Алгоритм комплексного антропоскопічного, антпропометричного та дерматогліфічного дослідження при судово-медичній ідентифікації невідомої особи

Автор(и)

  • Галина Зеленчук Івано-Франківський національний медичний університет, м. Івано-Франківськ, Ukraine https://orcid.org/0000-0002-8618-9224
  • Наталія Козань Івано-Франківський національний медичний університет, м. Івано-Франківськ, Ukraine https://orcid.org/0000-0003-1017-5077
  • Валерія Чадюк Івано-Франківський національний медичний університет, м. Івано-Франківськ, Ukraine https://orcid.org/0000-0001-7392-7905

DOI:

https://doi.org/10.24061/2707-8728.1.2021.5

Ключові слова:

антропоскопічні параметри, антропометричні параметри, дерматогліфічні параметри, нейромережеве прогнозування

Анотація

У статті представлені матеріали та методи дослідження, що використовуються як для ідентифікації невідомої особи, так і з метою прогнозування схильності людини до протиправних дій різних ступенів тяжкості. Зокрема, в даній статті розписані антропоскопічні, антропометричні, дерматогліфічні методи, метод статистичної обробки даних і нейромережеве прогнозування, що широко застосовуються в сучасній криміналістиці та судово-медичній експертизі. Сформульовані актуальність і завдання вище вказаних методів дослідження з метою прогнозування схильності особи до протиправних дій різних ступенів тяжкості.

Посилання

Mishalov VD, Gunas IV, Kryvda GF, Bachinsky VT, Voichenko VV. Actualy questions of forensic medical dermatoglifics. Судово-медична експертиза. 2018;1:17-9. doi:10.24061/2707-8728.1.2018.5

Полушкін ПМ, Алсібай ОВ, Неровна КВ, Шевченко ВА. Сучасний стан і перспективи дослідження дерматогліфіки у практиці медико-психологічного обстеження студентів і молоді. Вісник Дніпропетровського університету. Біологія. Медицина. 2012;3(1):91-7.

Київ: Вища школа; 2000. Гинзбург, Елементи антропології для медиків; с. 31-102.

Noise reduction in speech processing. Springer: Berlin, Heidelberg; 2009. Benesty J, Chen J, Huang Y, Cohen I, Pearson correlation coefficient; p. 1-4. doi: 10.1007/978- 3-642-00296-0_5

Rojas R. Neural networks: a systematic introduction. Springer; 1996. 512 p.

Simon Haykin. Neural networks and learning machines. 3-rd ed. Pearson, NY: Prentice Hall; 2009. 906 p.

Specht DF. Probabilistic neural networks. Neural networks. 1990;3(1):109-18. doi: https://doi.org/10.1016/0893-6080(90)90049-Q

Karlik B, Olgac AV. Performance analysis of various activation function sin generalized MLP architectures of neural networks. International Journal of Artificial Intelligence and Expert Systems. 2011;1(4):111-22.

TIBCO. Neural Networks in Statistica Program [Internet]. TIBCO Software Inc; 2020 [cited 2021 Jan 17]. Available from: http://www.statsoft.com/textbook/neural-networks/

Jetbrains. IntelliJ IDEA [Internet]. Prague: JetBrains; 2021 [cited 2021 Jan 17]. Available from: https://www.jetbrains.com/idea/documentation/

Oracle [Internet]. Oracle; 2021 [cited 2021 Jan 18]. Available from: https://www.oracle.com/index.html

Oracle. Potts J, Hildebrandt N, Gordon J, Castillo C. JavaFX: Getting Started with JavaFX [Internet]. Oracle; 2014 [cited 2021 Feb 5]. Available from: https://docs.oracle.com/javase/8/javafx/get-started-tutorial/jfx-overview.htm

JFoenix [Internet]. Available from: http://www.jfoenix.com/documentation.html

Cios KJ, Pedrycz W, Swiniarski RW. Data mining methods for knowledge discovery. Vol. 458. New York: Springer Science & Business Media; 2012.

Machine Learning Algorithms. Brownlee J. Classification And Regression Trees for Machine Learning. [Internet]. Machine Learning Mastery; 2016 [cited 2021 Feb 12]. Available from: https://machinelearningmastery.com/classification-and-regression-trees-for-machine-learning/

References

Mishalov VD, Gunas IV, Kryvda GF, Bachinsky VT, Voichenko VV. Actualy questions of forensic medical dermatoglifics. Судово-медична експертиза. 2018;1:17-9. doi:10.24061/2707-8728.1.2018.5

Polushkin PM, Alsibai OV, Nerovna KV, Shevchenko VA. Suchasnyi stan i perspektyvy doslidzhennia dermatohlifiky u praktytsi medyko-psykholohichnoho obstezhennia studentiv i molodi [Modern state and prospects of dermatoglyphics research in practice of medical-psychological examination of students and youth]. Visnyk Dnipropetrovs'koho universytetu. Biolohiia. Medytsyna. 2012;3(1):91-7. (in Ukrainian)

Київ: Вища школа; 2000. Гинзбург, Елементи антропології для медиків; с. 31-102.

Noise reduction in speech processing. Springer: Berlin, Heidelberg; 2009. Benesty J, Chen J, Huang Y, Cohen I, Pearson correlation coefficient; p. 1-4. doi:10.1007/978-3-642-00296-0_5

Rojas R. Neural networks: a systematic introduction. Springer; 1996. 512 p.

Simon Haykin. Neural networks and learning machines. 3-rd ed. Pearson, NY: Prentice Hall; 2009. 906 p.

Specht DF. Probabilistic neural networks. Neural networks. 1990;3(1):109-18. doi:10.1016/0893-6080(90)90049-Q

Karlik B, Olgac AV. Performance analysis of various activation function sin generalized MLP architectures of neural networks. International Journal of Artificial Intelligence and Expert Systems. 2011;1(4):111-22.

TIBCO. Neural Networks in Statistica Program [Internet]. TIBCO Software Inc; 2020 [cited 2021 Jan 17]. Available from: http://www.statsoft.com/textbook/neural-networks/

Jetbrains. IntelliJ IDEA [Internet]. Prague: JetBrains; 2021 [cited 2021 Jan 17]. Available from: https://www.jetbrains.com/idea/documentation/

Oracle [Internet]. Oracle; 2021 [cited 2021 Jan 18]. Available from: https://www.oracle.com/index.html

Oracle. Potts J, Hildebrandt N, Gordon J, Castillo C. JavaFX: Getting Started with JavaFX [Internet]. Oracle; 2014 [cited 2021 Feb 5]. Available from: https://docs.oracle.com/javase/8/javafx/get-started-tutorial/jfx-overview.htm

JFoenix [Internet]. Available from: http://www.jfoenix.com/documentation.html

Cios KJ, Pedrycz W, Swiniarski RW. Data mining methods for knowledge discovery. Vol. 458. New York: Springer Science & Business Media; 2012.

15. Machine Learning Algorithms. Brownlee J. Classification And Regression Trees for Machine Learning. [Internet]. Machine Learning Mastery; 2016 [cited 2021 Feb 12]. Available from: https://machinelearningmastery.com/classification-and-regression-trees-for-machine-learning/

##submission.downloads##

Опубліковано

2021-10-18

Номер

№ 1 (2021)

Розділ

Оригінальні дослідження

Ліцензія

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.

  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.

  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).

Критерії авторського права, форми участі та авторства

Кожен автор повинен був взяти участь в роботі, щоб взяти на себе відповідальність за відповідні частини змісту статті. Один або кілька авторів повинні нести відповідальність в цілому за поданий для публікації матеріал - від моменту подачі до публікації статті. Авторитарний кредит повинен грунтуватися на наступному:

  • істотність частини вкладу в концепцію і дизайн, отримання даних або в аналіз і інтерпретацію результатів дослідження;

  • написання статті або критичний розгляд важливості її інтелектуального змісту;

  • остаточне твердження версії статті для публікації.

Автори також повинні підтвердити, що рукопис є дійсним викладенням матеріалів роботи і що ні цей рукопис, ні інші, які мають по суті аналогічний контент під їх авторством, не були опубліковані та не розглядаються для публікації в інших виданнях.

Автори рукописів, що повідомляють вихідні дані або систематичні огляди, повинні надавати доступ до заяви даних щонайменше від одного автора, частіше основного. Якщо потрібно, автори повинні бути готові надати дані і повинні бути готові в повній мірі співпрацювати в отриманні та наданні даних, на підставі яких проводиться оцінка та рецензування рукописи редактором / членами редколегії журналу.

Роль відповідального учасника.

Основний автор (або призначений відповідальний автор) буде виступати від імені всіх співавторів статті в якості основного кореспондента при листуванні з редакцією під час процесу її подання та розгляду. Якщо рукопис буде прийнятий, відповідальний автор перегляне відредагований машинописний текст і зауваження рецензентів, прийме остаточне рішення щодо корекції і можливості публікації представленого рукопису в засобах масової інформації, федеральних агентствах і базах даних. Він також буде ідентифікований як відповідальний автор в опублікованій статті. Відповідальний автор несе відповідальність за підтвердження остаточного варіанта рукопису. Відповідальний автор несе також відповідальність за те, щоб інформація про конфлікти інтересів, була точною, актуальною і відповідала даним, наданим кожним співавтором. Відповідальний автор повинен підписати форму авторства, що підтверджує, що всі особи, які внесли істотний внесок, ідентифіковані як автори і що отримано письмовий дозвіл від кожного учасника щодо публікації представленого рукопису.