. folyamat), vagy elektronikus úton (4’. folyamat) a csoportot kezelő orvos kapja meg. GENETIKUS ALGORITMUS A LEGJOBB JAVASLAT MEGTALÁLÁSÁHOZ A probléma nehézségét az adja, hogy nem tudunk egy félig elkészített javaslatot értékelni (például a hétvégére vonatkozó napi tervek még nem állnak rendelkezésre, ezért nem tudunk véleményt mondani az egy hétre szóló javaslatról), ezért egy kezdeti javaslat fokozatos javítását kell elvégezni. A rendszer minden egyes javaslatot osztályoz, figyelembe véve kvantitatív értékeinek az optimálistól való eltérését és komponenseinek harmóniáját. Minél közelebb esik a tápanyag-összetevők értéke az optimálishoz, és minél harmonikusabb az összeállítás, annál jobb osztályzatot kap. A javaslat összetételének harmóniájára a dietetikus szakértők által megfogalmazott szabályok alapján következtet a rendszer. A kezdeti terv eset-alapú következtetéssel kerül feltöltésre, korábbi, hasonló céllal készült javaslatok felhasználásával. Az iterációs javítás – osztályzás feladat megoldása genetikus algoritmussal (GA) történik. A GA-ok véletlen keresőalgoritmusok, amelyek egy, a keresési tér részhalmazát lefedő populációt alkotó egyedi megoldások kollektív tanulási folyamatán alapszanak [5]. Az algoritmus iterációi során minden egyedi megoldás osztályzatot kap. A populáció (az egyedi megoldások halmaza, adott esetben például lehetséges ebédek halmaza) „következő generációjába” a legrosszabb osztályzatú egyedi megoldás helyére nagy eséllyel jobb osztályzatú egyedi megoldások különböző operátorokkal kapott „leszármazottjai” kerülnek. Ilyen operátorok, a „keresztezés” és a „mutáció”, melyek két egyedi megoldás tulajdonságait felcserélik, illetve véletlenül változtatják meg azokat (mutációval véletlenszerűen megváltoztatható egy ebéd feltétje, keresztezéssel felcserélhető két ebéd körete). OSZD MEG ÉS URALKODJ! 1. ábra A Cordelia életmód- és táplálkozás-tanácsadó rendszerbe integrált heti étkezéstervet generáló modul működésének folyamatterve 52 IME II. ÉVFOLYAM 3. SZÁM 2003. ÁPRILIS A GA szempontjából az egész heti javaslatot tekinthetjük egyetlen egyedi megoldásnak. A problémát azonban érde- INFOKOMMUNIKÁCIÓ ÚJDONSÁG mes részekre, elemi megoldások halmazára bontani. Egy heti menü hét nap öt étkezéséből épül fel. Az étkezéseket tekintve elemi megoldásnak, a problémát, úgymond oszd meg és uralkodj módon több egymásra épülő részfeladatra bontjuk. A heti étkezéstervet készítő folyamat irányítja a napi étkezéstervet készítő folyamatokat, és felhasználja azok eredményeit. Egy napi étkezésért felelős folyamat irányítja az egy napon belüli étkezésekért felelős folyamatokat, felhasználva azok megoldásait. E hierarchikus rendszer minden szintjének folyamatai megegyező szerkezetű GA-t alkalmaznak (2. ábra). ges értékei, melyek más problémák megoldásai (egy napi táplálkozási tervnek 5 attribútuma van, melyek lehetséges értékei rendre reggeli, tízórai, ebéd, uzsonna és vacsora megoldás). 3. ábra A lehetséges értékek halmazszerű tárolása 2. ábra Az oszd meg és uralkodj szerkezetben felépülő hierarchikus modell A szerver számítógépen párhuzamosan futó folyamatokat egy globális osztályozó függvény kapcsolja össze. A hierarchia bármely szintjén elhelyezkedő folyamatban bekövetkezett változás (új, az eddiginél jobb egyedi megoldás találása) megváltoztathatja a többi folyamat értékelési szempontját. Az ily módon párhuzamosított számítási folyamatot koevolúciós genetikus algoritmus rendszernek nevezzük. A 2. ábra példáján bemutatva, a feltétekre megállapított optimális zsírtartalom csökkeni fog, ha az ebéd, vagy a napi étkezésterv osztályzatán egy magasabb zsírtartalmú leves választásával javítottunk. Ennek célja, az ebéd zsírtartalmának optimális megadása. Az attribútumok által felvehető lehetséges értékek a 3. ábrán látható szerkezetben kerül tárolásra. Amennyiben egy attribútum lehetséges értékeit a hús halmazból veheti fel, akkor mind a fehér, mind a vörös részhalmaz értékeit felveheti. A lehetséges értékek e halmazszerű tárolása megkönnyíti a táplálkozási terv harmóniájához szükséges szabályok megfogalmazását. Minden egyes ételpárosításhoz rendelt szabály helyett elegendő a lehetséges érték halmazok párosításához rendelni azokat (pl. piros köret piros levessel nem adható, hideg vacsora nem adható villás reggelivel egy napon belül). EREDMÉNYEK, TOVÁBBI FELADATOK Egy genetikus algoritmusokon alapuló intelligens rendszer került kialakításra, mely lehetőséget nyújt konkrét táplálkozási javaslatok automatizált generálására. A kutatás során a genetikus módszer kimerítő vizsgálata kimutatta annak a menügenerálási feladat megoldásában való alkalmazhatóságát [6, 7]. MEGOLDÁS – ATTRIBÚTUM – LEHETSÉGES ÉRTÉK SZERKEZET Az étkezések típusainak sokfélesége miatt szükséges volt egy absztrakt GA és adatszerkezet kialakítása, mely végtelen számú különböző étkezés-, napi terv, és heti tervtípus tárolását teszi lehetővé. Ennek lehetősége modulárissá, széles körben alkalmazhatóvá teszi a rendszert. Egy átlagos ebéd levesből, feltétből, köretből, ivóléből és kiegészítőből áll, mely szerkezet nehézkessé teszi olyan ebéd tervezését, melyhez két feltét, és két kiegészítő tartozik. Egy megszokott napi étkezés reggeliből, tízóraiból, ebédből, uzsonnából és vacsorából áll. Egy ilyen szerkezetben nem lehetséges nem szokványos, például villás reggelis napi étkezések generálása. Az absztrakt GA szerkezet célja a különböző heti terv-, napi terv-, étkezéstípus egységes kezelhetősége. Egységesen megoldásnak hívjuk azt a tervezendő dolgot, melyre GA-tól várunk javaslatot. Megoldás lehet egy heti táplálkozási terv, egy napi táplálkozási terv, egy étkezés. A megoldást meghatározza attribútumainak száma és azok lehetsé- 4. ábra A menügeneráló algoritmus futási ideje és jósága különböző konfigurációk mellett. Minden egyes pont egy futtatásnak felel meg A 4. ábrán látható pontok egy-egy étkezés generálás végeredményének legjobb egyedi megoldását ábrázolják. Az osztályzat (a generált legjobb étkezés osztályzata, minél rosszabb egy megoldás, annál kisebb az osztályzata, az elméletileg legjobb, a korlátoknak és a harmónia követelményeinek tökéletesen megfelelő megoldás 0-ás osztályzatot kap) és az idő (a folyamat futási ideje) mért értékek. Az al- IME II. ÉVFOLYAM 3. SZÁM 2003. ÁPRILIS 53 INFOKOMMUNIKÁCIÓ ÚJDONSÁG goritmus futási ideje a különböző GA konfigurációs paraméterek értékeitől függött. A változók a generáció szám (a folyamat megadott iteráció számig futott), a populáció mérete (a GA egyedi megoldásainak a száma egy iterációs cikluson belül), a keresztezési valószínűség és a mutációs valószínűségek voltak. A megnyugtató eredmény az, hogy sok jó egyedi megoldás generálásához viszonylag rövid időre volt szükség. A rendszerben rejlő lehetőséget az mutatja, hogy a futtatások nagy része rövid idő alatt is talál jó egyedi megoldást, mely jól látható az idő-osztályzat ábrán (4. ábra). Létrejött egy tápanyagérték-összetevő szempontból helyes étkezéseket generáló, a generálási módszer vizsgálatát segítő mintarendszer. A program grafikus felületen teszi lehetővé az étkezési terv elkészítéséhez felhasznált GA konfigurálását, tesztelését. 5. ábra Részlet a tesztprogram grafikus felületéből, amelyen a memóriában tárolt objektumszerkezet és a GA populációjának állapota látható faszerkezetben A 5. ábrán, az a1-es mezőben láthatjuk a memóriában található objektumszerkezetet, amely a receptekből és az azokat felépítő tápanyagokból áll. Az a2-es mezőben a populáció aktuális állapotát tekinthetjük meg. Az elemek osztályozó függvény szerinti osztályzatuk alapján vannak sorba rendezve, így a legelső eleme a listának az aktuálisan legjobb egyedi megoldása a populációnak. A fastruktúra legfelső szintjén az objektív (osztályozó függvény szerinti) és a fitnesz (egy léptékezési módszer szerint módosított) osztályzatokat láthatjuk. A következő szinten az egyedi megoldást felépítő recepteket találjuk. A harmadik szinten 2 elemet, a paraméterek és receptek pontokat találjuk. A paraméterek ágon találhatjuk a recept tulajdonságait (energia, fehérje, stb. ...), a receptek ágon pedig megtekinthetjük a receptet összetevő tápanyagokat. Az ábrán azt láthatjuk, hogy a generálás aktuális állapotában a legjobb egyed körete konzervből készült zöldbabfőzelék-püré, feltétje stefánia marhasült, a leves diétás, rántott. Láthatjuk még a zöldbabfőzelékpüré paramétereit (energiatartalom, fehérjetartalom stb.) és 54 IME II. ÉVFOLYAM 3. SZÁM 2003. ÁPRILIS a receptet meghatározó tápanyag-összetevő értékeket (olaj, tejföl, liszt stb.). 6. ábra Részlet a program grafikus felületéből. Az osztályozó függvény paramétereinek konfigurációs mezője, étkezés típus konfiguráció A 6. ábrán, az a8-as mezőben látható beviteli mezők és rádió gombok segítségével konfigurálhatjuk az osztályozó függvényt, mely minden egyedi megoldás értékeléséért felelős. A tápanyag-összetevők 100 személyes adagra vonatkoznak, ugyanis az adatbázis ilyen értékeket tárol, a szakértők ezekkel számolnak. Az energia érték mértékegysége kJban, a többi tápanyag-összetevőé grammban adható meg. Az a9-es mezőben az étkezés típusát választhatjuk meg, az a10-ben az algoritmus futási idejét láthatjuk másodpercben. A tesztprogram mellett kialakításra került a használandó adatszerkezet, melyet feltöltöttünk a Quadro Byte adatbázis receptjeivel és tápanyagaival. A későbbiekben a receptek és tápanyagok halmaza egyéb forrásból is bővülhet. A dietetikus szakértők számára, a javaslatok harmóniájáért felelős szabályok szerkesztésének, adminisztrálásának segítéséhez webes felületű grafikus felhasználói program készül. Jelenleg implementálási fázisban van az absztrakt GA szerkezetet futtató intelligens modul és a menügenerálást teljes egészében a Cordelia szerkezetébe integráló keretrendszer. KITEKINTÉS A bemutatott módszerrel legjobban összevethető kísérlet Kyung-shik Shin koreai professzor munkája [8], amelyben egy kollégium menzája számára generált kellően változatos, költségkímélő és egészséges étrendet. A feladatot az Evolver [9] kereskedelmi szoftver segítségével oldotta meg, amely a korlátozás kielégítési és optimalizálási problémák megoldásához genetikus algoritmusokat használ. Az Ohio Egyetemen fejlesztett CAMP [10] esetalapú következtetést használ napi menük generálásához. Az esetalapú következtetés lényege, hogy új problémák megoldásához, illetve új esetek értelmezéséhez már korábban feldolgozott eseteket eltárol, s ha ezek között az újonnan megoldandó problémához – bizonyos szempontok szerint – hasonlót talál, akkor azt adaptálva állítja elő a megoldást. A Veszprémi Egyetemen fejlesztett modul a fenti rendszerekben felhasznált mesterséges intelligenciai módszerek mindegyikét alkalmazza, újdonságát ezek ötvözése, az egy INFOKOMMUNIKÁCIÓ ÚJDONSÁG hétre történő automatikus, on-line generálás, és a nyomon követés lehetősége adja. Az automatizált menügenerálás jelentősége abban rejlik, hogy kapacitása csak a felhasznált technológiai infrastruktúrától függ (egy mai átlagos személyi számítógéppel másodperces nagyságrendű időbe telik egy étkezés generálása). Az automatizált módszer sok tekintetben segítheti a táplál- kozás szakértőket (egy gép által tervezett menüt felhasználhatnak, módosíthatják ahelyett, hogy maguk terveznék a teljes javaslatot), bizonyos területeken kiválthatja munkájukat. KÖSZÖNETNYILVÁNÍTÁS A kutatás az NKFP OM 2/052/2001 sz. projekt keretében történt. IRODALOMJEGYZÉK [1] Balintfy, J. L.: Menu Planning by Computer, Communications of the ACM, vol. 7, no. 4, pp. 255-259., April, 1964 [2] Dollahite, J., D. Franklin, R. McNew: Problems encountered in meeting the recommended dietary allowances for menus designed according to the dietary guidelines for Americans., Journal of the American Dietetic Association, 1995 [3] Balázs G., Drozdik B., Jókuthy A. és Kozmann Gy.: Információs rendszer egészségmegőrzésre, rizikóbecslésre és távmonitorozásra, Informatika és Menedzsment az Egészségügyben, 2002. szeptember [4] D.E. Goldberg: Genetic algorithms in search, optimization and machine learning, 1989 [5] Gaál B.: Intelligens menügenerálás táplálkozási tanácsadó rendszerhez, OTDK dolgozat, 2003 [6] Gaál, B., Vassányi I., Kozmann Gy.: Automated Planning of Weekly Menus for Personalized Cardiovascular Risk Counselling, MIE 2003 - megjelenésben, 2003 [7] Kyung-shik Shin: A Meal Plan Support System Using Genetic Algorithm Technique, 1999 [8] www.palisade.com [9] C.R. Marling, G.J. Petot, L.S. Sterling: Integrating casebased and rule-based reasoning to meet multiple design constraints, Computational Intelligence, Volume 15, Number 3, 1999 A SZERZÔK BEMUTATÁSA Gaál Balázs Jelenleg a Veszprémi Egyetem ötödéves műszaki informatika szakos hallgatója. Diplomamunkáját az Információs Rendszerek Tanszéken automatizált menügenerálás témájában készíti. A 2002. évi Intézményi TDK versenyen 3. helyezést ért el, dolgozatát OTDK versenyre nevezték. Hallgatói munkája során részt vesz a Költség-hatékony egészségmegőrzés és gyógyítás információtechnológiai módszerekkel NKFP projekt 1. részfeladatában (Internet bázisú, rizikóés életmód-elemző és tanácsadó rendszer) és az új módszerek az egészségügyi információ-tárolásában és -megjelenítésében OTKA projektben. Kutatási területei: Mesterséges intelligenciai módszerek orvosi alkalmazásai, egészségügyi információ tárolása és feldolgozása. Dr. Kozmann György Az MTA doktora. Villamosmérnöki oklevelet 1964-ben szerzett a Budapesti Műszaki Egyetemen. Ezt követően az MTA KFKI kutatója lett. Kezdetben szilárdtestfizikai és reaktorfizikai mérésekkel foglalkozott, 1972-73-ban az Institut Laue-Langevin (Grenoble) vendégkutatója. Biomérnöki kutatásokkal foglalkozik 1973-tól, az erre a feladatra létrehozott osztály vezetőjeként. 1986 és 1989 között a Nora Eccles Harrison Research and Training Institute, University of Utah vendégprofesszora. A KFKI átalakulását követően az MTA MFA Biomérnöki Osztályának vezetője lett. A felsőoktatásba intenzíven 1993-ban kapcsolódott be, a Veszprémi Egyetemen. 1998-óta főállásban a Veszprémi Egyetem Információs Rendszerek Tanszékének a vezetője. Ve- zetése alatt indult meg az országban elsőként az egyetemi szintű graduális egészségügyi informatika képzés szakirány szinten, a Műszaki informatika szak keretében. Vezetője volt az egészségügyi informatika témakörében futó Ph.D. alprogramnak, jelenleg a Veszprémi Egyetem Informatikai Tudományok Doktori iskolájának alapító tagja. A NJSZT Orvosbiológiai Szakosztály elnöke, az MTA Orvosi Informatika Munkabizottság tagja, a VEAB Egészségügyi Informatika Munkabizottság elnöke, a MIE 2002 Európai Orvosi Informatikai Kongresszus Helyi Szervező Bizottságának elnöke, az Információ és Menedzsment az Egészségügyben című lap főszerkesztője, az NKFP 2/052 „Költséghatékony egészségmegőrzés és gyógyítás információtechnológiai módszerekkel” c. projekt konzorciumvezetője. Szakmai érdeklődése elsősorban az elektrokardiológiai mérések és modellezések terére, valamint a távdiagnosztikára terjed ki. Vassányi István bemutása a 41. oldalon található. IME II. ÉVFOLYAM 3. SZÁM 2003. ÁPRILIS 55
